CN114792328A - 一种红外热成像图像处理和分析的方法 - Google Patents
一种红外热成像图像处理和分析的方法 Download PDFInfo
- Publication number
- CN114792328A CN114792328A CN202110100919.8A CN202110100919A CN114792328A CN 114792328 A CN114792328 A CN 114792328A CN 202110100919 A CN202110100919 A CN 202110100919A CN 114792328 A CN114792328 A CN 114792328A
- Authority
- CN
- China
- Prior art keywords
- temperature
- infrared thermal
- fault
- thermal image
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012545 processing Methods 0.000 title claims abstract description 22
- 238000001931 thermography Methods 0.000 title claims abstract description 21
- 238000012937 correction Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 27
- 238000007689 inspection Methods 0.000 claims abstract description 8
- 238000009529 body temperature measurement Methods 0.000 claims abstract description 4
- 238000000605 extraction Methods 0.000 claims abstract description 4
- 238000006243 chemical reaction Methods 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005452 bending Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 21
- 238000004891 communication Methods 0.000 description 8
- 230000007547 defect Effects 0.000 description 4
- 238000010438 heat treatment Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J5/0096—Radiation pyrometry, e.g. infrared or optical thermometry for measuring wires, electrical contacts or electronic systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J5/00—Radiation pyrometry, e.g. infrared or optical thermometry
- G01J2005/0077—Imaging
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Geometry (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明属于红外图像处理技术领域，具体公开一种红外热成像图像处理和分析的方法，包括源图像获取，从电力巡检机器人的云台红外热成像相机中获取目标设备的原始红外热像数据；根据红外热像数据，根据测温算法计算红外热像数据对应像素的温度值；根据温度值，对原始红外热像图像进行温度修正，得到温度修正红外热像图像；对温度修正红外热像图像进行轮廓提取，得到若干故障区域；获取各个故障区域的故障判定数据，并根据故障判定数据得到故障分析结果。本发明解决了现有技术存在的人力成本投入大、检测效率低以及无法观测故障区域的细节导致故障分析精确度低的问题。
Description
技术领域
本发明属于图像处理技术领域，具体涉及一种红外热成像图像处理和分析的方法。
背景技术
电力设备红外热成像是通过探测电力设备发出的红外辐射能量，将热信号转化为电信号，再经过电信号处理后获得电力设备热图像。电力红外检测具有不停电、非接触、技术成熟等特点，能够发现电力设备潜在的隐患和故障，已在电力设备热异常检测领域取得广泛应用。电力设备的长期运行或环境因素会造成关键部位接触不良、过负荷等问题，从而引起设备部分区域发热。据相关资料统计，超过一半的故障电力设备会出现异常的发热现象。
随着人工智能的发展，国内外研究者开展了一些图像融合、缺陷识别的研究。有基于相关向量机进行设备分类与识别；有建立多个电力设备模板图像库，通过模板与图像的匹配度来确定目标区域的轮廓和位置；有结合阈值分割机制、像素分割算法等，快速将温度异常连通区域或设备进行分割；有采用卷积神经网络提取红外故障图像的特征，并进行训练学习。
为此我们提出一种基于红外热成像图像处理和分析的方法用于解决上述问题
发明内容
本发明的目的在于提供一种基于红外热成像图像处理和分析的方法，以解决上述背景技术中提出的问题。
为此，为实现上述目的，本发明提供如下技术方案：一种基于红外热成像图像处理和分析的方法，采用红外热成像设备，获取电力设备的红外图像。
本发明所采用的技术方案为：
一种红外热成像图像处理和分析的方法，包括如下步骤：
S1：源图像获取，从电力巡检机器人的云台红外热成像相机中获取目标设备的原始红外热像数据；
S2：根据红外热像数据，根据测温算法计算红外热像数据对应像素的温度值；
S3：根据温度值，对原始红外热像图像进行温度修正，得到温度修正红外热像图像；
S4：对温度修正红外热像图像进行轮廓提取，得到若干故障区域；
S5：获取各个故障区域的故障判定数据，并根据故障判定数据得到故障分析结果。
进一步地，步骤S1的温度数据包括原始红外热像图像的温度最值和预设的感兴趣温度范围值。
进一步地，步骤S3的具体步骤为：
S3-1：根据温度数据，获取温度修正的幂函数变换值，并对幂函数变换值进行初始化；
S3-2：根据初始化后的幂函数变换值，对原始红外热像图像进行温度修正，得到温度修正红外热像图像。
进一步地，步骤S3-1中，温度修正的幂函数变换值的公式为：
E＝Ceil[(Tmax-Tmin)/N_TOI]
式中，E为幂函数变换值；Ceil[*]为最小整数返回函数；Tmax、Tmin分别为温度数据中原始红外热像图像的温度最大值和最小值；N_TOI为温度数据中原始红外热像图像的预设的感兴趣温度范围值。
进一步地，步骤S3-1中，幂函数变换值的初始化公式为：
式中，E为幂函数变换值。
进一步地，步骤S3-2中，温度修正的公式为：
式中，N(i,j)为温度修正红外热像图像的温度值；F(i,j)为原始红外热像图像的温度值；i、j分别为横向指示量和纵向指示量；E为幂函数变换值；a为灰度值偏移量的设置参数；b为曲线的弯曲程度以拉伸程度的设置参数；c为温度值偏移量的设置参数。
进一步地，步骤S4的具体方法为：对温度修正红外热像图像进行预处理，得到预处理后图像，对预处理后图像进行轮廓提取，得到若干故障区域。
进一步地，预处理包括对温度修正红外热像图像进行的灰度处理和二值化处理。
进一步地，步骤S5的具体步骤为：
S5-1：对各个故障区域进行填充提取，得到对应的范围区域图像；
S5-2：获取范围区域图像的面积，得到对应的故障判定数据；
S5-3：根据故障判定数据，得到对应的故障等级；
S5-4：根据故障等级，得到故障分析结果。
进一步地，步骤S5-3中，预设故障等级的具体方法为：获取所有目标设备的历史故障判定数据，根据历史故障判定数据进行等级划分，得到对应的故障等级。
本发明的有益效果为：
本发明提出一种红外热成像图像处理和分析的方法，避免了人工巡检，减少了人力成本投入，提高了巡检效率，在温度区间不变的情况下，采用将高温区温度差拉伸的方法，使得温度修正红外热像图像可以展示更多的高温部分细节，以实现准确的进行故障定位，对目标设备进行智能故障分析，在实现智能化的同时，提高了故障分析精确度。
本发明的其他有益效果将在具体实施方式中进行详细说明。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是设备故障分析方法流程图。
具体实施方式
下面结合附图及具体实施例来对本发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明虽然是用于帮助理解本发明，但并不构成对本发明的限定。本发明公开的功能细节仅用于描述本发明的示例实施例。然而，可用很多备选的形式来体现本发明，并且不应当理解为本发明限制在本发明阐述的实施例中。
应当理解，本发明使用的术语仅用于描述特定实施例，并不意在限制本发明的示例实施例。若术语“包括”、“包括了”、“包含”和/或“包含了”在本发明中被使用时，指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性，并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。
应当理解，还应当注意到在一些备选实施例中，所出现的功能/动作可能与附图出现的顺序不同。例如，取决于所涉及的功能/动作，实际上可以实质上并发地执行，或者有时可以以相反的顺序来执行连续示出的两个图。
应当理解，在下面的描述中提供了特定的细节，以便于对示例实施例的完全理解。然而，本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。例如可以在框图中示出系统，以避免用不必要的细节来使得示例不清楚。在其他实例中，可以不以不必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。
实施例1
在本实施例中，首先建立设备故障分析系统，设备故障分析系统包括设置在每个目标设备处的红外热像仪、微处理器和通讯模块，以及数据分析中心，微处理器分别与红外热像仪和通讯模块通信连接，通讯模块与数据分析中心通信连接，红外热像仪用于采集目标设备的原始红外热像图像，并发送至微处理器，微处理器通过通讯模块将原始红外热像图像发送至数据分析中心进行设备故障分析，避免了人工巡检，减少了人力成本投入，提高了巡检效率。
红外热像仪是一种利用红外热成像技术，通过对标的物的红外辐射探测，并加以信号处理、光电转换等手段，将标的物的温度分布的图像转换成可视图像的设备，红外热像仪将实际探测到的热量进行精确的量化，以面的形式实时成像标的物的整体，因此能够准确识别正在发热的疑似故障区域，操作人员通过屏幕上显示的图像色彩和热点追踪显示功能来初步判断发热情况和故障部位，同时严格分析，从而在确认问题上体现了高效率、高准确率。
如图1所示，本实施例提供一种红外热成像图像处理和分析的方法，包括如下步骤：
S1：源图像获取，从电力巡检机器人的云台红外热成像相机中获取目标设备的原始红外热像数据；
S2：根据红外热像数据，根据测温算法计算红外热像数据对应像素的温度值；
温度数据包括原始红外热像图像的温度最值和预设的感兴趣温度范围值；
S3：根据温度数据，对原始红外热像图像进行温度修正，得到温度修正红外热像图像，具体步骤为：
S3-1：根据温度数据，获取温度修正的幂函数变换值，并对幂函数变换值进行初始化；
温度修正的幂函数变换值的公式为：
E＝Ceil[(Tmax-Tmin)/N_TOI]
式中，E为幂函数变换值；Ceil[*]为最小整数返回函数；Tmax、Tmin分别为温度数据中原始红外热像图像的温度最大值和最小值；N_TOI为温度数据中原始红外热像图像的预设的感兴趣温度范围值；
幂函数变换值的初始化公式为：
式中，E为幂函数变换值；
S3-2：根据初始化后的幂函数变换值，对原始红外热像图像进行温度修正，得到温度修正红外热像图像，增强了原始红外热像图像的高温区域的显示范围，使得修正后的热像图可以展示更多的高温部分细节，在正常情况下，温度值与灰度值的映射是在温度区间平均的映射，在本方案中，使用函数变换，修订温度值，将高温区温度差拉伸，低温区温度差压缩；
温度修正的公式为：
式中，N(i,j)为温度修正红外热像图像的温度值；F(i,j)为原始红外热像图像的温度值；i、j分别为横向指示量和纵向指示量；E为幂函数变换值；a为灰度值偏移量的设置参数；b为曲线的弯曲程度以拉伸程度的设置参数；c为温度值偏移量的设置参数；
S4：对温度修正红外热像图像进行预处理，得到预处理后图像，对预处理后图像进行轮廓提取，得到若干故障区域；
预处理包括对温度修正红外热像图像进行的灰度处理和二值化处理；
灰度处理将修正后的温度值映射到灰度值，可以显示原始红外热像图像的高温部分更多的细节，然后进行二值化处理，便于进行后续的轮廓提取；
遍历二值图像，确定一个非零点作为起点，依次查找相邻8个像素内的非零值，并作为后继遍历点，按同样的方法继续查找，同时需要对轮廓线相交和重叠等特殊情况进行筛选，合并，最后对相邻连通区域进行拼接，获得故障区域的轮廓，根据轮廓，得到若干故障区域；
S5：获取各个故障区域的故障判定数据，并根据故障判定数据得到故障分析结果，具体步骤为：
S5-1：对温度修正红外热像图像中各个故障区域进行填充提取，得到对应的范围区域图像，本实施例中，将范围区域图像作为区域数组，如有多个范围区域图像，则分别提取作为多个区域数组；
S5-2：获取范围区域图像的面积，分别对单个区域数组进行面积计算和形态计算，得到对应的故障判定数据；
S5-3：根据故障判定数据，得到对应的故障等级；
预设故障等级的具体方法为：获取所有目标设备的历史故障判定数据，根据历史故障判定数据进行等级划分，得到对应的故障等级，如表1所示；
表1
| 故障等级 | 故障描述 |
| S | 严重缺陷，必须停机 |
| A | 较严重缺陷，待人工确认 |
| B | 一般缺陷，可暂时不处理，须计入统计数据 |
| C | 正常 |
S5-4：根据故障等级，得到故障分析结果，即根据表1中各个故障等级能够获取当前目标设备的故障描述，工作人员就能获取当前目标设备的具体故障情况，本方案中，采用将高温区温度差拉伸的方法，使得温度修正红外热像图像可以展示更多的高温部分细节，以实现准确的进行故障定位，对目标设备进行智能故障分析，在实现智能化的同时，提高了故障分析精确度。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所描述的实施例仅仅是示意性的，若涉及到作为分离部件说明的单元，其可以是或者也可以不是物理上分开的；若涉及到作为单元显示的部件，其可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
本发明不局限于上述可选的实施方式，任何人在本发明的启示下都可得出其他各种形式的产品。上述具体实施方式不应理解成对本发明的保护范围的限制，本发明的保护范围应当以权利要求书中界定的为准，并且说明书可以用于解释权利要求书。
Claims (10)
1.一种红外热成像图像处理和分析的方法，其特征在于：包括如下步骤：
S1：源图像获取，从电力巡检机器人的云台红外热成像相机中获取目标设备的原始红外热像数据；
S2：根据红外热像数据，根据测温算法计算红外热像数据对应像素的温度值；
S3：根据温度值，对原始红外热像图像进行温度修正，得到温度修正红外热像图像；
S4：对温度修正红外热像图像进行轮廓提取，得到若干故障区域；
S5：获取各个故障区域的故障判定数据，并根据故障判定数据得到故障分析结果。
2.根据权利要求1所述的一种设备故障分析方法，其特征在于：所述的步骤S1的温度数据包括原始红外热像图像的温度最值和预设的感兴趣温度范围值。
3.根据权利要求2所述的一种设备故障分析方法，其特征在于：所述的步骤S3的具体步骤为：
S3-1：根据温度数据，获取温度修正的幂函数变换值，并对幂函数变换值进行初始化；
S3-2：根据初始化后的幂函数变换值，对原始红外热像图像进行温度修正，得到温度修正红外热像图像。
4.根据权利要求3所述的一种设备故障分析方法，其特征在于：所述的步骤S3-1中，温度修正的幂函数变换值的公式为：
E＝Ceil[(Tmax-Tmin)/N_TOI]
式中，E为幂函数变换值；Ceil[*]为最小整数返回函数；Tmax、Tmin分别为温度数据中原始红外热像图像的温度最大值和最小值；N_TOI为温度数据中原始红外热像图像的预设的感兴趣温度范围值。
5.根据权利要求3所述的一种设备故障分析方法，其特征在于：所述的步骤S3-1中，幂函数变换值的初始化公式为：
式中，E为幂函数变换值。
6.根据权利要求3所述的一种设备故障分析方法，其特征在于：所述的步骤S3-2中，温度修正的公式为：
式中，N(i,j)为温度修正红外热像图像的温度值；F(i,j)为原始红外热像图像的温度值；i、j分别为横向指示量和纵向指示量；E为幂函数变换值；a为灰度值偏移量的设置参数；b为曲线的弯曲程度以拉伸程度的设置参数；c为温度值偏移量的设置参数。
7.根据权利要求1所述的一种设备故障分析方法，其特征在于：所述的步骤S4的具体方法为：对温度修正红外热像图像进行预处理，得到预处理后图像，对预处理后图像进行轮廓提取，得到若干故障区域。
8.根据权利要求7所述的一种设备故障分析方法，其特征在于：所述的预处理包括对温度修正红外热像图像进行的灰度处理和二值化处理。
9.根据权利要求1所述的一种设备故障分析方法，其特征在于：所述的步骤S5的具体步骤为：
S5-1：对各个故障区域进行填充提取，得到对应的范围区域图像；
S5-2：获取范围区域图像的面积，得到对应的故障判定数据；
S5-3：根据故障判定数据，得到对应的故障等级；
S5-4：根据故障等级，得到故障分析结果。
10.根据权利要求9所述的一种设备故障分析方法，其特征在于：所述的步骤S4-3中，预设故障等级的具体方法为：获取所有目标设备的历史故障判定数据，根据历史故障判定数据进行等级划分，得到对应的故障等级。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100919.8A CN114792328A (zh) | 2021-01-26 | 2021-01-26 | 一种红外热成像图像处理和分析的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110100919.8A CN114792328A (zh) | 2021-01-26 | 2021-01-26 | 一种红外热成像图像处理和分析的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114792328A true CN114792328A (zh) | 2022-07-26 |
Family
ID=82460656
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110100919.8A Pending CN114792328A (zh) | 2021-01-26 | 2021-01-26 | 一种红外热成像图像处理和分析的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114792328A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686886A (zh) * | 2021-01-26 | 2021-04-20 | 四川华能宝兴河水电有限责任公司 | 一种电力巡检系统及其设备故障诊断方法 |
| CN117537930A (zh) * | 2023-10-31 | 2024-02-09 | 雷玺智能科技(上海)有限公司 | 一种基于红外热成像的阵列测温方法及管理系统 |
-
2021
- 2021-01-26 CN CN202110100919.8A patent/CN114792328A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112686886A (zh) * | 2021-01-26 | 2021-04-20 | 四川华能宝兴河水电有限责任公司 | 一种电力巡检系统及其设备故障诊断方法 |
| CN112686886B (zh) * | 2021-01-26 | 2024-01-23 | 四川华能宝兴河水电有限责任公司 | 一种电力巡检系统及其设备故障诊断方法 |
| CN117537930A (zh) * | 2023-10-31 | 2024-02-09 | 雷玺智能科技(上海)有限公司 | 一种基于红外热成像的阵列测温方法及管理系统 |
| CN117537930B (zh) * | 2023-10-31 | 2024-05-07 | 雷玺智能科技(上海)有限公司 | 一种基于红外热成像的阵列测温方法及管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103487729B (zh) | 基于紫外视频与红外视频融合的电力设备缺陷检测方法 | |
| CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
| CN104361314B (zh) | 基于红外与可见光图像融合的变电设备定位方法及装置 | |
| CN110458839B (zh) | 一种有效的电线电缆监测系统 | |
| CN108564565A (zh) | 一种基于深度学习的电力设备红外图像多目标定位方法 | |
| CN111289854B (zh) | 基于紫外视频的3d-cnn和lstm的绝缘子绝缘状态评估方法 | |
| CN109544501A (zh) | 一种基于无人机多源图像特征匹配的输电设备缺陷检测方法 | |
| CN109034272A (zh) | 一种输电线路发热部件自动识别方法 | |
| CN112880837B (zh) | 一种设备故障分析方法 | |
| CN108961154B (zh) | 基于改进非下采样轮廓波变换的太阳电池热斑检测方法 | |
| CN114792328A (zh) | 一种红外热成像图像处理和分析的方法 | |
| CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
| CN115294031A (zh) | 基于红外热成像分析的光伏组件故障图像识别方法 | |
| CN112233074A (zh) | 一种基于可见光及红外融合图像的电力故障检测方法 | |
| CN116310274A (zh) | 一种输变电设备的状态评估方法 | |
| CN116188505A (zh) | 基于紫外红外协同检测的绝缘电力设备在线监测系统 | |
| CN106920240A (zh) | 一种基于红外图像的绝缘子识别和故障诊断方法 | |
| CN112749656A (zh) | 基于ORB特征匹配与yolo的空气开关状态检测方法及装置 | |
| CN116681979A (zh) | 一种复杂环境下的电力设备目标检测方法 | |
| Guerriero et al. | Automatic edge identification for accurate analysis of thermographic images of solar panels | |
| CN109544608A (zh) | 一种无人机图像采集特征配准方法 | |
| CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
| Rodriguez et al. | Segmentation and error detection of PV modules | |
| CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
| CN118196070B (zh) | 一种基于无人机热红外遥感的光伏板缺陷识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |