CN118628983B 一种基于图像处理的线缆识别方法及系统 （海南电网设计有限责任公司）

AU2020103078A4,2020.1本发明涉及一种基于图像处理的线缆识别方法及系统，基于图像处理的线缆识别方法包括：采集电缆绝缘材料的横截面图像并进行处本发明基于图像处理的线缆识别方法大幅提高2S6、根据实时动态调节成像参数和动态调整图像分辨率采集原始的横截面图像数据，S7、实时监控并分析图像数据和电气应力数据采集电缆运行过程中的电气应力数据，并结合电缆线路的静态数据，获取电缆所处环境的温度数据，结合电缆的地理位置信息将水树现象起点识别结果与电气应力监测数据和环境温度数据进行关采用时间序列分析和关联规则挖掘算法，结合水树缺陷区域特征参设置电气应力传感器实时监测电缆内外的应力变化，将应力变采用并行计算分析方法，结合缺陷位置和预定风险应力特征，评估采用预警策略并设定预警阈值，若实时监测数据未超过所述预警阈根据所述水树风险评估模型得到风险等级，结合评估水树现象的采用红外线图像采集设备，设置并调整所述红外线图3对采集的横截面图像数据进行处理，处理包括去除图像中的椒盐噪声和去除高斯噪根据电缆绝缘材料横截面的特征，对横截面图像进行分割处理通过特征提取和像素分类，将图像划分为缺陷区域和正常绝缘材采用数据增强和迁移学习方法，根据已有的缺陷样本数据集对所述分根据分割的结果，采用基于区域生长的连通域分析算法对各类缺陷区采用DBSCAN密度聚类算法对标记后的缺陷区域进行聚类分析，根据缺陷在缺陷分布拓扑图上进行图论分析，通过深度优先搜索算法遍历所有缺陷扩展路径，4.根据权利要求1所述基于图像处理的线缆识别方法，其特征在于，所述步骤S4还包将电缆线路节点划分为重要节点、一般节点和辅助节点三个等级，所述边缘计算设备获取所述红外线图像采集设备所采集原始的横截面4对预处理后的横截面图像进行缺陷检测，识别绝缘材料中的水树现象起点和扩展方7.一种基于图像处理的线缆识别系统，采用如权利要求1_6任一项所述的一种基于图水树现象预测与风险评估模块，所述水树现象预测与风险评估模块用监控与应急响应模块，所述监控与应急响应模块用于根据风5缆识别方法及系统。基于图像处理的线缆识别方法大幅提高了缺陷检测的准确性和效率，同时也极大地增强了预防和应对水树现象的能力；不仅有助于保护电力系统的安全运行，67[0042]所述边缘计算设备获取所述红外线图像采集设备所采集[0054]本发明所述的一种基于图像处理的线缆识别方法包括实时减少环境因素对图像89[0079]将提取到的SIFT特征输入到基于YOLOv3架构的卷积神经网络模型中进行缺陷检[0088]进一步，将识别出的水树起点区域映射到电缆的三维几何模型和材料结构模型[0092]在缺陷聚类分析时，采用DBSCAN算法，设置半径参数eps为10像素，最小点数[0093]在水树起点判断时，采用Dijkstra最短路径算法搜索拓扑图中面积增长率最大、分析和绝缘材料配方优化，研究缺陷成因和改进措施，最终将电缆绝缘故障率降低20%以缆所处环境的温度数据通过采用温度传感器检测得[0103]对采集的原始数据进行异常值检测和平滑滤波，并采用Z_score归一化方法对数[0104]使用小波变换对水树起点附近的电气信号进行时频分析，选取Daubechies4小波[0128]利用ApacheSpark高效读取了存储为Parquet格式的缺陷位置数据和应力分布数指定了一个点被划分为核心点所需要的邻域中的最小点数，设为10意味着只有当一个点周[0133]采用FP_Growth算法进行关联规则经网络对雾霾和烟尘干扰下的红外图像进行特征提取和图像复原，在10000张仿真退化图[0140]引入基于物理模型的大气校正算法，根据MODTRAN大气传输模型和实时获取的气[0144]在红外线图像采集设备的光学系统中集成自适应光学补偿模块，通过Shack_过闭环反馈控制驱动2块69通道变形镜和一块512x512像素的液晶空间光调制器，实现[0146]根据ImageNet预训练的ResNet_50作为骨干网络，搭建端到端的红外图像去雾去采用辐射传输方程求解器DISORT对红外辐射进行定量计算，对414μm波段内的大气透过率和上行辐射进行高光谱建模，并使用最小二乘法对320x256的高光谱图像数据立方体进行度概率密度函数进行分段线性拟合，通过求解线性规划问题获得8个子区间的最优拉伸系[0149]采用Lucas_Kanade金字塔光流法对连续5帧720P@50fps的红外视频序列进行运动模糊综合评价法确定场景自适应加权系数，评估结果与人眼主观评分的Pearson相关系数[0154]在光学成像系统中引入电控液体透镜和可变光圈，通过12位DAC芯片将数字控制像梯度G和信息熵E作为补充评价指标，构建加权形式的综合质量评价函数Q=0.4D+0.3C+[0161]搭建基于OptotuneEL_10_30_C电控液体透镜的伺服控制系统，通过TIOPA2376运[0162]采用RitPixCMOS图像传感器和XILINXZynqXC7Z045FPGA构建自适应成像硬件平SSIMloss加权组合，Adam优化器的学习率设置为0.00001，训练批大小为16，迭[0171]在图像采集设备中集成水树风险评估模型，根据节点重[0173]对多视角多分辨率水树缺陷检测结果进行分级融合，采用Dempster_Shafer证据[0175]建立电缆线路节点的重要性评价指标体系，包含运行电压等级(110kV及以上为5[0176]使用XGBoost算法来构建一个预测水树故障的模型，该模型基于过去十年的运行[0184]采用多视图学习方法对不同类型的特征进行分组融合，利用Kendall秩相关系数[0188]重要高风险区域采用在线监测方式，测点覆盖电缆沿线重要节点和故障多发部[0192]在机理建模基础上，应用长短时记忆神经网络提取水树故障序列的时间依赖特（0.05括号内数字为各特征的显著性系数，基于PowerIterationClus合风险指数通过Score10.5+Score20.35+Score3*0.15计算得到；[0199]采用模糊层次分析法构建重要程度评判矩阵，使用三角模糊数表述了语言变量度I由其权重W与风险等级R通过模糊运算得出；[0200]采用K_means聚类算法，将所有监测单元依据其在该二维矩阵中的位置划分为五等多参量交叉检验，采样率1kHz，重要节点测点间距50米，光纤振动传感器灵敏度优于未来可能出现的电力系统水树故障，模型训练配置包括使用Adam优化算法进行高效迭代，[0212]针对重要区域采集的水树缺陷图像，构建基于卷积神经网络的深度学习检测模[0217]对非重要区域采集的视频图像进行离线批处理分析，使用基于方向梯度直方图[0221]在重要监测区域部署基于CMOS传感器的200万像素工业相机，采用SonyIMX3271/[0227]前端AI加速模块采用RockchipRV1126CPU(4×Cortex_A7@1.5GHz)+0.8TOPSNPU，[0235]根据水树现象起点的位置坐标和扩展方向的角度信息，生成水树现象的缺陷报