基于人工智能的变压器故障快速检测方法技术

本发明专利技术涉及图像分析技术领域，具体涉及一种基于人工智能的变压器故障快速检测方法，包括，通过对待检测变压器的红外图像的图像分析，确定不同位置的待选一类边缘、二类边缘和三类边缘；为了便于后续获得更准确的夹层区域，对待选一类边缘进行筛选获得一类边缘；基于二类边缘内部的像素灰度特征确定混乱程度，基于混乱程度对夹层区域进行更新；通过新的夹层区域的面积特征和温度特征，获得异常程度；利用异常程度判断待检测变压器是否发生故障。本发明专利技术实现了变压器故障的快速检测，有效提升了变压器故障检测的时效性，主要应用于变压器故障检测领域。故障检测领域。故障检测领域。

【技术实现步骤摘要】
基于人工智能的变压器故障快速检测方法


[0001]本专利技术涉及图像分析
，具体涉及一种基于人工智能的变压器故障快速检测方法。

技术介绍

[0002]随着电力工业的智能化快速发展，变压器的需求量在逐年增加。变压器是电力系统中最重要的设备之一，对于电力系统的安全稳定运行具有至关重要的作用，然而，在民用和工业领域可能会存在一些老式变压器，变压器各部位的绝缘材料的老化和损坏降低了变压器的安全性，甚至可能引发火灾等事故。所以，对变压器故障进行快速检测是十分必要的。
[0003]变压器的故障检测一般可采用温度差值法，温度差值法将故障区域与周围正常区域进行比较，计算温度差值，确定故障区域。但是，温度差值法对应的变压器故障判定结果的时效性较差，例如，当变压器的红外图像中存在大面积的高温区域且温差极大时，才会报警判定变压器存在故障。

技术实现思路

[0004]为了解决上述现有变压器故障检测方法的时效性较差的技术问题，本专利技术的目的在于提供一种基于人工智能的变压器故障快速检测方法，所采用的技术方案具体如下：本专利技术一个实施例提供了一种基于人工智能的变压器故障快速检测方法，该方法包括以下步骤：获取待检测变压器的红外图像集合，对红外图像集合中每张红外图像进行图像预处理，获得各个待选一类边缘、各个二类边缘和各个三类边缘；根据各个待选一类边缘上每个像素点的灰度值，对各个待选一类边缘进行筛选，获得各个一类边缘，将相邻一类边缘之间的间隔区域和最小一类边缘围成的区域确定为夹层区域；根据各个二类边缘内部每个像素点的灰度值，对各个二类边缘内部进行像素混乱分析，确定各个二类边缘内部的混乱程度；根据所述混乱程度对各个夹层区域进行更新，获得新的各个夹层区域；根据每张红外图像中新的各个夹层区域的面积、温度和各个三类边缘围成的区域的面积，确定待检测变压器对应的异常程度集合；根据所述异常程度集合，判断待检测变压器是否发生故障。
[0005]进一步地，根据各个待选一类边缘上每个像素点的灰度值，对各个待选一类边缘进行筛选，获得各个一类边缘，包括：对于任意一个待选一类边缘，使构建的预设尺寸滑窗按照预设步长在待选一类边缘上滑动，获得各个滑窗区域；根据各个滑窗区域内每个像素点的灰度值和各个预设灰度级，统计各个滑窗区域
内不同预设灰度级的像素点的出现频率；根据各个滑窗区域内不同预设灰度级的像素点的出现频率，计算各个滑窗区域的熵值；若任意一个滑窗区域的熵值大于分散程度阈值，则判定待选一类边缘为一类边缘，否则，判定待选一类边缘不为一类边缘。
[0006]进一步地，根据各个二类边缘内部每个像素点的灰度值，对各个二类边缘内部进行像素混乱分析，确定各个二类边缘内部的混乱程度，包括：对于任意一个二类边缘，根据二类边缘内部每个像素点的灰度值，确定二类边缘内部的最大灰度值、最小灰度值和灰度均方差；将二类边缘内部的最大灰度值和最小灰度值之间的第一差值，将第一差值与灰度均方差的比值确定为二类边缘内部的不稳定程度；将二类边缘内部不相同的预设灰度级个数确定为二类边缘内部的不连续程度，对不连续程度进行数值放大处理，获得新的不连续程度；将不稳定程度与新的不连续程度的乘积确定为对应的二类边缘内部的混乱程度。
[0007]进一步地，根据所述混乱程度对各个夹层区域进行更新，获得新的各个夹层区域，包括：若任意一个二类边缘内部的混乱程度大于混乱阈值，则判定二类边缘内部的所有像素点属于其位置所在的夹层区域，否则，判定二类边缘内部的所有像素点不属于其位置所在的夹层区域，将二类边缘内部的所有像素点划分到目标夹层区域；其中，所述目标夹层区域为与二类边缘位置所在的夹层区域相邻，且温度值高于二类边缘位置所在的夹层区域的温度值的夹层区域。
[0008]进一步地，所述异常程度的计算公式为：其中，AD为待检测变压器对应的异常程度，为后一张红外图像中第1个夹层区域的温度值，为前一张红外图像中第1个夹层区域的温度值，为后一张红外图像中第1个夹层区域的面积，为后一张红外图像中第k个三类边缘围成的区域的面积，为前一张红外图像中第1个夹层区域的面积，为前一张红外图像中第k个三类边缘围成的区域的面积，K为每张红外图像中三类边缘的总个数，为后一张红外图像中第s个夹层区域的温度值，为前一张红外图像中第s个夹层区域的温度值，为后一张红外图像中第s个夹层区域的面积，为前一张红外图像中第s个夹层区域的面积，S为每张红外图像中夹层区域的总个数。
[0009]进一步地，对红外图像集合中每张红外图像进行图像预处理，获得各个待选一类边缘、各个二类边缘和各个三类边缘，包括：对于红外图像集合中的任意一张红外图像，对红外图像进行灰度化，获得灰度图像；对灰度图像进行图像增强处理，获得新的灰度图像；
对新的灰度图像进行边缘检测，获得各个温度边缘；对各个温度边缘进行拟合处理，获得各个闭合温度边缘；根据各个闭合温度边缘上每个像素点的位置，确定各个待选一类边缘、各个二类边缘和各个三类边缘。
[0010]进一步地，根据各个闭合温度边缘上每个像素点的位置，确定各个待选一类边缘、各个二类边缘和各个三类边缘，包括：在各个闭合温度边缘中选取出围成区域面积最大且温度最高的边缘为第一目标边缘，将第一目标边缘围成区域面积与预设调整因子的乘积确定为待选一类边缘的面积阈值；将各个闭合温度边缘中边缘围成区域面积大于面积阈值的闭合温度边缘确定为待选一类边缘；在各个闭合温度边缘中选取出周长最大边缘为第二目标边缘，将位于第二目标边缘围成区域内部的待选一类边缘以外的闭合温度边缘确定为二类边缘，将位于目标边缘围成区域外部的闭合温度边缘确定为三类边缘。
[0011]本专利技术具有如下有益效果：本专利技术提供了一种基于人工智能的变压器故障快速检测方法，该变压器故障检测方法先采集待检测变压器的红外图像，为了获得更准确的图像信心提高故障检测结果的准确性，对每张红外图像进行图像预处理操作，获得各个待选一类边缘、各个二类边缘和各个三类边缘；受图像因素的干扰，待选一类边缘中存在虚假边缘，为了获得更准确的夹层区域，对各个待选一类边缘进行筛选处理，获得各个一类边缘；为了明确二类边缘围成区域的归属，通过分析二类边缘内部每个像素点的灰度值，进行像素混乱程度分析确定混乱程度，再根据混乱程度对各个夹层区域进行更新，获得新的各个夹层区域，相比各个夹层区域，新的各个夹层区域的准确性更高，其有助于提升后续基于夹层区域特征确定的异常程度的准确性；相比温度差值法，通过各个夹层区域的面积、温度和三类边缘围成的区域的面积确定的异常程度，进行变压器故障检测，有效提升了变压器故障检测的时效性，有助于实现变压器故障快速检测，避免因时效性较差而导致变压器发生更严重的火灾等事故，主要应用于变压器故障检测领域。
附图说明
[0012]为了更清楚地说明本专利技术实施例或现有技术中的技术方案和优点，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的介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，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它附图。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的变压器故障快速检测方法，其特征在于，包括以下步骤：获取待检测变压器的红外图像集合，对红外图像集合中每张红外图像进行图像预处理，获得各个待选一类边缘、各个二类边缘和各个三类边缘；根据各个待选一类边缘上每个像素点的灰度值，对各个待选一类边缘进行筛选，获得各个一类边缘，将相邻一类边缘之间的间隔区域和最小一类边缘围成的区域确定为夹层区域；根据各个二类边缘内部每个像素点的灰度值，对各个二类边缘内部进行像素混乱分析，确定各个二类边缘内部的混乱程度；根据所述混乱程度对各个夹层区域进行更新，获得新的各个夹层区域；根据每张红外图像中新的各个夹层区域的面积、温度和各个三类边缘围成的区域的面积，确定待检测变压器对应的异常程度集合；根据所述异常程度集合，判断待检测变压器是否发生故障。2.根据权利要求1所述的一种基于人工智能的变压器故障快速检测方法，其特征在于，根据各个待选一类边缘上每个像素点的灰度值，对各个待选一类边缘进行筛选，获得各个一类边缘，包括：对于任意一个待选一类边缘，使构建的预设尺寸滑窗按照预设步长在待选一类边缘上滑动，获得各个滑窗区域；根据各个滑窗区域内每个像素点的灰度值和各个预设灰度级，统计各个滑窗区域内不同预设灰度级的像素点的出现频率；根据各个滑窗区域内不同预设灰度级的像素点的出现频率，计算各个滑窗区域的熵值；若任意一个滑窗区域的熵值大于分散程度阈值，则判定待选一类边缘为一类边缘，否则，判定待选一类边缘不为一类边缘。3.根据权利要求1所述的一种基于人工智能的变压器故障快速检测方法，其特征在于，根据各个二类边缘内部每个像素点的灰度值，对各个二类边缘内部进行像素混乱分析，确定各个二类边缘内部的混乱程度，包括：对于任意一个二类边缘，根据二类边缘内部每个像素点的灰度值，确定二类边缘内部的最大灰度值、最小灰度值和灰度均方差；将二类边缘内部的最大灰度值和最小灰度值之间的第一差值，将第一差值与灰度均方差的比值确定为二类边缘内部的不稳定程度；将二类边缘内部不相同的预设灰度级个数确定为二类边缘内部的不连续程度，对不连续程度进行数值放大处理，获得新的不连续程度；将不稳定程度与新的不连续程度的乘积确定为对应的二类边缘内部的混乱程度。4.根据权利要求1所述的一种基于人工智能的变压器故障快速检测方法，其特征在于，根据所述混乱程度对各个夹层区域进行更新，获得新的各个夹层区域，包括：若任意一个二类边缘内部的混乱程度大于混乱阈值，则判定...

【专利技术属性】
技术研发人员：刘修法，
申请(专利权)人：济宁川昊电气科技有限公司，
类型：发明
国别省市：