英语原文共 5 页
2018 International Conference on Physics, Mathematics, Statistics Modelling and Simulation (PMSMS 2018)
ISBN: 978-1-60595-558-2
基于OpenCV的电力设备紫外线放电参数提取
马宏伟,崔浩阳,郭文成,霍思嘉,
陈辰航和秦伦明
上海电力学院电子信息工程学院,上海2000190
*通讯作者
关键词: OpenCV,特征提取,紫外图像,故障诊断。
抽象。 紫外成像技术是检测放电的有效方法 高压电气设备。 目前,光子数是表征紫外成像放电严重程度的主要方法。 然而,参数大小与UV成像器的增益和观察距离之间存在复杂的非线性关系。 放电量化。 为了量化放电分析,基于OpenCV图像处理技术,通过组合阈值法对UV图像进行分割,并通过多区域轮廓算法提取有效放电区域; 利用前景信息像素点的统计信息,得到放电区域,周长,长轴短轴,光斑轮廓等参数。 该方法可以快速有效地判断紫外故障图像的严重程度,节省人力物力,具有较高的实用价值。
介绍
近年来,随着电力工业的快速发展,对电力设备稳定运行的需求不断增加。 然而,当高压电气设备长时间运行时,可能发生局部放电。 如果未及时检测到设备故障或故障检测,将严重危及电气设备,导致电源故障,甚至威胁人身安全。 因此,有必要检测高压放电以确保电力系统的稳定运行。 故障检测技术是目前研究的重点,紫外成像技术 [1,2] 通过非接触方式检测电气设备的放电信息,已成为国家评估领域的重要检测手段。 因此,使用OpenCV图像处理技术 [3,4] 进行轮廓提取和检测 具有重要意义 。
在紫外线故障诊断和检测技术中,放电点的面积,周长,长轴和短轴以及放电曲线的数量是表征电力设备严重放电强度的关键数据。 文献[5]提出了一种基于小波变换的紫外图像融合算法,通过紫外光点和可见光的融合,准确判断电力设备的放电程度和放电位置; 文献[6]利用提取的故障高压电气设备的光点区域,提出了一种基于人工神经网络的状态识别方法,对电力设备故障进行分类。 文献[7]主要提出了基于电晕跟踪算法的电力设备故障诊断方法。KMS快速电晕跟踪算法用于有效跟踪和监测电晕。 然而,诸如斑点区域的上述参数由诸如Matlab的软件提取以实现相关的图像处理。 该方法计算速度慢,编程量大,不仅复杂,而且不利于装置随后放电到严重的故障强度。
为了解决上述问题,本文在OpenCV图像处理技术的基础上,提取了斑点面积,周长,长轴,短轴等特征参数进行量化。高压电力设备中的紫外线故障。 计算速度快,人机界面友好,操作简单。 使用方便,为未来电力系统高压设备紫外成像检测中的定量分析放电提供了一种新方法。
OpenCV简介
OpenCV是一个开源计算机视觉库,专为各种格式的视频图像的帧提取和图像处理的特定应用而开发。 它具有强大的图像处理功能,使用C / C 语言编写,可以在多个操作系统上运行。 同时为其他软件提供其他接口。OpenCV主体分为5个模块,其中4个模块如图1所示
图1. OpenCV的基本结构
紫外成像检测
紫外成像检测的原理如图2所示,进入紫外成像仪的光通过分光镜分为可见光信号和紫外光信号。 在通过UV截止滤光器过滤UV信号之后,剩余的UV部分由放大器处理并输入到UV CCD相机。 可见光信号在被放大器处理后输入可见光CCD相机,最后由成像软件系统处理,以叠加紫外光和可见光,形成最终输出放电图像。 从而达到确定故障位置和故障强度的目的。
图2.紫外成像检测原理
图像预处理
由UV成像器产生的合成图像需要在特征提取之前进行预处理。 首先,图像被灰化,二值化,图像分割,小区域清除,轮廓提取和其他预处理,最后获得所需图像。 选择模板作为用于图像增强的3times;3中值滤波器可以有效地去除噪声。 使用整个阈值法 [8] 和联合阈值法对迂回后的图像进行分割。 结果表明,使用联合阈值法分割图像的效果优于整体阈值分割方法,可以提高紫外图像特征参数的提取精度。 并且使用联合阈值算法进行分割,操作速率比整体阈值算法快。
放电区域轮廓提取
当在功率器件中发生放电故障时,由于放电强度和其他原因,一个或多个放电区域可能出现在功率器件上。 多区域轮廓提取算法解决了一次只能提取一个放电区域的问题。 对于有效放电区域,点区域是评估电气设备放电强度的重要参数。 由于UV成像器受环境的影响很大,因此检测到的器件放电点具有不规则的形状。 如果仅提取放电区域参数,则判断高压设备的放电强度并不严格,这可能导致错误判断或错过判断。 因此,本文采用多参数并行方法提取光斑面积,周长,轮廓数,周长,长轴和短轴等状态特征。 并将其作为诊断依据,对故障设备进行分类和识别。 本文采用的放电区轮廓提取流程图如图3所示。
图3.紫外线放电轮廓提取流程图
特征提取
当电力设备无法放电时,光点面积,轮廓数量,周长,长轴和短轴都是反映电气设备放电故障严重程度的重要指标。
(1) 点区域:放电轮廓区域中的像素点数,即像素灰度值的数量为1.计算公式如下:
小号 = Sigma; ( X , 是P ) 1 |
(1) |
(2) 轮廓数量:由噪声和设备参数引起的放电轮廓区域的数量。
(3) 斑点的周长:放电曲线边界处的连续像素数。
(4) 斑点的长轴和短轴。 点的长轴是指通过放电曲线的质心在放电区域边界上的两点之间的最长距离; 短轴是指通过放电曲线的质心在放电区域的边界上的两个点之间的最短距离。
实验结果与分析
图4显示了由500kV变电站捕获的UV放电图像。 该图像的像素为640,480。环境温度为30°C,湿度为40%,风速为1m / s,UV成像仪型号为CoroCAM 6D。
图4.电力设备的紫外图像。
多区域轮廓提取算法用于提取分割的灰度图像放电区域,如图5(a)所示。 提取的有效放电区域不仅具有清晰的轮廓,而且不会丢失主要特征参数,即,一次提取多个放电区域。 使用有效放电区域作为模板,原始UV光谱匹配并融合,如图5(b)所示。 可以看出,所提取的放电区域的形状和尺寸与图像的实际轮廓非常一致,并且可以在有效消除噪声的同时尽可能地保持原始放电区域图像的尺寸和形状。
(a)清除小区域的图像 (b)提取排放区边界
图5.放电区域的提取。
为了检测电气设备放电严重程度的准确性和可靠性,使用连续的10帧图像来检测故障点的放电严重程度。
(a) (b) (c) (d) (e) (f) (g) (h) (i) (j)
图6.连续10帧的电晕放电现象。
如图6所示,处理10连续处理图像作为一组。 通过对10幅图像的分析和统计,最大放电点面积MaxS 1 ,最小放电点面积MinS 2 ,平均放电点面积AvgS 3 ,最大周长MaxL 1 ,最小周长MinL 2 和平均周长AvgL 3 分析。 最大长轴Maxa 1 ,次长轴Mina 2 ,平均长轴Avga 3 ,最大短轴Maxb 1 ,最小短轴Minb 2 ,平均短轴Avgb 3 ,轮廓数量和其他特征参数。
表1.部分特征提取结果。
prameter |
MaxS1 |
MinS2 |
AvgS1 |
MaxL1 |
MaxL2 |
AvgL3 |
Maxa1 |
Mina2 |
Avga3 |
Maxb1 |
Minb2 |
Avgb3 |
p |
1 |
1170.5 |
488.5 |
743.9 |
318.7 |
157.7 |
202.7 |
60 |
37 |
44.3 |
37 |
29 |
33.7 |
1 |
2 |
465.5 |
208.1 |
357.7 |
127.1 |
82.4 |
110.4 |
36 |
21 |
29.7 |
30 |
19 |
25.4 |
3 |
3 |
621.5 |
258.1 |
419.9 |
256.3 |
128.8 |
174.6 |
69 |
39 |
49.3 |
53 |
30 |
38.2 |
2 |
从表1可以看出,使用OpenCV图像处理功能可以有效地提取上述两个点区域的图像参数,从而实现高压设备放电强度的定量分析。
摘要
基于光子数参数的实际检测存在某些缺陷。 针对高压设备表面放电的紫外图像特征,本文采用数字图像处理算法对图像进行灰度分割,划分阈值,消除小面积区域,提取轮廓。 VC 编写了一个相关程序,通过调用OpenCV函数实现了上述图像处理算法。 该软件具有友好的人机界面,易于使用。 实际测试结果表明上述算法是有效的。
承认
该研究得到了国家自然科学基金(61107081),地方高校能力
以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。