买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明提供一种基于图像处理的电力设备监测方法及系统，属于电力设备监测技术领域，所述方法步骤如下：在电力设备处布设摄像头、红外相机和监控服务器；通过摄像头和红外相机采集电力设备正常运行与故障两种状态的图像；监控服务器对采集的图像进行处理后，形成样本数据，训练故障监测神经网络模型，并将模型布设在监控服务器；监控服务器接收摄像头和红外相机采集电力设备实时的图像，对图像处理后输入故障监测神经网络模型进行故障识别，向远端的电力调度中心发送。本发明通过摄像头、红外相机及监控服务器实现电力设备故障的自动识别，无需运维人员进行现场巡检，提升了运维效率的同时，减少了安全事故。

主权项：1.一种基于图像处理的电力设备监测方法，其特征在于，包括如下步骤：S1.预先在电力设备处布设摄像头、红外相机和监控服务器；S2.预先通过摄像头和红外相机采集电力设备正常运行与故障两种状态的图像，提供给监控服务器；摄像头采集设备图像，红外相机采集红外图像；S3.监控服务器对采集的图像进行处理后，形成样本数据，再通过样本数据训练故障监测神经网络模型，并将训练好的故障监测神经网络模型布设在监控服务器；步骤S3具体步骤如下：S31.监控服务器对接收的各巡检点的红外图像进行分析，记录设备正常温度时的红外图像和设备故障温度时的红外图像；S32.监控服务器对接收的各巡检点的设备图像进行均值滤波后，划分为不同设备部分，再对各设备部分提取特征后，形成样本数据；S33.预先在监控服务器搭建卷积神经网络模型，再通过正向标签和反向标签的样本数据对卷积神经网络模型进行训练，得到对应模型参数后生成故障监测神经网络模型；步骤S33具体步骤如下：S331.在监控服务器设置深度学习框架，并构建卷积神经网络模型，初始化模型参数以及设置激励函数；S332.选取相同比例的正向标签和反向标签的样本数据对卷积神经网络模型进行训练，基于深度学习框架进行迭代，并通过预设的损失函数计算每次迭代的损失，直至损失小于设定阈值，结束迭代；其中，为正常运行时的设备图像和红外图像设置正向标签，为故障时的设备图像和红外图像设置反向标签；S333.将最终模型参数代入卷积神经网络模型，得到故障监测神经网络模型，通过剩余的样本数据对故障监测神经网络进行测试，计算准确率，并在准确率符合要求时，结束训练，而在准确率不符合要求时，返回步骤S332重新训练；S34.将设备正常温度时红外温度图像、设备故障温度时的红外图像以及训练好的故障监测神经网络模型布设在监控服务器；S4.监控服务器接收摄像头和红外相机采集电力设备实时的图像，对采集的实时图像处理后输入故障监测神经网络模型进行故障识别，并将识别的故障数据向远端的电力调度中心发送；步骤S4具体步骤如下：S41.通过摄像头采集子区域内各巡检点实时的设备图像，以及通过红外相机采集子区域内各巡检点实时的红外图像，并将实时的设备图像和红外图像提供给监控服务器；S42.监控服务器将实时的红外图像与设备正常温度时的红外图像和设备故障温度时的红外图像分别进行比对；若实时的红外图像与设备正常温度时的红外图像相似度超过阈值，则判定对应巡检点设备温度正常；若实时的红外图像与设备故障温度时的红外图像相似度超过阈值，则判定对应巡检点设备温度异常；S43.监控服务器对接收的实时的设备图像进行均值滤波后，划分为不同设备部分，再对各部分提取特征后输入训练好的故障检测神经网络模型中；S44.故障检测神经网络模型对巡检点设备状态进行预测；S45.将预测结果向远端的电力调度中心发送，并将预测结果作为标签对实时的设备图像进行标注，再使用标注后的实时的设备图像的特征对故障检测神经网络模型进行更新；步骤S42中，对将实时的红外图像与设备正常温度时的红外图像和设备故障温度时的红外图像进行比对前，先进行预处理，预处理具体步骤如下：将三种红外图像分别进行归一化处理；使用OpenCV图像处理库计算归一化后三种红外图像的直方图，分别作为实时温度直方图、正常温度直方图和故障温度直方图；计算实时温度直方图与正常温度直方图的点积及范数，并在计算结果为1时，判定为实时的红外图像温度与设备正常温度时的红外图像相同，以及在计算结果为-1时，判定为实时的红外图像温度与设备正常时的红外图像不同；计算实时温度值直方图与故障温度直方图的点积及范数，并在计算结果为1时，判定为实时的红外图像温度与设备故障温度时的红外图像相同，以及在计算结果为-1时，判定为实时的红外图像温度与设备故障时的红外图像不同。

权利要求：

百度查询： 国网山东省电力公司滨州市沾化区供电公司 一种基于图像处理的电力设备监测方法及系统