[发明专利]一种电气设备金属表面温差检测方法和系统

说明书

本发明公开了一种电气设备金属表面温差检测方法和系统，在参考温度条件下和按预置温升步长升温条件建立电气设备常用的金属材料的电气设备金属表面可见光图像数据集，提取图像中不同温度区域对应像素的RGB像素特征，合并成温差特征数据集，对温差特征数据集进行压缩降维，得到低维温差特征数据集，输入到基于机器学习算法的温差识别模型进行训练，得到训练好的温差识别模型，使用该训练好的温差识别模型对同一电气设备不同区域进行温差检测，解决了现有的对电气设备进行温升故障检测方式存在成本高、测量结果易受到其他红外辐射源的干扰和需要人为对测量结果进行修正，导致应用受到限制的技术问题。

技术领域

本发明涉及电气设备安全检测技术领域，尤其涉及一种电气设备金属表面温差检测方法和系统。

背景技术

在电力系统中，输电、变电、配电设备的大部分缺陷都伴随电气设备某些区域运行温度升高的现象。运行中的电气设备通常需要进行频繁的测温操作，特别是不同相间的温差，倘若任意两相间存在较大温差，则温度较高的一相有大概率存在故障，因此，不同相间的温差是巡检人员尤为关注的巡检项目。

目前对电气设备进行温差检测的方式是使用红外热像仪对电气设备进行温度检测，但是红外热像设备价格昂贵、分辨率低，且测量结果易受到其他红外辐射源的干扰，因此，需要具有丰富的运维经验的巡检人员对测量的结果进行修正，从而限制了其在电气设备温升故障检测中的应用。

发明内容

本发明提供了一种电气设备金属表面温差检测方法和系统，用于解决现有的使用红外热像仪对电气设备进行温升故障检测方式存在成本高、测量结果易受到其他红外辐射源的干扰和需要人为对测量结果进行修正，导致应用受到限制的技术问题。

有鉴于此，本发明第一方面提供了一种电气设备金属表面温差检测方法，包括：

获取电气设备金属表面可见光图像数据集，电气设备金属表面可见光图像数据集包括：参考温度下电气设备金属表面的第一表面图像和在参考温度的基础上依次升高预置温升步长的电气设备金属表面的第二表面图像；

对电气设备金属表面可见光图像数据集中的第一表面图像和第二表面图像进行RGB像素特征提取，得到每个图像中的R分量图像灰度频率分布特征、G分量图像灰度频率分布特征和B分量图像灰度频率分布特征；

将第一表面图像和第二表面图像的R分量图像灰度频率分布特征、G分量图像灰度频率分布特征和B分量图像灰度频率分布特征分别合并，得到由每个第二表面图像分别与第一表面图像的温差特征构成的温差特征数据集，其中，温差特征携带温差标签；

对温差特征数据集中的温差特征数据进行压缩降维，得到由低维温差特征数据构成的低维温差特征数据集；

根据低维温差特征数据集对基于机器学习算法构建的温差识别模型进行训练，得到训练好的温差识别模型；

实时采集待检测电气设备金属表面图像，将待检测电气设备金属表面图像提取低维温差特征，将待检测电气设备金属表面图像的低维温差特征输入到训练好的温差识别模型，得到训练好的温差识别模型输出的温差检测结果。

可选地，电气设备金属表面可见光图像数据集包括：在不同光源亮度下，在参考温度下电气设备金属表面的第一表面图像和在参考温度的基础上依次升高预置温升步长的电气设备金属表面的第二表面图像。

可选地，参考温度的取值为19~25°C中的任意一个值。

可选地，预置温升步长为1°C。

可选地，电气设备金属表面可见光图像数据集包括黄铜材质的电气设备表面图像数据集、铁材质的电气设备表面图像数据集和铝合金材质的电气设备表面图像数据集。

可选地，机器学习算法为K近邻算法、回归树算法、随机森林回归算法和梯度提升回归树算法中的任意一种。