[发明专利]避雷器泄漏电流表图像像素清晰度评估方法

说明书

本发明属于变电站远程巡视的技术领域，公开了避雷器泄漏电流表图像像素清晰度评估方法，包括如下步骤：S1、通过采集设备对避雷器泄漏电流表进行图像数据采集；S2、对步骤S1中的图像数据进行清晰度指标部署；S3、计算避雷器泄漏电流表在图像中占据的像素点个数和最小像元密度量以评估图像的清晰度。本发明解决了无人巡检过程中无法对设备图像清晰度进行评估的问题，适用于变电站摄像头的点位设置以及无人巡检。

技术领域

本发明涉及变电站远程巡视的技术领域，尤其涉及避雷器泄漏电流表图像像素清晰度评估方法。

背景技术

变电站中的例行巡检是变电站预防事故发生,确保设备安全、稳定运行的重要手段之一。目前，变电站的巡检任务主要由工作人员完成，每天定时定点巡视检测变电站设备并进行抄表读数。巡检人员需要在高压危险环境下巡视整个变电站的设备，在长时间高强度重复劳动中难以保证巡检任务高质量地完成。

随着国家科技水平和经济水平的高速增长，南方电网和国家电网都相继提出了智能电网的概念。传统的人工巡检方式将逐渐被电力巡检机器人、无人机、摄像头等无人巡检方式所替代，而无人巡检最大的问题即是图像清晰度的问题，因此如何进行有效率的识别成为无人巡检的关键。

发明内容

本发明意在提供避雷器泄漏电流表图像像素清晰度评估方法，以解决无人巡检过程中无法对设备图像清晰度进行评估的问题。

为了实现上述目的，本发明提供如下技术方案：避雷器泄漏电流表图像像素清晰度评估方法，包括如下步骤：

S1、通过采集设备对避雷器泄漏电流表进行图像数据采集；

S2、对步骤S1中的图像数据进行清晰度指标部署；

S3、计算避雷器泄漏电流表在图像中占据的像素点个数和最小像元密度量以评估图像的清晰度。

进一步的，步骤S2的部署方法为：采用深度学习模型，将步骤S1中避雷器泄漏电流表图像放入U2Net模型中，使用语义分割模型，在不同通道上分割出表盘和指针；将环形的表盘展开为矩形的二维图像；将二维图像转换为一维数组，即得刻度盘的刻度数量以及刻度的位置；并且能够定位到指针在刻度盘中的相对位置，即可得到该表盘的百分比数值。

进一步的，步骤S3中像素点个数的计算方法为：

目标成像像素(成像长度*成像宽度)受到目标物大小、测温距离、镜头焦距影响，具体的关系可以用下面公式来描述：

成像长度/焦距＝目标长度/距离(1)

其中，成像长度＝像元大小*像元个数，根据公式1得到下面的距离公式：

距离＝(目标长度*焦距)/(像元大小*像元个数)(2)

最后根据距离公式可以得到物体在照片上的实际像素个数。

进一步的，步骤S3中最小像元密度量为：当像元大小、目标大小、焦距一定时，距离越远，像元个数越少，像素量越低，而图像的清晰度不是与像素量的高低成正比，而是取决于像素密度PPI，因此采用DPI作为参考。

与现有技术方案相比，本发明的有益效果：

本方案根据模型的结果来确定摄像机点位的选取。该研究成果不仅可以为小目标检测提供理论支撑与应用指导，而且还可以实现巡检设备资源的优化配置。同时，降低变电站异常情况所造成的硬件损失，提高变电站巡检的稳定性与可靠性。

附图说明

图1为本发明避雷器泄漏电流表图像像素清晰度评估方法的流程图；

图2为本实施例中110KV侧避雷器、泄露电流表图；

图3为本实施例中35KV侧避雷器、泄露电流表图。

具体实施方式