一种基于边缘计算的母线热缺陷图像识别与温度补偿方法与流程

摘要: 本发明属于电力设备状态监测、边缘计算及机器视觉测温,具体涉及一种在边缘侧完成图像处理的母线热缺陷智能识别与温度补偿校正方法,主要适用于变电站母线、接线端子、母排...
一种基于边缘计算的母线热缺陷图像识别与温度补偿方法与流程

本发明属于电力设备状态监测、边缘计算及机器视觉测温,具体涉及一种在边缘侧完成图像处理的母线热缺陷智能识别与温度补偿校正方法,主要适用于变电站母线、接线端子、母排接头等电力设备的红外测温监测与热缺陷预警场景。

背景技术:

1、现阶段,电力母线普遍采用红外测温方式监测设备发热缺陷。红外测温结果易受设备发射率、测温距离、环境温度等外界参数影响,固定参数测温模式无法适配变电站复杂现场环境,测温误差大、数据失真,难以真实反映母线实际温升状态。

2、在现有技术中,专利文献 cn114356892a 公开了一种基于深度学习的电力设备红外热像缺陷检测方法,采用 yolov5 网络对红外热图像中的设备区域进行目标检测,并将检测到的区域上传至云端服务器进行温度分析和缺陷判定。该方案虽提升了目标检测的准确率,但其全部处理流程依赖云端算力,存在以下缺陷:(1)红外原始图像需经光纤或 4g网络上传至云端,数据传输延迟通常在秒级,无法满足变电站母线设备毫秒级实时预警需求;(2)云端集中处理模式下,大量无效背景数据(柜体、线缆、杂物等)混入计算流程,增加了不必要的带宽占用和计算开销。

3、此外,专利文献 cn116776543a 公开了一种基于边缘计算的红外测温补偿方法,在边缘侧对红外测温数据进行环境温度补偿计算。该方案虽将部分计算下沉至边缘侧,但仍采用固定发射率参数和单一环境温度补偿模型,既未将测温距离衰减纳入补偿模型,也未对测温区域作任何空间上的锁定,柜体、线缆等背景辐射必然混入测温数据;同时该方案未公开补偿系数的完整标定过程,本领域技术人员无法据此复现完整的补偿流程。

4、同时,受柜体、线缆、现场杂物等复杂背景干扰,现有方案无法精准锁定母线核心测温区域,大量无效数据混入计算流程,降低了母线热缺陷识别的准确率与可靠性,难以满足电力设备精细化、实时化运维监测的需求。

技术实现思路

1、发明目的

2、本发明目的在于克服现有技术的不足,提供一种基于边缘计算的母线热缺陷图像识别与温度补偿方法,解决传统方案测温误差大、云端处理时延高、复杂背景下目标识别不准的技术问题;将图像识别、目标区域锁定、温度补偿、缺陷判定全部部署在边缘终端,就地完成“采集—处理—分析—预警”,不依赖云端算力。

3、与现有技术相比,本发明针对母线监测场景中的两项特定技术障碍提出解决方案:一是变电站现场拍摄距离在 0.5m~5m 范围内大幅变化,加之柜体、线缆、杂物等复杂背景干扰,使母线端子在红外图像中呈现显著的多尺度与小目标特性,难以稳定锁定核心测温区域;二是红外测温结果同时受设备发射率、测温距离、环境温度三类因素共同影响,固定参数模式无法适配现场工况。

4、为此,本发明采用如下设计:(1)在骨干网络的第 3、5、7、9 层提取特征图,经上采样与逐元素相加完成多尺度融合,并在多尺度融合特征图上实施目标检测,使网络能够适配母线端子在不同拍摄距离和角度下的尺度变化;(2)将目标识别输出的边界框作为温度测量的空间约束,仅以 roi 覆盖区域内的原始测温值作为补偿模型的输入,从而排除背景辐射对测温结果的污染;(3)建立同时容纳环境温度偏差、测温距离衰减、发射率修正的线性经验修正模型,其系数由现场标定试验一次性拟合得到。上述(2)与(3)构成“识别—定位—测温—判定”的就地闭环:roi 锁定为温度补偿提供准确的测温区域,温度补偿为缺陷判定提供可靠的温度依据,二者在边缘终端内串联完成。

5、技术方案

6、为实现上述目的,本发明采用如下技术方案:

7、一种基于边缘计算的母线热缺陷图像识别与温度补偿方法,包括如下步骤:

8、s1、边缘侧红外图像采集与预处理:在母线监测现场通过红外图像传感器采集母线红外热图像,将原始红外图像传输至边缘终端;边缘终端本地完成图像降噪、灰度均衡、像素归一化预处理,得到预处理后红外图像;其中,红外图像传感器输出的原始单通道温度数据经伪彩色编码(如 ironbow 调色板)映射为三通道图像后参与后续处理;图像预处理全部在边缘侧完成,原始图像无需上传云端。

9、s2、基于轻量化 cnn 卷积神经网络实现母线端子识别及 roi 自动锁定:将尺寸为 224×224×3 的预处理后红外图像输入轻量化卷积神经网络;所述轻量化卷积神经网络为在 mobilenetv2 基础上改进得到的轻量化骨干网络,骨干网络包含 9 层卷积层,其中第 4 层卷积层和第 7 层卷积层之后分别增设 se 注意力模块;骨干网络下方配置 fpn多尺度特征融合层,fpn 多尺度特征融合层分别从骨干网络的第 3、5、7、9 层提取多尺度特征图,经上采样、逐元素相加完成特征融合,得到多尺度融合特征图;在每一尺度的融合特征图上分别设置检测头,所述检测头包括并行设置的分类分支与回归分支,分别输出该尺度下各空间位置的目标类别置信度与边界框坐标;各尺度输出的检测结果经非极大值抑制融合,得到母线端子的目标类别以及边界框坐标;依据边界框坐标生成感兴趣区域 roi,自动框选母线端子核心测温区域,屏蔽柜体、冗余线缆、环境遮挡等无效背景区域。

10、s3、多环境参数的动态温度补偿修正:边缘终端同步获取环境温度传感器采集的现场环境温度、测距模块输出的测温距离,读取母线设备固有发射率参数;取所述 roi 覆盖区域内红外温度数据的特征温度作为原始测温值 traw;以所述原始测温值 traw 为输入,构建线性经验修正模型;所述线性经验修正模型引入环境温度偏差系数、测温距离衰减系数、发射率修正系数,对原始测温数据作统一校正,输出经过补偿后的母线真实温度数据。

11、s4、边缘侧就地完成母线热缺陷判定与预警输出:将补偿后真实温度与预设母线安全温升阈值、温差阈值做比对,边缘终端就地判断母线是否发生过热、异常温升热缺陷;当判定存在热缺陷时,实时输出监测结果以及预警信号,实现毫秒级就地预警。

12、进一步地,步骤 s2 中轻量化卷积神经网络训练方式为:采集海量变电站现场母线接头、端子红外样本数据集,对样本做标注,划分训练集、验证集、测试集,在本地或云端完成网络训练,训练完成后将模型部署至边缘终端。

13、进一步地,步骤 s3 中,所述原始测温值 traw 的提取方式为:取所述 roi 覆盖区域内温度最高的前 5% 像素的温度均值;相较于直接取所述 roi 覆盖区域内红外温度矩阵的最大值,所述取前 5% 像素温度均值的方式能够抑制红外温度矩阵中的孤立噪点与瞬时干扰对原始测温值的影响,提高原始测温值的稳定性与复现性。

14、进一步地,步骤 s3 所述动态温度修正模型,修正计算逻辑为:

15、treal = f(traw, kt, kd, ke)

16、式中,treal 为补偿后真实温度;traw 为 roi 区域内的原始测温值;kt 为环境温度偏差系数;kd 为测温距离衰减系数;ke 为发射率修正系数;各系数通过以下现场标定试验获取,所述现场标定试验的具体步骤为:

17、(1)在变电站现场选取已知温度的标准热源(如恒温加热块),将标准热源分别置于距被测母线设备不同已知距离 d1、d2、d3 处(对应测距模块的标准输出值);

18、(2)在每种距离下,调节环境温度至不同设定值 t_env1、t_env2、t_env3(覆盖现场可能出现的温度范围),记录红外传感器在 roi 区域内输出的原始测温值 traw 及标准热源的真实温度 tstd;

19、(3)基于采集的多组 (traw, tstd, δt, d) 数据,对公式 treal = traw×ke×(1+kt×δt+kd/d) 中的系数 kt、kd、ke 进行拟合;考虑到该式对 kt、kd、ke 整体呈非线性,引入中间变量 a = ke、b = ke·kt、c = ke·kd,将其转化为关于三个特征项 [traw,traw·δt, traw/d] 的线性回归模型,通过最小二乘法一次性求解 a、b、c,再由 ke = a、kt = b/a、kd = c/a 还原得到三个系数,使残差平方和 σ(tstd − traw×ke×(1+kt×δt+kd/d))² 达到最小;

20、(4)由于上述转化后的模型对待求参数线性,其最小二乘解具有唯一闭式解,标定结果不依赖参数初值、标定顺序或迭代路径,同组数据可稳定复现;将求得的 kt、kd、ke 系数存储至边缘终端的本地配置文件中,供实时推理直接调用。

21、进一步地,上述修正模型为工程线性经验模型。需要指出的是,红外辐射测温的物理基础为斯特凡-玻尔兹曼定律,即辐射出射度与热力学温度的四次方成正比;因此,在代入上述公式进行运算时,应将 traw 与 t_env 统一换算为热力学温度(单位:k)后参与加、乘运算,所得 treal 再减去 273.15 换算为摄氏度输出,δt 为换算后的热力学温度偏差。经上述处理后,公式中 kt 的量纲为 1/k、kd 的量纲为米(m)、ke 为无量纲的发射率修正系数,各项量纲一致,拟合与求解过程不变。式中 kd/d 项用于一阶近似表征测温距离增大所引起的大气透射衰减,以及目标未完全填充传感器视场时背景辐射混入所产生的综合效应,在 0.5m~5m 的近距离监测范围内具有足够的拟合精度。

22、进一步地,步骤 s4 中,所述预警信号包含:设备编号、roi 位置坐标、原始测温值、补偿后温度、环境参数、缺陷等级信息。

23、进一步地,所述边缘终端不向云端上传原始红外图像,仅选择性上传识别结果、补偿温度、告警事件。

24、本发明同时提供一种基于边缘计算的母线热缺陷监测系统,用于实现前述方法,包括:红外图像传感器、环境温度传感器、测距模块、边缘计算终端;边缘计算终端内置轻量化 cnn 网络推理模块、roi 锁定模块、温度补偿计算模块、缺陷判定及告警输出模块。

25、本发明还提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述基于边缘计算的母线热缺陷图像识别与温度补偿方法。

26、有益效果

27、与现有技术相比,本发明具有如下有益效果:

28、第一,本发明采用全边缘侧本地化处理架构,图像采集、预处理、目标识别、roi 锁定、温度补偿、缺陷判定全部在边缘终端完成,无需依赖云端大算力,规避云端传输带来的时延、数据丢失风险,满足变电站设备毫秒级实时监测预警需求。

29、第二,采用改进的 mobilenetv2 轻量化卷积神经网络,增设 se 注意力模块以及fpn 多尺度特征融合层,并在多尺度融合特征图上实施检测,适配边缘终端低算力硬件条件;能够在复杂变电站背景中精准识别母线端子,自动生成 roi 测温区域,剔除无效背景干扰,提升热缺陷识别准确率。

30、第三,构建同时容纳环境温度、测温距离、设备发射率三类影响因子的线性温度修正模型,针对红外测温的多源干扰作统一校正;该模型经变量代换后可转化为线性回归问题,其系数由现场标定试验一次性闭式求解,标定结果唯一、可复现、不依赖初值与标定顺序,克服了现有固定发射率与单一环境温度补偿方式误差偏大的不足,获得更贴近设备工况的真实温度数据。

31、第四,本发明兼顾识别精度、测温精度与实时性,可提前排查母线过热隐患,保障变电站母线设备安全稳定运行,适配电力智能化精细化运维发展需要。

32、第五,本发明中 roi 锁定与温度补偿构成不可替代的就地闭环。需要指出的是,温度补偿模型所能修正的仅是发射率、测温距离、环境温度引入的参数性偏差;若未作 roi锁定而直接在整幅红外图像上取温,或 roi 未能准确覆盖母线端子,致使柜体、线缆或遮挡物的辐射混入测温区域,则原始测温值 traw 本身已发生对象性偏离——此类偏差属于“测错了被测对象”,其量值远大于参数性偏差,且无法通过任何温度补偿模型予以消除。反之,若仅有精确 roi 而不做补偿,则环境、距离与发射率引入的偏差仍然存在。因此,roi 锁定与温度补偿在本方法中互为前提、不可相互替代,二者在边缘终端内串联形成闭环,其组合效果优于任一环节单独实施的效果。