買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜湖南奕坤科技有限公司申請的專利基于計算機視覺的電柜故障快速檢測方法、裝置及系統(tǒng)獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN117726875B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-05-13發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202311772401.4，技術(shù)領(lǐng)域涉及：G06V10/764；該發(fā)明授權(quán)基于計算機視覺的電柜故障快速檢測方法、裝置及系統(tǒng)是由危新;趙衛(wèi)國;殷慧;危歡設(shè)計研發(fā)完成，并于2023-12-21向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于計算機視覺的電柜故障快速檢測方法、裝置及系統(tǒng)在說明書摘要公布了：本發(fā)明公開了基于計算機視覺的電柜故障快速檢測方法、裝置及系統(tǒng)，所述裝置，包括圖像采集模塊、噪聲分離模塊、故障區(qū)域標(biāo)記模塊、最優(yōu)閾值確定模塊、故障區(qū)域確定模塊、連通區(qū)域分割模塊、真實故障區(qū)域判定模塊、模型訓(xùn)練模塊和故障檢測模塊。本發(fā)明屬于電柜故障檢測技術(shù)領(lǐng)域，具體是指基于計算機視覺的電柜故障快速檢測方法、裝置及系統(tǒng)，本方案能夠快速有效地將高頻條紋噪聲和低頻熱輻射噪聲從紅外圖像中分離出來，有效地提高了紅外圖像的質(zhì)量，從而適用于對圖像質(zhì)量和處理速度都有嚴(yán)格要求的場合，同時，本方案能夠準(zhǔn)確定位故障區(qū)域，且通用性極高，從而極大地提高了故障檢測的準(zhǔn)確率和效率。

本發(fā)明授權(quán)基于計算機視覺的電柜故障快速檢測方法、裝置及系統(tǒng)在權(quán)利要求書中公布了：1.基于計算機視覺的電柜故障快速檢測方法，其特征在于，包括：步驟S1：圖像采集，并構(gòu)建圖像數(shù)據(jù)集，具體為，采集各種類別的配電柜內(nèi)部紅外圖像，并利用配電柜內(nèi)部紅外圖像和配電柜內(nèi)部紅外圖像的類別構(gòu)建配電柜內(nèi)部紅外圖像數(shù)據(jù)集；步驟S2：噪聲分離，具體為，將高頻條紋噪聲和低頻熱輻射噪聲從配電柜內(nèi)部紅外圖像數(shù)據(jù)集中的配電柜內(nèi)部紅外圖像中分離，得到剔除高頻條紋噪聲和低頻熱輻射噪聲的紅外圖像；步驟S3：故障區(qū)域標(biāo)記，具體為，將剔除高頻條紋噪聲和低頻熱輻射噪聲的紅外圖像轉(zhuǎn)換為HSV顏色空間圖像，對HSV顏色空間圖像進行聚類操作和歸一化操作，并將滿足約束條件的像素點標(biāo)記為故障區(qū)域像素點，得到HSV顏色空間故障圖像；步驟S4：確定最優(yōu)閾值，具體為，通過OTSU算法確定HSV顏色空間故障圖像的V通道的最優(yōu)閾值；步驟S5：確定故障區(qū)域，具體為，根據(jù)最優(yōu)閾值進行二值化處理，得到二值V通道圖像，對二值V通道圖像進行形態(tài)學(xué)的閉運算，得到故障區(qū)域；步驟S6：連通區(qū)域分割，具體為，通過連通組件分析算法將二值V通道圖像分割成多個連通區(qū)域；步驟S7：真實故障區(qū)域判定，具體為，遍歷每個的連通區(qū)域，若連通區(qū)域與故障區(qū)域的交集面積大于0.8倍的故障區(qū)域的面積，則將該連通區(qū)域設(shè)置真實故障區(qū)域，得到真實故障區(qū)域圖像，根據(jù)真實故障區(qū)域圖像和真實故障區(qū)域圖像的類別構(gòu)建真實故障區(qū)域圖像數(shù)據(jù)集；步驟S8：模型訓(xùn)練，具體為，將真實故障區(qū)域圖像數(shù)據(jù)集輸入至引入殘差網(wǎng)絡(luò)結(jié)構(gòu)的R-FCN網(wǎng)絡(luò)模型進行訓(xùn)練，得到故障檢測模型；所述引入殘差網(wǎng)絡(luò)結(jié)構(gòu)的R-FCN網(wǎng)絡(luò)模型包括預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)、全卷積網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)結(jié)構(gòu)、ROI池化層、分類層和回歸層；所述預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)提取輸入的真實故障區(qū)域圖像數(shù)據(jù)集的特征圖，并將特征圖發(fā)送至全卷積網(wǎng)絡(luò)；所述全卷積網(wǎng)絡(luò)通過引入殘差網(wǎng)絡(luò)結(jié)構(gòu)，將特征圖轉(zhuǎn)換為密集的類別分?jǐn)?shù)圖和位置回歸圖，將密集的類別分?jǐn)?shù)圖發(fā)送至分類層，將位置回歸圖發(fā)送至回歸層；所述全卷積網(wǎng)絡(luò)通過在特征圖上滑動一個固定大小的窗口來生成若干個ROI，所述ROI為感興趣區(qū)域；所述ROI池化層對ROI進行映射，得到池化后的ROI特征圖，并將池化后的ROI特征圖發(fā)送至并行的分類層和回歸層；所述分類層和所述回歸層均為全連接層，所述分類層輸出每個ROI屬于不同類別的概率分布和真實標(biāo)簽；所述回歸層輸出每個ROI的邊界框坐標(biāo)調(diào)整和真實標(biāo)簽；步驟S9：故障檢測，具體為，通過故障檢測模型進行故障檢測，得到故障類型、故障等級和故障位置；在步驟S2中，所述噪聲分離的步驟，包括：步驟S21：分離高頻條紋噪聲；步驟S22：分離低頻熱輻射噪聲；在步驟S21中，所述分離高頻條紋噪聲的步驟，包括：步驟S211：對配電柜內(nèi)部紅外圖像進行二維離散小波變換，具體為，通過數(shù)字濾波器和下采樣器實現(xiàn)二維離散小波變換，并通過多次迭代得到包含低頻分量和高頻分量的近似圖像和詳細圖像；步驟S212：計算小波系數(shù)，具體為，根據(jù)包含低頻分量和高頻分量的近似圖像和詳細圖像，計算小波變換的每個尺度空間中的垂直分量的小波系數(shù)、水平分量的小波系數(shù)和對角線分量的小波系數(shù)，所述小波變換的每個尺度空間中的垂直分量的小波系數(shù)、水平分量的小波系數(shù)和對角線分量的小波系數(shù)的計算公式為： ； ； ；式中，、和分別表示小波變換的第j個尺度空間中的垂直分量的小波系數(shù)、水平分量的小波系數(shù)和對角線分量的小波系數(shù)，M表示圖像的行數(shù)，N表示圖像的列數(shù)，m表示圖像的行索引，n表示圖像的列索引，表示對圖像的所有像素點進行求和操作，表示第j層尺度空間的前一層尺度空間的近似圖像，、和分別表示小波變換的第j個尺度空間中的垂直分量的小波函數(shù)、水平分量的小波函數(shù)和對角線分量的小波函數(shù)；步驟S213：根據(jù)小波系數(shù)分離出高頻條紋噪聲，具體為，根據(jù)小波變換的每個尺度空間中的垂直分量的小波系數(shù)、水平分量的小波系數(shù)和對角線分量的小波系數(shù)，采用聚類分析算法對高頻條紋噪聲進行分離，得到剔除高頻條紋噪聲的紅外圖像；在步驟S213中，所述根據(jù)小波系數(shù)分離出高頻條紋噪聲的步驟，包括：步驟S2131：根據(jù)小波變換的每個尺度空間中的垂直分量的小波系數(shù)、水平分量的小波系數(shù)和對角線分量的小波系數(shù)進行聚類，將相似的小波系數(shù)歸為同一類別，得到聚類結(jié)果；步驟S2132：根據(jù)聚類結(jié)果，提取出屬于高頻條紋噪聲的小波系數(shù)，得到高頻條紋噪聲圖像；步驟S2133：將配電柜內(nèi)部紅外圖像與高頻條紋噪聲圖像進行相減操作，得到剔除高頻條紋噪聲的紅外圖像；在步驟S22中，所述分離低頻熱輻射噪聲的步驟，包括：步驟S221：對剔除高頻條紋噪聲的紅外圖像進行小波域變換，得到低頻分量；步驟S222：通過貝塞爾曲面擬合算法對低頻分量進行近似估計，得到貝塞爾曲面；步驟S223：引入噪聲強度系數(shù)，并根據(jù)貝塞爾曲面構(gòu)建校正模型，所述校正模型的公式為： ；式中，b表示校正后的圖像，表示噪聲強度系數(shù)，表示乘法運算，表示貝塞爾曲面；步驟S224：計算噪聲強度系數(shù)，具體為，通過最小化能量函數(shù)確定噪聲強度系數(shù)，所述噪聲強度系數(shù)的計算公式為： ； ；式中，表示噪聲強度系數(shù)，表示的能量函數(shù)，表示最小化的能量函數(shù)，b表示校正后的圖像，mean表示計算圖像每列的平均值，得到一維數(shù)組，std表示計算一維數(shù)組的標(biāo)準(zhǔn)差，表示計算圖像的梯度，I表示剔除高頻條紋噪聲的紅外圖像；步驟S225：在范圍內(nèi)，采用步長為0.1的直接搜索方法，得到最優(yōu)的噪聲強度系數(shù)；步驟S226：將最優(yōu)的噪聲強度系數(shù)代入校正模型，以剔除低頻熱輻射噪聲，得到剔除高頻條紋噪聲和低頻熱輻射噪聲的紅外圖像。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人湖南奕坤科技有限公司，其通訊地址為：412007 湖南省株洲市天元區(qū)馬家河街道仙月環(huán)路899號新馬動力創(chuàng)新園6.1期5棟202廠房；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。