Инфракрасная диагностика электрооборудования при неблагоприятных погодных условиях.

Актуальность

Инфракрасная диагностика является важнейшей частью системы технической диагностики электрооборудования, обеспечивающей возможность неразрушающего контроля теплового состояния элементов электроустановок без вывода их из эксплуатации. Метод позволяет выявлять дефекты на ранней стадии развития, прогнозировать сроки и объёмы ремонтных мероприятий, а также существенно снижать затраты на обслуживание.

Однако достоверность результатов тепловизионной съёмки существенно снижается при неблагоприятных погодных условиях, в частности при интенсивном солнечном освещении. Воздействие прямого и отражённого солнечного излучения приводит к искажению истинной тепловой картины исследуемого объекта из-за:

Повышенного нагрева поверхности под действием солнечных лучей.

Отражения солнечного излучения, вносящего ложные «горячие» зоны.

Изменения коэффициента излучательной способности поверхности, что особенно существенно для металлических и окрашенных элементов.

Эти факторы делают результаты термографического анализа в дневное время или при прямом освещении часто субъективными и заведомо искаженными. Вследствие этого возникает необходимость разработки методов цифровой обработки тепловизионных изображений, позволяющих компенсировать влияние «засветов» и получать достоверные оценки температурных полей даже при неблагоприятных погодных условиях.

Цель работы

Разработка и реализация методики цифровой обработки тепловизионных изображений, позволяющей повышать достоверность инфракрасной диагностики электрооборудования при воздействии солнечного излучения.

Задачи проекта

1. Разработать алгоритм идентификации и фильтрации зон «засвета» на термографических изображениях.
2. Реализовать программную обработку тепловизионных кадров с применением алгоритмов коррекции температурных полей.
3. Провести верификацию методики на тестовых изображениях с известными «эталонными» температурами.

Методологическая основа

Для минимизации влияния солнечного излучения применён комплекс алгоритмов программной фильтрации и калибровки температурных карт, реализованных на языке Python с использованием различных библиотек, компьютерного зрение и машинного обучения.

Основная идея заключается в автоматическом определении и компенсации бликов (засветов), вызванных отражённым солнечным излучением.
Метод основан на сравнительном анализе цветовых и температурных характеристик пикселей, построении карты температурных значений по шкале тепловизора и коррекции значений в области аномальных «горячих» зон.

Описание алгоритма
1. Считывание и нормализация изображения.
Из кадра FLIR извлекаются визуальные данные и параметры шкалы температур
2. Построение температурной карты.
С помощью автоматического выделения цветовой шкалы. Это позволяет перевести RGB-значения пикселей в оценочные значения температуры.
3. Сегментация объекта.
позволяет выделить объект съёмки, исключая интерфейсные зоны и шкалу.
4. Детектирование засветов (бликов).
Используются критерии — локальная яркость высчитывает процент «засеваний» части от общего объекта.
5. Коррекция температурной карты.
6. Расчёт сводных показателей.
Для оценки достоверности формируется таблица температурных параметров — как для исходного, так и для исправленного кадра.
7. Визуализация результатов

Результаты
Методика прошла тестирование на ряде типовых изображений с заведомыми засветами.
На основе эталонных данных показано, что после коррекции средняя ошибка определения температуры объекта снижается с до ±25 °C до ±3–5 °C, что обеспечивает повышение достоверности диагностики до эксплуатационноприемлемого уровня.
Например, при эталонной температуре объекта 51,7 °C, исходное значение (по засвеченному кадру) составляло ≈ 50,54 °C. Аналогичные результаты достигнуты при обработке других снимков.

Общая концепция проекта
Разрабатываемая технология направлена на создание цифрового программного комплекса для коррекции термографических изображений, искажаемых солнечным излучением.
Проект объединяет направления тепловизионного анализа, цифровой обработки изображений и предиктивной диагностики электрооборудования.
Результат — повышение достоверности тепловизионногоконтроля без дополнительных аппаратных затрат, что делает решение конкурентоспособным и технологически масштабируемым.
Ключевая ценность проекта заключается в автоматизации и интеллектуализации диагностики электроустановок:
алгоритмы автоматически устраняют солнечные «засветы», формируют корректированные температурные карты и позволяют проводить анализ состояния оборудования в любое время суток.


2. Целевые клиенты и пользователи
Сегмент Потребность Потенциал
Энергетические компании (РЭС, ТЭЦ, АЭС) Контроль состояния электрооборудования без вывода из эксплуатации Высокий (массовое применение)
Промышленные предприятия Тепловизионный контроль технологических установок Средний
Аудиторы и сервисные компании Независимая диагностика оборудования Средний
Учебные и научные центры Лабораторное и учебное применение Низкий, но стабильный

3. Элементы бизнес-модели (на основе схемы из изображения)
№1. Ценностное предложение
• Повышение точности ИК-диагностики при любых погодных условиях.
• Исключение ложных температурных аномалий, вызванных солнечным освещением.
• Снижение времени и трудозатрат специалистов.
• Возможность интеграции с тепловизорами FLIR и другими устройствами.
№2. Ключевые ресурсы
• Алгоритмы цифровой фильтрации и машинного зрения.
• База эталонных термограмм для обучения и калибровки.
• Экспертные данные об эмиссионных характеристиках материалов.
• Партнёрские отношения с производителями ИК-оборудования.
№3. Ключевые виды деятельности
• Разработка и тестирование алгоритмов обработки изображений.
• Создание пользовательского интерфейса и ПО.
• Проведение полевых испытаний и калибровок.
• Интеграция в корпоративные системы технической диагностики (SCADA, АСУТП).
№4. Каналы сбыта
• Прямые контракты с энергетическими и сервисными компаниями.
• Партнёрские продажи через поставщиков тепловизионной техники.
• Онлайн-модель (доступ к облачной платформе анализа).
• Консалтинговые и учебные услуги (внедрение, сопровождение).
№5. Потоки доходов
• Продажа лицензий на ПО.
• Подписка на сервис аналитики (модель SaaS).
• Техническое сопровождение и обновления.
• Адаптация под заказчика (интеграция в существующие системы).
№6. Структура издержек
• НИОКР (разработка алгоритмов и база термограмм).
• Тестирование и сертификация.
• Разработка пользовательского интерфейса.
• Поддержка и техническая документация.
№7. Ключевые партнёры
• Производители тепловизоров (FLIR, Testo, Hikmicro).
• Энергетические компании (для пилотных внедрений).

•Демические лаборатории и исследовательские институты.
• Поставщики облачных решений (Azure, Yandex Cloud, AWS).

5. Анализ рисков проекта
Категория риска Описание Вероятность Влияние Меры минимизации
Технический Недостаточная точность фильтрации засветов при изменении освещённости Средняя Высокое Расширение обучающего набора и адаптивная коррекция
Финансовый Недостаток инвестиций на этапе тестирования Средняя Среднее Привлечение партнёров и грантовоефинансирование
Организационный Задержка пилотных испытаний с энергетическими компаниями Низкая Среднее Создание резервного графика испытаний
Рыночный Конкуренция со стороны зарубежных решений Средняя Высокое Ставка на локальную адаптацию и совместимость с отечественными ИК-камерами
Кадровый Недостаток специалистов по ИК-диагностике и обработке изображений Средняя Среднее Подготовка и обучение персонала
Технологический Ошибки в алгоритме коррекции при редких условиях освещения Низкая Среднее Введение модуля самокоррекции на основе машинного обучения

7. Перспективы развития
• Интеграция алгоритмов в мобильные приложения для работы с термокамерами.
• Создание облачной платформы анализа тепловизионных изображений с возможностью загрузки и автоматической коррекции снимков.
• Использование машинного обучения для прогнозирования дефектов на основе скорректированных температурных карт.
• Выход на международный рынок ИК-диагностики с локализацией продукта.

На страницу проекта