基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进行训练以解决图像集样本数量较少的问题.实验结果表明,在样本数量较少的情况下,所提方法可以达到满意的检测准确率,并能快速地实现变电设备的识别和定位.     

基于旋转目标检测的变电设备红外图像电压致热型缺陷智能诊断方法

传统红外人工诊断方法难以应对变电站机器人、无人机自主巡检产生的海量红外图片,目前针对电流致热型缺陷较易识别,但缺少危害严重的电压致热型缺陷智能诊断方法研究,提出了一种基于旋转目标检测的变电设备电压致热型缺陷智能诊断方法。基于改进R3Det模型对瓷套进行旋转目标检测,基于Faster RCNN模型对红外图像中三相区域、套管、电流互感器等变电设备区域进行识别、定位;通过自动关联包含在三相区域中的同类设备,计算同类设备温差;基于温差阈值法进行电压致热型缺陷诊断。使用现场采集红外图像进行训练和测试,结果表明:目标检测平均精度均值为90.65%,电压过热型缺陷识别准确率达到81.39%,误报率为9.62%,实验结果证明所提方法能够有效地从红外图像中自动识别电压致热型缺陷,可为实现机器巡检作业红外诊断智能化奠定基础。     

基于Faster R-CNN算法的变电站 设备识别与缺陷检测技术研究

变电站作为电力运输的中转站,是城市运转,人民生活的重要基础设施。变电站在运行过程中,经常发生由于位置偏僻,不支持机器人和无人机直接进行探测而造成的设备运作温度检测不及时的问题。传统的变电站设备缺陷识别算法是基于机器学习算法,精确度低,只适合单个设备类别的缺陷检测,易受到环境影响。基于此,文中出一种改进的识别变电站设备红外缺陷方法。首先,基于Faster R-CNN的目标设备检测,对6种类型的变电站设备包括套管、绝缘体、电线、电压互感器、避雷针和断路器进行目标检测,以实现设备的精确定位;然后,基于稀疏表示分类（SRC）来识别不同的类,因此可以获得输入样本的实际标签;最后,基于温度阈值判别式算法,在设备区域中识别温度异常缺陷。文中算法实现了在红外线图像下的设备识别和检测,使用文中算法对6类设备的红外图像进行检测,准确率达到91.58%,不同类型设备的缺陷识别率为97.63%,缺陷识别准确率达到87.62%。实验结果表明该方法的有效性和准确性。     

基于全局注意力机制的变电设备红外图像识别方法

常规的变电设备红外图像识别特征提取以目标标点提取为主,识别速度慢,容易导致红外图像的缺陷误识率升高。为此,提出对基于全局注意力机制的变电设备红外图像识别方法的设计与验证分析。根据当前识别需求,先采集红外图像数据,通过多尺度的方式,提高识别速度,进行多尺度特征提取。以此为基础,设计全局注意力机制变电设备红外图像识别模型,采用阈值辅助判别的方式来实现图像识别。测试结果表明：在选定的3个阶段中,对比的2种辅助方法对红外图像的缺陷误识率均高达15%以上,而所设计的全局注意力机制变电设备红外图像识别组误识率被较好地控制在10%以下,说明此次在全局注意力机制的辅助下,设计的图像识别方法针对性更强,识别效率高,更为高效。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息.人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判.采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别...     

结构化矩阵分解的网状织物缺陷检测方法

针对在网状织物缺陷检测过程中因纹理复杂造成误检问题,提出了一种结构化矩阵分解的网状织物缺陷检测方法。首先,通过Retinex算法对图像进行增强,利用所提取的底层图像特征生成特征矩阵,并将其分解为含有织物图像背景信息的低秩矩阵和含有缺陷信息的稀疏矩阵;其次,引入了高级先验矩阵和索引树两个部分,通过利用增强后图像进行获取,并对两个部分进行特征融合,实现缺陷显著性增强。通过计算稀疏矩阵的值,获得缺陷的显著性的大小;最后,通过最佳阈值分割算法分割缺陷显著图,从而得到缺陷检测结果。利用公开数据集TILDA和BASLER工业相机采集到的网状织物缺陷图像验证了算法的性能。研究表明,与其他算法相比,本文算法的识别准确率达到94.25%,召回率达到92.48%,分类准确率达到90.12%。     

基于低分辨率红外阵列传感器的人体身份和动作识别

本文针对人体身份及动作识别的问题,提出一种基于低分辨率红外阵列传感器并使用卷积神经网络进行分类识别的方法,这种方法可以识别出人的身份和跌倒、坐下以及行走动作。本文使用的卷积神经网络是基于VGGNet搭建的,由输入层、5层卷积层、3层池化层、1层全连接层和输出层构成,自动提取红外热图像中的信息特征,对身份及动作进行分类,在良好的隐私保护下避免了繁琐的人工提取特征。经过实验测试,卷积神经网络算法识别动作平均准确率为93.3%,其中行走识别准确率达到100%,坐下识别准确率为90%,跌倒识别准确率为90%,身份识别准确率为96.7%。     

软包装锂离子电池的表面凸点缺陷检测

软包装锂离子电池铝塑膜外包装凹凸不平且存在反光现象,表面图像的凸点缺陷辨识度低,传统方法很难进行准确识别。分析软包装锂离子电池凸点缺陷图像特征及视觉检测系统,在频域上对图像采用高斯滤波器进行预处理,以达到去除噪声和对缺陷区域图像增强的效果。用逆傅里叶变换将图像从频域转回空间域,最后将处理后的图像导入基于语义分割方法的深度学习模型,进行凸点缺陷检测。对400组缺陷样本进行测试,结果表明：所提方法对软包装锂离子电池缺陷检测的准确率达到95.75%;而未经频域图像增强方法处理的检验准确率仅为44.00%。检测结果准确率得到提高,说明该方法能对软包装锂离子电池表面图像的低辨识度凸点缺陷进行检测,具有一定的实用价值。     

采用CT域HMT模型的变电设备红外和可见光图像融合

将变电设备的红外图像和可见光图像融合可大大提高热故障定位的准确度。鉴于小波变换缺乏方向信息,且不能为2维图像提供理想的稀疏表达,同时考虑到边缘特征在图像融合中的重要性,提出了一种基于轮廓波变换(contourlet transform,CT)域隐马尔可夫树(hidden Markov tree,HMT)模型的红外和可见光图像融合算法。利用所提出的算法,完成了某500kV变电站设备的红外和可见光图像融合。融合结果表明,该算法由于采用期望最大(expectation maximization,EM)算法对CT分解得到的高频系数进行HMT建模且设计了一种利用Canny算子进行边缘检测的融合规则,所以可在保留更多细节信息的同时,能得到更加光滑细腻的融合图像;融合结果的均值、标准差、平均梯度和信息熵等统计指标均有明显改善。该算法为变电设备的智能检测与识别提供了量化依据和指导。     

基于改进YOLOv4的GIS红外特征识别与温度提取方法

对气体绝缘开关设备(gas insulated switchgear,GIS)典型部件的目标识别和温度提取是实现对设备发热状态红外智能检测的关键。文中提出一种基于混合域注意力机制(convolutional block attention module,CBAM)的改进YOLOv4算法,可实现对GIS母线、隔离开关等部件的快速目标检测和热点温度提取。首先,在某变电站现场采集原始红外图像,对图像进行锐化处理和部位标记,构建包含GIS典型部件的红外数据集。然后,利用深度可分离卷积网络降低模型参数量,并融入CBAM优化模型的识别能力,在此基础上构建基于改进YOLOv4的GIS红外部件目标快速检测算法。最后,采用灰阶差值方法对检测到的GIS典型目标部件进行热区温度值提取。结果表明,所提算法在GIS红外特征数据集上可以达到每秒31.5帧的识别速度和82.3%的识别准确率,明显优于其他目标算法,且GIS各部件的温升计算值与实测值误差在±1℃内。该算法可部署在无人机和巡检小车等边缘智能终端,实现对现场GIS设备温升状态的精细化识别和快速诊断,提升GIS设备健康状态管理数字化和智能化水平。     

基于深度学习的电力设备铭牌文本识别

电力设备铭牌包含丰富的设备信息,通过图文识别技术获取设备铭牌信息,可更加高效快捷地完成电力设备的信息统计、台帐校核等工作,也有利于提高电力系统的设备管理水平。针对电力设备铭牌与普通图像文本识别差异较大的特殊应用场景,文中提出一种基于深度学习的电力设备铭牌信息自动识别算法。该算法由铭牌检测、文本检测、文本识别三部分组成。通过改进损失函数设计、增加文本识别结果纠正、人工合成文本图像等方式,使得铭牌检测模型在测试集上的平均精度均值达到92.2%,文本检测模型在测试集上的F₁值达到91.2%,文本识别模型的字符识别准确率达到94.0%,文本行识别准确率达到82.3%。     

基于实例分割+CCTV排水管道缺陷检测方法研究

当前排水管道检测普遍采用CCTV管道闭路电视检测系统,但系统在缺陷判断过程存在人工参与度高,检测效率低、主观误差大等问题。本文提出一种基于实例分割算法结合CCTV排水管道缺陷检测方法,采用CCTV检测系统采集管道图像,基于Mask R-CNN卷积神经网络排水管道缺陷实例分割检测,对破裂、变形、腐蚀、沉积、障碍物、树根缺陷进行检测分类,并对其中破裂缺陷进行检测评级。实验结果表明,本文方法现场实验缺陷检测准确率达到了100%,现场实验破裂缺陷检测高阶分类准确度达到100%,表现出较好检测性能。     

基于深度学习的输变电设备异常发热点红外图片目标检测方法

随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用,大量输变电设备红外异常发热故障的红外图片需要人工定期进行评估诊断,亟待需要智能算法对图片进行智能诊断。当前经典的机器学习算法难以有效识别输变电设备红外图像故障异常发热点。基于人工智能深度学习理论,本文采用了深度学习算法体系中基于区域建议网络的Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。本文以红外热成像仪采集到的输变电设备发热故障图像库为基础,对数据集进行人工标注包围框,通过交替训练构建网络共享参数,构建输变电设备异常发热红外智能检测模型。所描述的方法为输变电设备红外热成像智能检测提供了新思路。     

基于红外热成像技术的变电设备热故障识别方法

针对现有的识别方法故障缺陷判断能力差、故障识别准确程度低,研究基于红外热成像技术的变电设备热故障识别方法。以普朗克黑体辐射为技术基础进行红外测温获得红外热图像,对现场采集到的图像进行预处理。运用多尺度特征融合对故障特征进行提取,通过相同倍数缩放进行归一化,得到向量机样本数据。设定最优分类函数,将空间的样本数据映射到高维度的空间内进行非线性变化得到对样本数据的最优分类。运用核函数在约束条件下进行识别,判断故障的危险等级从而得到识别结果。实验结果表明,套管在三相发热异常为紧急故障,达到了紧急故障的标准,构成缺陷,识别判断正确。经过5次测试,故障识别准确程度均在80%以上,结果符合预期,达到了精准识别变电设备的热故障的效果。     

基于红外图像目标检测与温度特征提取的变压器套管发热缺陷识别

针对变压器套管发热缺陷人工检测方法效率低下的问题，设计基于红外图像目标检测与温度特征提取的变压器套管发热缺陷诊断系统，以实现发热缺陷的自动诊断。首先，采用YOLOX目标检测模型对红外图像中不同电压等级套管进行分类识别，使用结合Mish激活函数的快速空间金字塔池化(spatial pyramid pooling-fast, SPPF)结构替换主干特征提取网络的空间金字塔池化(spatial pyramid pooling, SPP)结构，并在特征融合网络中添加高效通道注意力(efficient channel attention, ECA)模块以提高检测准确率；其次，设定所检测套管电压等级类别，根据预测框信息对同电压等级套管进行定位裁剪；最后对套管图像做加权均值法灰度化处理并进行区域划分，提取不同区域温度特征信息进行发热缺陷诊断，并以报表形式展示。实验结果表明：目标检测模型识别准确率达到98.41%,模型对图像的平均检测速度达到46.80帧/s,所设计系统能准确诊断出变压器套管发热缺陷，提高缺陷检测效率。     

基于深度学习的配电网线路设备缺陷智能检测

无人机配电线路巡检已经广泛开展应用,线路设备缺陷人工识别过程复杂、工作量较大等问题仍然存在。为了提高作业效率,根据无人机发展现状,对现有数据进行深入挖掘,利用标记系统对数据进行处理,再利用深度学习算法实现配电网无人机自动巡检、缺陷自动研判。该算法是基于残差双尺度检测器的巡检目标智能检测,优势在于可识别两种规格尺寸的目标对象,相比于传统的双阶段目标检测方案,其运行速度更快,更适合在终端资源受限设备中运行。目前该算法已达到95%的准确率。     

基于改进Centernet的变电设备红外检测方法

变电站红外图像中小目标众多并且环境复杂,导致现有检测算法精度较低,因此本文提出一种基于改进Centernet的变电设备红外检测方法。首先以Centernet作为基础模型,将FPN结构引入上采样网络以充分利用小目标特征信息,从而解决小目标难以被精确检测的问题;然后,为提升网络在复杂环境中检测的鲁棒性,通过在主干网络resnet50中嵌入注意力机制来提升网络对重要目标的关注;最后,采用CIOU损失替换中心点偏移损失和宽高损失的训练策略以加速网络收敛、提升训练效果。实验结果表明,本文方法在小目标检测和复杂环境检测中都能有较好的检测效果,检测精度相比改进前提升3.1%,达到92.7%,相比Faster R-CNN等现有方法精度更高,在变电设备红外检测中具有一定参考价值。     

面向架空线路的无人机带电无损探伤系统的研究与应用

针对目前输电线路金具压接工艺、质量检测方法准确率低且特征分辨率弱,传统探伤技术受限于设备的体积、对碳纤维导线和钢芯铝绞线适用性等问题,研制一种基于无人机的架空线路 X 光带电无损探伤系统。对压接金具在服役过程中各类缺陷的形成机理进行分析,建立关键设备状态评价体系,在此基础上,提出无人机X光带电无损探伤检测模型,采用遥感图像采集技术实现探伤图像采集,对采集的架空线路线夹遥感图像进行高斯滤波降噪处理。基于边缘检测图像分割算法对降噪输出的探伤图像进行故障缺陷分区,实现缺陷精准识别、故障定位。实验结果表明,研制的无人机带电无损探伤系统损伤检测的特征分辨能力较强,同时具备主动减振、电磁防护特性,对架空线路本体及附属设备缺陷的精益化管控具有重要意义。     

基于小波增强与Canny算法融合的锂电池极片缺陷检测方法

针对目前锂电池极片表面存在亮度不均、低对比度微小缺陷难以检测的问题,提出了一种基于小波增强与Canny算法融合的锂电池极片缺陷检测方法。首先使用K-近邻均值滤波抑制图像背景噪声,然后基于小波变换分别采用线性调整和多尺度细节增强方法处理图像的低高频分量,进行图像增强,接着利用PSO-OTSU算法自适应获取增强后图像的最佳高低阈值,最后利用哈夫检测法连接边缘点。通过测试漏金属、亮点、划痕、孔洞等缺陷各700张图片,定量分析比较了3种算法的准确率,实验结果表明,相对于其他两种算法,本文算法可以较好地保留缺陷边缘细节,检测低对比度微小缺陷,提取精确完整的缺陷轮廓,检测准确率达97.85%,具有一定的实用价值。     

基于改进SSD的变压器套管红外图像油位智能识别方法

为解决现有基于红外图像识别变压器套管油位存在的过于依赖温度信息、人工处理效率低下等问题,文中结合目标检测技术提出了一种基于改进单次检测器(SSD)的套管智能油位识别方法。通过引入SSD目标检测方法,检测红外图像中的套管区域,加入损失函数以改进SSD算法从而提高套管检测准确率,并进一步通过简单线性迭代聚类(SLIC)的应用实现了不依赖红外图像温度信息的油位检测。对比文中提出的基于红外图像的油位识别算法检测结果与人工油位检测结果,表明文中提出的算法不仅在效率上领先于传统的温度检测方式,且其误差较小,仅为0.08%。对比结果验证了所提算法在保证检测精度的情况下可大幅度提高检测效率,有效提升套管故障诊断效率和智能化水平。