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。     

基于红外检测的变电站设备热状态诊断

提出了一种基于红外检测的变电站设备热状态诊断方案。首先基于变电站设备的红外图像,采用局部方差映射函数和遗传算法阈值提取了变电站设备的热状态数据,以用于对异常区域进行分割。然后构建了红外图像灰度数与变电站设备温度两者之间的关系。最后采用改进的相对温差法达到了对设备热状态进行分类和诊断的目标,并捕获定位了变电站设备的热状态异常区域。实验结果表明,该方法提高了异常热区提取的精度和效率,提升了变电站设备热状态诊断的容错能力,进一步保证了变电站和整个电力系统的运行稳定性。     

基于改进RBFNN的变电站设备红外温度预测方法

<正>为了能够准确地获取变电站敞开式设备的表面温度信息,准确定位热异常区域并以此确定设备运行状态,提出了一种变电站设备红外温度预测方法。采用量子遗传(QGA)-正交最小二乘算法(OLS)优化了径向基神经网络(RBFNN),通过将红外热像图像素与温度作为该神经网络的输入和输出量,建立了从红外图像获取设备温度的理论模型。结合同一场景的红外图像与可见光图像配准技术,即可直接从可见光图像上获取对应位置的红外温度     

基于智能视觉物联网的变电站红外监测系统

变电站电力设备故障导致大面积停电时会造成巨大的经济损失和社会影响。根据电力设备故障会产生温度异常的特点,提出一种基于智能视觉物联网的变电站红外监测系统。该系统通过无线组网实现远程监控,对设备发热异常进行实时报警。利用基于空间位置约束和方向约束的红外图像与可见光图像配准方法实现异常发热区域的精确定位。对异常发热区域和温度较高区域打上视觉标签,分析温度变化情况,预防故障的发生和升级。实验结果表明,该系统能够准确、实时地检测和定位设备温度异常区域,对温度过高区域进行持续监测并对故障进行预警,为变电站设备异常监测提供了可靠保证。     

红外测温在变电站远程图像监控系统中的实现

电力设备的热效应是引发变电站多种故障和异常的重要原因。为了加强对无人值守变电站的全貌监视，尤其是对其电力设备温度的在线实时监控，构建了具有红外测温功能的远程图像监控系统，实现了过热设备的报警联动。文章从红外测温技术、红外测温在图像监控中的实现两方面展开论述，介绍了该系统的技术原理与实现方法。     

基于大数据的带电设备红外图像存储与预处理

随着红外设备在电力设备在线监测中的广泛应用,各类红外图像数据不断激增.传统基于文件系统的存储方式已经无法满足快速检索以及高效处理的需求.基于Hadoop大数据平台结合HBase非关系型数据库创建了一套高效的存储、检索以及预处理框架.介绍了对提高红外图像的存储、检索和图像预处理效率,以及为红外图像的模式自动识别和红外图像设备故障自动诊断提供了必要的技术支撑.     

基于卷积递归网络的电流互感器红外故障图像诊断

电力大数据中日益增多的非结构化数据为以人工诊断为主的传统处理方式提出了新的挑战。红外故障图像作为一种典型的非结构化数据,对于电力大数据的研究有着至关重要的作用。为了达到自动处理海量红外故障图像的目的,提出了一种基于卷积递归网络的电流互感器红外故障图像诊断方法。对红外故障图像首先进行超像素分割并利用其色度信息提取温度异常区域;然后采用两级联合卷积-递归神经网络,对大量样本信息进行训练学习来指导设备故障部位识别;最后依据部位信息对故障进行分类。实验结果表明,该算法鲁棒性较强,准确性较高,有效地提高了红外检测效率,为非结构化数据的特征提取分析提供了坚实的基础。     

基于双重背景分离及自适应网格的电压致热型设备红外图像状态分析

针对发热量小、温度变化范围窄的电压致热型设备故障红外图像难以识辨的难题,提出一种基于双重背景分离及自适应网格划分的电压致热型设备红外图像运行状态分析方法。以电流互感器套管红外图像为例,首先提出红外图像双重背景分离及部件区域提取算法,即基于RGB和HSV颜色空间特点,转换红外图像颜色空间,分离出第一层背景区域。接着将Ostu算法与Hough变换相结合,提出基于Hough变换的Ostu改进算法,实现背景的第二重分离,得到部件区域。之后,导入红外图像温度,运用自适应网格方法划分部件区域,获得每一网格平均温度,提取温度特征向量,比较待分析图像与正常图像获取温差值,以此判断设备运行状态。最后,通过案例分析验证算法的有效性。同时,对避雷器本体、电压互感器电容单元、断路器支柱等电压致热型设备进行分析,说明算法具有良好的扩展性。     

一种电力设备红外诊断算法的研究与实现

针对红外测温只能发现设备异常,无法准确诊断设备故障的问题。设计了一套基于案例推理技术的电力设备红外诊断方法。将电力企业现有的红外图谱和设备故障内外部温度变化规律建成案例库,依据空间向量的夹角余弦法求解同红外测温异常数据最相似的以往案例,实现测温现场的设备故障诊断。     

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.     

基于超像素图像分割的变电设备故障诊断研究

红外图像是电力大数据中一种典型的非结构化数据,对变电设备的故障诊断有着至关重要的作用。利用SLIC超像素图像分割技术对变电设备红外图像进行分割,通过HSV颜色空间转换后,动态地设定色调(H)阈值,提取出发热故障区域。实验表明,所采用方法能准确快速地提取变电设备发热故障区域,提高了红外图片的分析效率。     

基于无人机红外视频的输电线路发热缺陷智能诊断技术

以无人机搭载的红外传感器获取的视频为数据源,研究了基于红外图像的电力设备异常发热检测,实现了输电线故障缺陷位置的自动诊断和定位。首先从红外视频中抽取红外序列图像帧并对抽取的红外图像进行自动拼接和帧间差分,进而确定输电线的主方向,并对输电线区域进行定位;然后根据红外图像和输电线故障诊断标准对提取的输电线进行故障诊断,最终实现了输电线故障的定位和自动诊断。实践证明该方法具有较高的自动化程度和效率。     

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...     

基于Faster RCNN变电设备红外图像缺陷识别方法

变电设备红外检测能够及时有效的发现设备过热缺陷,预防设备故障的发生。传统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,而目前红外图像缺陷识别大都基于传统机器学习算法,识别准确率低、泛化能力差,因此本文提出了基于深度学习的变电设备红外缺陷识别方法。首先基于Faster RCNN算法对变压器、套管、断路器等七种变电设备进行目标检测,实现设备的精准定位、识别,然后基于温度阈值判别法对设备区域进行缺陷识别。使用现场采集红外图像进行测试,七种设备检测平均精度均值达到90. 61%,缺陷识别准确率达到81. 33%,实验结果表明本文方法的有效性和准确性。     

基于温度概率密度的变电站高压设备故障热红外图像识别方法

针对变电站高压设备故障热红外图像的识别问题,提出一种基于温度概率密度特性的识别方法.首先,使用核函数估计实现对红外图像温度概率密度函数的提取;其次,根据热红外图像中的温度分布与背景组成所对应的物理特性,实现检测对象的初步分类;最后,基于温度概率密度进行先验分类的基础使用K均值聚类方法对热红外图像中故障部分进行提取.研究...     

氧化锌避雷器温度异常的红外诊断分析方法

红外带电测温技术的应用大大提高了对设备健康状况的诊断正确性,随着红外测温仪精度的提高,氧化锌避雷器电压致热的微小的温差可能被发现。通过发现和处理六安供电公司110kV城东变电站618线路W相氧化锌避雷器温度异常,对红外诊断设备异常评价方法进行了分析阐述,并对此项方法进行讨论。     

基于Mask-RCNN算法的复合绝缘子串红外图像分割与温度读取

红外成像可以快速发现复合绝缘子异常温升,从而实现缺陷检测。为了解决复合绝缘子红外检测中人工诊断时间成本高、效率低、背景干扰多的问题,文中提出了基于Mask-RCNN的温升绝缘子自动检测方法。首先使用Mask-RCNN对红外图像数据进行学习训练,进而对其中的绝缘子目标进行识别检测和图像分割。在智能分割之后,通过识别图中的温度范围数据并将绝缘子区域图像灰度与之比对,得到了绝缘子的温度信息,用于绝缘子异常发热故障的诊断。实验研究表明:在对南方某市绝缘子红外测温图像的自动识别中,Mask-RCNN有着优异的表现,能够运用于在巡线工作中,可以有效减轻人工处理数据的压力,对于提升推进智能巡线的智能化水平、保障输电线路安全运行有着重要的意义。     

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。     

基于智能监测终端的可见光与红外图像配准融合方法

针对可见光图像与红外图像分辨率差异大和色彩差异大的问题,提出一种基于亚像素优化和局部强度特征不变描述的可见光和红外图像配准算法,从有限离散剪切波变换、迭代配准以及配准点领域亚像素优化方面对新方法进行分析,并通过实际应用证明新方法可以实现可见光与红外图像准确配准与融合分析,快速准确地定位设备过热点。