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。     

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。     

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...     

基于人像识别和感兴趣区域定位的 红外图像测温研究

非接触式温度测量是应对“新冠”、流感等传播性疫情进行大流量防疫筛查的有效手段,可以避免交叉感染的风险,能够实现公共场合的人体体温监测。本文基于YOLOv5和红外相机设计了人像识别及测温系统,使用红外图像进行人脸目标检测,提出了一套依靠人脸及遮挡物的额头区域辅助定位算法。针对人像以及有眼镜、口罩、帽子等遮挡情况构建了数据集,对红外图像的人像识别进行了训练和预测,实现了针对面部感兴趣区域(额头)的精准定位,并通过该定位实现人体测温,采用C#开发了软件界面,实现了对红外图像及其温度的可视化显示与管理。经过实验测试,基于YOLOv5的预测平均准确率为94%,额头区域的辅助定位精度达到97.3%,算法对红外测温效果的影响在±0.15℃以内。系统可长期运行,且对多应用场景具有较好的适用性。     

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ICP算法的变电站设备三维识别方法研究

针对现有变电站设备三维识别方法在实际应用中存在的准确率差和效率低等问题,提出一种结合改进迭代最近点算法和Umeyama算法的变电站设备三维识别方法。通过随机采样一致性算法提取设备平面特征,Umeyama算法在模板库中找出平面特征最相似的几个设备,根据点云曲率特征提取设备点云关键点,再通过改进迭代最近点算法对设备进行识别。通过实验对其性能进行分析。结果表明,所提方法对智能变电站设备进行三维识别有较好的识别准确率和效率,识别准确率为99.50%,平均识别时间为2.07s,有效地提高了三维识别技术的综合性能。     

基于深度学习的高精度晶圆缺陷检测方法研究

为了解决半导体制造领域缺陷检测中出现的检测效率低、错误率高、结果不稳定、成像精度低下导致无法精确地检测出不同种类的缺陷等问题,本文利用定制的CCD工业相机搭配高倍率的光学显微镜采集晶圆表面的扫描图像,结合改进的YOLOv4算法,实现了基于深度学习的高精度晶圆缺陷检测方法。实验表明,对于碳化硅晶圆缺陷,提出的方法模型可以识别各种复杂条件下的不同种类缺陷,具有良好的鲁棒性。对缺陷的平均识别精度达到99.24%,相较于YOLOv4-Tiny和原YOLOv4分别提升10.08%和1.92%。对缺陷的平均每图识别时间达到0.028 3 s,相较于基于Halcon软件方法和OpenCV模板匹配方法分别提升93.42%和90.52%,优于其他常规的晶圆缺陷检测方法,已实现在自主设计的验证系统和应用平台上稳定运行。     

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%。     

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%。     

一种基于FP-growth算法的变电站二次设备缺陷分析方法

为提高监控人员面对设备海量缺陷信息的研判能力,丰富监控人员缺陷处理的技术手段,提出了一种基于FP-growth算法的变电站二次设备缺陷分析方法。利用关联规则挖掘的思想,为智能变电站二次设备建立缺陷模型,并利用FP-growth算法进行了缺陷数据的挖掘和分析,挖掘二次设备、缺陷和缺陷原因的关联规则。通过对国家电网公司真实缺陷数据分析,表明所提方法可以有效发现变电站、二次设备、缺陷性质、缺陷原因等因素之间的关联关系,为二次设备高效管控和运维提供有价值信息。     

远红外测温缺陷管理系统的设计与应用

远红外测温技术在变电站的缺陷检测中发挥着越来越重要的作用，而远红外测温缺陷管理还没有一个实用的系统。为此介绍一种网页形式的在线远红外测温缺陷管理系统，以及它的总体结构，设计思路等。该系统实现了红外测温缺陷网页式查询，并可指导缺陷设备检修。     

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。