基于改进YOLOv3的电力设备红外目标检测模型

红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断中,而对设备快速精确地检测定位是实现自动检测与诊断的前提.与普通目标的可见光图像相比,电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原始的YOLOv3模型难以精确定位到目标.针对此问题,该文对YOLOv3模型进...     

基于多头注意力循环卷积神经网络的电力设备缺陷文本分类方法

充分利用历史电力设备缺陷描述文本可对新出现的设备故障进行快速分类,提升运维人员的检修效率,为此针对缺陷描述文本具有复杂语义等特点,提出基于多头注意力循环卷积神经网络(multi-head attention recurrent convolutional neural networks,MAT-RCNN)的电力设备缺陷...     

基于深度卷积神经网络的机电系统故障分类识别方法

随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定.机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难.针对此问题,提出了深度学习的机电系统故障分类识别诊断模型.首先将采集到的关键部位的振...     

基于深度学习的电力设备红外图像故障诊断方法

红外热成像检测技术在变电站中的广泛应用产生了大量红外图像.针对变电站人工故障诊断作业量大、效率低的问题,提出了一种基于MobileNet的设备红外图像自动故障诊断方法,并进行了软件封装.首先,考虑到检测速率需求,构建了基于MobileNet轻量化网络的深度学习电力设备分类模型,并通过迁移学习提高模型训练效率和准确率;其...     

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...     

电力设备的红外诊断方法

电力设备存在缺陷或故障而致使设备温度升高,如是设备长时间高温运行,那么设备的强度、稳定性、导电性和绝缘性能都将受到极大的影响。掌握设备的发热规律及其表面温度场的分布及温升状况,并以此为依据结合设备结构及传导热能的途径,进一步分析各种设备缺陷及故障状态,就能较好地对设备缺陷及故障进行诊断。随着科技的发展,红外诊断法在电力设备缺陷及故障的诊断上具有其他测温技术所不能比拟的优越性。 到目前为止,在电力生产现场运用中,电力设备采用红外诊断缺陷及故障的方法基本上有下列五种方法:     

基于卷积神经网络的轮胎缺陷X光图像分类

轮胎缺陷的类型直接决定着轮胎是否为残次品或废品,对于轮胎定级具有重要参考价值,探索高性能的轮胎缺陷分类方法至关重要.采用卷积神经网络技术,提出一个端到端的图像自动分类算法.首先,从国内某轮胎生产线上通过现场运行的轮胎X光射线缺陷检测系统采集胎侧异物缺陷、胎冠异物缺陷、气泡缺陷、胎冠劈缝、胎侧开根5种最常见缺陷类型和1种正常胎侧图像作为分类目标,并且依据缺陷图像的缺陷尺度,将每幅图像缩放到127×127像素的统一大小;然后,设计含有5个卷积层、3个池化层、3个全连接层的网络结构.最后,用采集的缺陷样本对所设计的深度网络进行训练学习与测试.并将该算法和大量传统分类算法进行实验对比,取得更好的分类效果,平均测试识别率高达96.51％.     

基于卷积神经网络的SAR图像水体提取

基于SAR图像的水体提取在洪涝监测等领域应用广泛.基于阈值分割的水体提取方法容易将山体阴影分类为水体进行错误提取,传统机器学习的分类方法需要人工提取有效的特征,低效耗时.提出了基于卷积神经网络的SAR图像水体提取方法,首先对SAR图像进行分块处理,通过基于图像块的多层卷积操作和池化操作自动学习SAR图像特征,最后利用S...     

基于BEMD的电力设备红外与可见光图像的配准研究

电力设备的红外图像和可见光图像从不同角度反映了设备的状态,对它们进行配准可以提高在线监测的准确性.将2维经验模态分解( BEMD)方法引入到电力设备的红外与可见光图像配准中.通过理论分析得出了基于BEMD的图像配准原理,把图像的配准问题转化成了BEMD分解后子图像的配准问题,并确定了原始图像、趋势图像及2维仿射变换在配...     

基于BEMD的电力设备红外与可见光图像的配准研究

电力设备的红外图像和可见光图像从不同角度反映了设备的状态,对它们进行配准可以提高在线监测的准确性.将2维经验模态分解( BEMD)方法引入到电力设备的红外与可见光图像配准中.通过理论分析得出了基于BEMD的图像配准原理,把图像的配准问题转化成了BEMD分解后子图像的配准问题,并确定了原始图像、趋势图像及2维仿射变换在配准中的关系;基于此原理提出了一种红外与可见光图像配准方法.实验结果表明该方法可取得良好的配准效果,同时也验证了该配准原理的正确性和方法的先进性.     

基于SIFT的电力设备红外/可见光图像配准方法

提出了一种红外与可见光图像的配准方法,该方法将SIFT(Scale Invariant Feature Transform)特征应用于两者自动配准的特征匹配,SIFT特征对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性。实验表明,该方法具有稳定、可靠、快速等特点。     

基于注意力机制的卷积神经网络指针式仪表图像读数识别方法

目前关于指针式仪表图像读数识别的研究大多建立在指针线段检测的基础上,然而该方法流程较多、读数识别效率低.并且仪表图像校准、指针线段拟合等中间过程积累的误差容易使指针倾角偏离真实值.因此从另一角度对基于图像特征映射仪表读数的方法进行了研究,该方法的优势是流程短、效率高.首先构建了融合卷积注意力模块的双路异构卷积神经网络,...     

基于卷积神经网络的电力操作票文字识别方法

为提升电力操作票文字识别的准确度,提出了一种CBTR(基于卷积神经网络的文字识别)方法。首先,基于卷积神经网络学习得到非线性映射函数,提升操作票图像的PSNR(峰值信噪比);然后,基于假想笔画、路径签名与8方向特征构建集成卷积神经网络模型,使用简单平均法计算分类结果,克服手写字体识别难题。最后,选择DLQDF, MCDNN, DeepCNet作为基准方法,使用实际运维检修中操作票图像样本集进行算法验证。结果表明CBTR方法能准确识别操作票图像文字,具有显著的性能优势。     

基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域.在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416...     

基于卷积神经网络的局部放电声音识别研究

针对变压器与中压开关柜传统绝缘状态检测方法依赖人工的问题,本文基于可听声声音识别方法,通过将电力设备放电故障声音与正常工况声音、环境噪声进行混叠制作样本集,以模拟真实电力设备运行环境;对故障声音进行预处理后,使用声谱图提取声音的短时频率、能量分布等特征,构建声谱图数据集,结合改进的卷积神经网络实现对放电故障的检测;通过加入注意力机制,调节指数衰减学习率、数据集样本数量、音频采样率等方式进一步提升网络的精度,最终设计的网络模型识别准确率最高可达99.2%,相比其他检测方法优势明显,可实现对放电故障的在线检测。     

基于卷积神经网络的变压器套管故障红外图像识别方法

作为电力变压器的重要部件,套管的管理与维护对于设备的安全稳定运行起着至关重要的作用。为提升电力设备巡检的智能化水平,文中提出一种基于卷积神经网络的套管故障红外图像识别方法,该方法在特征提取方面具有显著的优势,避免了人为提取描述特征的低效和易误判问题。首先,建立了包含正常、缺油与局部过热3种状态类型的套管红外图像样本库;然后,将规范化处理后的红外图像作为卷积神经网络的输入,搭建了套管故障红外图像识别模型;最后,通过对网络超参数的选取进行实验分析,确定了激活函数种类、池化方法及卷积核数目。针对文中样本库,文中所提模型对套管3种状态类型的分类结果准确率达到96%,相较于SVM算法和BP神经网络算法分别提升约14%和15%,识别性能更为优异。     

基于改进YOLOv7的电力设备红外过热缺陷检测方法

电力设备运行时发生过热缺陷容易引起电气故障,严重威胁电力设备安全运行。为了有效监测电力设备运行状态,提出一种基于改进YOLOv7的电力设备红外过热缺陷检测方法。采用YOLOv7目标检测网络作为基础检测网络,使用CIoU衡量矩形框的损失,同时将原网络的空间金字塔池化-跨阶段局部网络（SPPCSPC）结构替换为快速空间金字塔池化-跨阶段局部网络（SPPFCSPC）结构对模型进行改进,以增大模型感受野并提升对过热缺陷的检测性能。实验结果表明,基于改进YOLOv7的检测方法的准确率达到90.39%、召回率达到78.95%、平均正确率达到89.64%,可为电力设备过热缺陷红外检测提供参考。     

基于优化卷积神经网络的电缆早期故障分类识别

准确识别电缆早期故障是及时消除故障隐患的必要前提。提出基于卷积神经网络的电缆早期故障分类识别的方法,可从含恒定阻抗故障、励磁涌流、电容投切扰动的过电流信号中准确识别电缆早期故障。通过小波变换提取过电流信号特征,构建卷积神经网络,进行训练调整网络参数形成输入特征与类别编码之间的映射关系。为解决训练过拟合和学习效率的问题,通过修正损失函数和采用自适应学习率的方法优化卷积神经网络。仿真结果表明,所提方法能对过电流信号进行有效分类,准确识别电缆早期故障,具有较高的工程应用价值。     

基于改进区域全卷积网络的高压引线接头红外图像特征分析的在线故障诊断方法

随着智能电网建设的不断发展,海量红外图像急剧增加,而传统红外故障检测依靠人工排查或手工提取特征,检测效率低且对人员经验依赖大.为实现对红外图像的高效智能化检测,保障电网安全运行,构建基于红外特征分析的在线故障诊断系统,提出通过改进高压引线接头红外图像的特征提取网络,以提升对小目标的识别性能,然后利用区域全卷积网络(R-...