一种基于可见光巡检图像的杂草智能识别方法

目前电力巡检主要是采用无人机巡检的方式,针对无人机巡检获取的图像识别过程中,电力设备旁的杂草可能会造成安全隐患,需要对图像中的杂草进行识别。针对电力巡检的场景,提出了一种基于可见光巡检图像的杂草智能识别方法,以可见光巡检图像中杂草的特征为基础,结合卷积神经网络方法,解决可见光巡检图像中电力设备附近的杂草识别问题。通过对图像进行样本数据增广和预处理,接着引入区域生成网络,再对图像提取固定个数候选框的图像特征,和改进的图像分类网络连接在一起,得到最终的卷积神经网络模型。实验表明其准确率可以达到97.98%,检测一幅600×600大小图像需要花费的平均时间约为0.256 s,在保证了准确率的同时达到了高效识别的要求。     

基于深度学习的航拍光伏板红外图像热斑检测方法研究

针对光伏电站光伏板热斑故障难以检测的问题,结合无人机巡检技术,提出一种基于深度卷积神经网络的光伏板热斑快速检测方法。首先设计了光伏板识别模型,将Yolov4主干特征提取网络替换成轻量级网络MobileNetV2,并将PAnet网络中标准3×3卷积替换为深度可分离卷积,实现了将光伏板快速从红外图像中识别出来。为快速识别热斑并解决光伏板反光噪声问题,将MobileNetV2网络引入DeeplabV3+模型中,改进由于下采样造成的目标缺失,并将交叉熵损失函数修改为Dice损失函数来进一步提高分割精度。试验结果表明,该方法能够准确识别光伏板热斑,光伏板识别准确率为99. 56%,检测速度为22. 1帧/秒。光伏板识别后的热斑分割准确度达到95. 99%,交并比mIou达到85. 58,检测速度为24. 5帧/秒,该方法能够满足光伏板故障检测的需要。     

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MobileNetV3多尺度特征融合的人脸表情识别

针对人脸表情识别中普通卷积神经网络特征提取能力不足且识别效率低下的情况，本文提出了一种基于MobileNetV3多尺度特征融合的人脸表情识别。首先利用MobileNetV3进行特征提取以获得高层次情感信息；其次在骨干网络中借鉴DenseNet结构，增强特征复用并提升网络重要面部特征表达能力；然后利用特征金字塔模块充分获取人脸图像的深层和浅层多尺度融合特征，从而提高了MobileNetV3的特征提取能力和实时性；最后利用全连接层构建分类器对表情进行分类，从而完成了人脸表情识别。通过实验验证，结果表明，在CK+和FERPlus数据集上识别准确率可以达到88.3%和98.8%，与现有方法相比分别提高了2.3%和1.5%，表明了所提方法识别效果好，泛化能力强。     

基于时频谱图和自适应动态权重PSO-CNN的外破振动信号识别

为避免地下电缆遭受破坏，提高振动监测系统对外力破坏的预警能力，提出一种基于时频谱图和自适应动态权重粒子群算法-卷积神经网络(PSO-CNN)的外破振动信号识别方法。首先，将振动传感系统获取的3 000组外破振动信号转化生成为时频谱图数据集，在图像预处理阶段，采用直方图均衡化和二维主成分分析(2D-PCA)算法来增强灰度图像特征并实现图像数据的降维；然后，将图像数据集的70%作为CNN模型的训练集，并在网络训练过程中引入自适应动态惯性权重PSO对CNN模型的卷积层、池化层相关参数进行迭代寻优，从而获得优化PSO-CNN分类模型；最后，利用测试集图像数据对优化PSO-CNN模型的识别性能进行验证，并与其他分类模型进行了对比。结果表明，所提方法对6种常见外破振动信号的识别准确率达到98.33%,平均每张图像的识别时间仅为0.24 s,与其他分类算法相比具有更高的分类精度和更快速的识别速度，为快速准确地识别外力破坏事件类型提供了一种可行方案。     

基于改进YOLOv5n的电力巡检红外图像目标检测算法

热红外图像检测技术在电力巡检中有着非接触、快速等优点,广泛应用于电力设备的监测与诊断,电力巡检红外图像目标检测可以达到快速识别设备发热故障、图像实时处理和降低人工成本的效果。为了保障输电线路的安全与稳定,实时检测输电线路绝缘子与T型线夹的发热故障。本文结合热红外图像的特点,基于YOLOv5n算法改进了网络模型：在原模型中引入Squeeze-and-Excitation注意力机制并且将普通卷积替换为space-to-depth卷积。改进的算法在自制的红外数据集上进行了模型训练与测试,并与其他几个主流的目标检测模型进行了对比评估,结果表明：改进后的模型在对绝缘子和T型线夹的检测精度上分别提升了6.8%和6.3%,且在精度、速度和模型大小上对比YOLOv3-spp和YOLOv3-tiny等模型更具优势,更适用于无人机红外图像下的绝缘子、T型线夹的发热故障识别。     

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。     

红外测温技术与变电站图像监控系统的融合研究与实现

首先基于红外测温原理构建了系统测温模型和温度修正模型;然后根据电力系统实际需求,确定了红外测温仪的性能指标,并依据模型对仪器测温结果进行修正,提高了测温精度;最后针对具体的图像监控系统,提出软硬件实现方案,并对原有系统进行了二次开发,实现了通过图像监控画面选择待测电力设备,并控制站端红外测温仪动作。系统实现简单,成本低廉,具有一定的工程应用价值。     

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...     

基于改进MobileViT网络的番茄叶片病害识别

针对卷积神经网络对番茄叶片型病害分类效果不佳的问题，提出了一种基于改进MobileViT轻量级网络的番茄病害识别方法。首先，删除输入和全局表征层的特征融合，将局部和全局表征层进行特征融合，使局部表征与全局表征更加密切相关；其次，为了避免模型在缩放时参数和FLOPS的大幅增加，在融合块中使用1×1卷积层替换3×3卷积层；然后，还添加了输入与融合块的残差结构，优化了网络模型中的更深层次；最后，将ReLU6激活函数替换成H-Swish激活函数，进一步提高了模型准确率。实验结果表明，改进后的MobileViT模型可以很好地实现番茄病害的识别，平均识别准确率达到99.16%。相较于其它的卷积神经网络模型，具有更高的识别精度。     

基于改进 ResNet18 的干香菇等级识别

为解决干香菇等级识别技术复杂及识别精度不高的问题,提出了一种基于残差神经网络ResNet18的干香菇等级识别方法。首先将传统的ResNet18中Stem的7×7卷积层替换为3个3×3卷积层串联,保证在感受野保持不变的情况下进一步减小计算量;其次针对残差块中线性变换和非线性变换不足的问题,引入融合非对称卷积和h-swish激活函数,增加了模型的复杂性,使其能够进行更深层次的特征学习;最后在ResNet18骨干网络中引入高效通道注意力机制,加强模型提取特征的能力。实验结果表明,改进后的ResNet18网络模型准确度达97.04%,相比ResNet18网络模型方法提升了4.81%,且性能优于VGG16、MobileNetV2、DenseNet121、ResNet34等网络模型方法,可提高干香菇等级的识别精度,单幅图像的检测时间为5.91 ms,对干香菇智能分拣过程中的等级识别具有借鉴意义。     

基于红外传感的配电房变压器高温过热故障识别研究

变压器高温过热故障识别的可靠性是保证变压器使用寿命以及电力系统安全运行的基础,因此提出基于红外测温技术的配电房变压器高温过热故障的识别方法。基础层通过红外测温仪获取变压器温度数据,利用BP神经网络对温度测量结果进行修正后,依据红外辐射原理生成热像图并将其传送至中间层;中间层接收热像图并存储至图像数据库中,将该图像与先验知识库中的图像作对比,检测图像中是否异常;将异常检测结果传送至服务层,服务层通过AlexNet卷积神经网络分类识别变压器的热性故障,并通过客户端显示屏展示故障位置。测试结果表明：该方法温度差值的修正效果良好,当温度标准偏差最大时,变压器测试值与实际值的最大偏差为0.98 ℃,小于1 ℃,能够最大程度地降低温度测量结果与实际温度之间的差值、准确识别出散热异常和出线套管内接点发热等热性故障、清晰展示出变压器的故障位置,其故障的识别精度高达94.6%,远高于传统方法,该系统具有一定的应用价值。     

基于CNN模型的高分辨率遥感图像目标识别

遥感图像目标识别作为当前遥感图像应用领域中的主要研究内容,具有重要的理论意义和广泛的应用价值。近年来,深度学习成为机器学习领域的一个新兴研究方向,卷积神经网络(convolutional neural networks,CNN)是一种得到广泛研究与应用的深度学习模型。提出一种基于CNN模型的光学遥感图像目标识别方法,在传统LeNet-5网络结构的基础上,引入ReLU激活函数代替传统的Sigmoid函数和tanh函数,使用卷积展开技术将卷积运算转换为矩阵乘法,并对网络结构进行调整优化,提高目标识别的准确性和效率。利用Quick Bird上的0.6 m分辨率的遥感图像进行验证,实验结果表明,基于改进的CNN模型的方法可以取得较高的目标识别准确率和效率。     

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。     

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。     

双通道卷积神经网络模型电力设备图像识别方法

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

一种新型无差拍UPQC预测直接控制策略

为解决目前电力设备故障识别系统识别敏感度低的问题，提出基于云计算关联分析的电力设备故障识别模型。利用关联分析法、Model-1故障特征提取法、Copula函数的故障特征分类法，对电力设备故障特征进行提取和分类，将分类后的特征数据随机组成训练集X，并在此基础上获得故障特征优化的二维数据，将Copula函数的输出结果导入优化ID3的井漏类型分类算法中以完成对故障特征的优化，得到电力设备故障特征分类矩阵；利用非对称性卷积层的CNN模型，实现对电力设备多种故障类型的快速识别。实验结果表明：在进行故障准确性检测时，所提方法的故障识别率平均高达87.2%、识别精准率平均高达71.06%；在不同负荷对系统灵敏性影响的测试中，所提方法在任意负荷状态下的故障识别数据计数不低于40次，优于对比方法；在对电力设备匝间短路故障位点的识别性能测试中，所提方法在任意匝间短路故障位点的故障识别数据计数均高于140次，优于对比方法。所提方法的故障识别精确度高、故障位置识别敏感性高，可促进电网安全运行和发展。     

双通道卷积神经网络模型电力设备图像识别

针对传统电力设备图像识别方法精度低、处理能力差的不足,提出一种基于双通道卷积神经网络(CNN)模型和随机森林分类的电力设备图像识别方法。在特征提取方面,双通道CNN模型通过两个独立的CNN模型来提取电力设备的特征;在识别算法方面,借鉴传统机器学习方法的优势,结合随机森林的优点,提出了结合深度学习的随机森林分类方法。最后,利用所提出的双通道CNN模型和随机森林分类方法对各类电力设备的图像进行了分类,实验表明所提出的方法可以有效地应用于各类电力设备的图像识别,并大大改善电力设备图像识别的识别率。     

一例红外测温技术诊断220kV隔离开关过热缺陷

红外测温诊断技术可以及时发现电力设备缺陷,避免故障扩大造成事故。通过对220 kV隔离开关红外测温图谱的分析,诊断造成过热缺陷的原因为动静触头接触不良,现场停电检查证实了分析结论,表明红外测温技术对检测、诊断隔离开关过热缺陷是有效的。     

基于改进MobileNetV3烧结断面火焰图像识别

烧结机尾断面火焰图像蕴含大量与烧结终点相关的特征信息，充分利用烧结火焰图像特征信息进行在线判断烧结终点状态，具有可行性及工程实际意义。针对烧结机尾断面火焰图像特征信息难以提取、识别精度低以及难以满足实时性等问题，提出一种基于改进的MobileNetV3烧结断面火焰图像识别算法。以MobileNetV3作为烧结终点火焰状态特征信息提取的基础模型，引入注意力机制；改进通道注意力结构，减少特征损失提高识别精度；引入空间注意力机制，设计双分支通道空间注意力模块精确捕捉了红火区在烧结断面火焰图像中的位置和内容信息；引入数据增强和余弦退火学习率来提高模型的泛化能力，并采用冻结训练策略加速模型收敛。在烧结火焰数据集上的实验表明，该算法能够充分利用烧结火焰图像中的特征信息，识别准确率达到97.54%，较改进前提高了6.41%。