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...     

全景红外测温智能诊断巡视仪的研究

电网无人值守变电站站点多,网架复杂,含有大量电力设备,而电力设备发热故障是最常见的运行故障. 目前,变电站设备发热缺陷主要依托手持式红外测温仪发现,但人工判别过程繁琐,并存在不能实现智能诊断、易造成漏测等问题.设计了全景红外测温智能诊断巡视仪,其包含红外热成像系统、智能终端部分和热图像数据库分析平台.该巡视仪能够实现故障自动诊断、定位和预警,为电力巡检提供了新方案.     

变电站红外热成像测温在线监控系统的构建及应用

目前,变电设备的红外热成像检测和诊断基本上还停留在便携式红外人工巡检和后台计算机离线处理上,无法实现全天候实时热状态远程监控和分析。提出了运用红外热成像技术、红外测温技术、变电设备智能识别技术、网络传输技术等建立变电站红外测温在线监控系统的新思路。研究和应用结果表明,该系统很好地实现了红外测温的实时远程监控和智能分析诊断。     

输变电设备红外故障诊断技术与试验研究

研究了一种基于红外热像仪的高压电力设备故障监测的方法。进行了电气设备故障红外热像仪测量原理的研究,设计了关于电气设备故障分析的相对温差判断方法,设计了一款电气红外故障识别软件,软件对导入的红外图片中的异常点进行全方位扫描,根据相对温差判断法,判断设备故障与否,并反馈故障信息。最后,进行了电气设备故障模拟试验,通过软件对电流互感器和电压互感器的故障自动诊断。结果表明研究的故障诊断技术实现了设备红外故障自动分析功能,提高了电力设备检测的工作效率,有助于电网的安全运行。     

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。     

红外检测技术在变电站热故障检测中的应用

基于红外检测与热成像原理,利用红外热像仪对变电站设备进行图像或视频的采集,采用高德红外图像分析系统通进行处理与分析,实现对发热故障点的检测,并通过对变电站的实例分析,进一步验证其检测的准确性.     

基于红外热成像多人体识别的智能监控系统

本文介绍了红外热成像的原理及特点,对复杂背景下的多人体红外热图像的识别、计数和相关特征值提取的研究进行概述。主要采用边缘检测和模板匹配算法对红外热图像进行处理,运用高级语言Visual C＋＋进行人机界面、信息管理和网络通讯功能的设计,开发了一套基于红外热成像的智能监控系统。     

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。     

基于Faster R-CNN的绝缘子识别探索和应用

基于可见光图像的绝缘子识别是电网智能巡检设备识别的最重要的任务之一。电网智能巡检采集的图片存在着有效样本稀缺及场景多样性等问题,极大地限制了深度学习等技术在电网设备智能识别上的应用。本文基于深度学习对轻量级的多来源图像样本数据进行了绝缘子识别的探索和应用。首先,阐述了基于深度学习的目标识别算法发展过程,并着重介绍和对比了区域卷积神经网络(region-convolutional neural network,R-CNN)、快速区域卷积神经网络(fast region-convolutional neural network,Fast R-CNN)和更快区域卷积神经网络(faster region-convolutional neural netw ork,Faster R-CNN) 3种用于目标识别的深度学习模型。然后,通过对来源于不同场景的百量级绝缘子图像进行实验,验证了Faster R-CNN模型在百量级图像中和可用性和鲁棒性。本文的研究和实验为深度学习技术在电网各类设备图像目标识别上的推广和应用探索了一条有效路径。     

基于知识蒸馏的GIS关键组件红外特征识别与温变特性提取

针对气体绝缘组合电器(Gas Insulated Switchgear, GIS)红外热成像巡检缺乏对关键组件的红外特征实时识别功能、温变特性的提取缺乏针对性和易受干扰等不足，提出了一种基于知识蒸馏的轻量化改进GIS红外目标检测和温变特征提取算法。通过Mosaic和Mixup策略对变电站实际采集到的图片进行数据增强预处理，构建了3200条包含水平母线、垂直母线、互感器、断路器和隔离开关的GIS红外图谱数据集；采用YOLOX-s作为教师检测器，YOLOX-tiny作为学生检测器，使用教师网络模型指导学生网络模型进行知识蒸馏训练，进一步从整体上提升知识迁移的性能，实现对GIS不同组件的轻量化目标识别，在数据集上的测试结果表明明显优于其他目标检测算法，所提出的算法模型参数仅为19M,在上位机终端的识别速度可达29.5fps,同时保持了的82.3%的识别准确率；并采用灰阶差值算法进一步实现了对识别出的GIS组件的温度特征提取和分析。结果表明，本文所提出的算法可便于实现对智能红外终端的轻量化部署和集成，为提高GIS红外热成像巡检智能化水平和内部过热缺陷的诊断可靠性提供了一种有效方法。     

一种基于红外图像的电缆终端异常发热自动诊断方法

为提高电缆终端异常发热的自动诊断水平,降低对人工诊断的过分依赖,提出一种基于红外图像分析的电缆终端异常发热自动诊断方法。该方法首先利用最大类间方差法确定灰度化图像的灰度阈值,实现图像背景滤除;其次利用Canny算法提取前景图像中的边缘信息,识别出目标对象电缆终端;接着采用k-means聚类算法对电缆终端进行分割,提取疑似过热区域;然后基于过热区域构造模板,并采用模板匹配方法从参考相中匹配出参考区域;最后计算过热区域与参考区域的温度特征信息,依据相关诊断标准得到诊断结果。案例分析结果表明,该方法能从背景复杂的红外图像中识别出电缆终端,定位过热区域与参考区域,实现对异常发热现象的自动诊断,具有实际工程应用价值。     

基于输电线路在线巡视系统的智能预警系统研究

以提高输电线路安全性和可靠性为目的,研究基于输电线路在线巡视系统的智能预警系统的原理。一种新的在线巡视系统采用可视监控、红外成像等技术,通过逐塔配置来替代人工巡视功能,并结合OPGW光电分离和EPON通信新技术实现海量数据的传输,在此基础上构建采用分级结构的智能预警系统。第一级位于杆塔终端主机,通过杆塔就地监测信息对输电线路的故障或异常状态进行初步判断,如利用图像差分等方法;第二级位于后台主机系统,通过系统建模与综合分析精确判断输电线路故障类型,如模糊评判方法。该智能预警系统的运用,可有效实现输电线路及其设备故障异常的智能识别。     

带电检测技术在避雷器状态诊断中的综合应用

介绍红外热成像结合阻性电流带电检测技术成功诊断MOA缺陷的一次典型案例。针对避雷器阻性电流检测时发现的其阻性分量比正常避雷器阻性分量约大4倍的情况,通过红外热成像检测到避雷器存在局部异常发热,综合两者确定避雷器存在故障并及时更换故障避雷器,对故障避雷器进行停电电气试验并解体检查,使检测结论得到验证。案例表明红外热成像技术结合阻性电流带电检测能准确诊断避雷器状态。     

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-FCN)实现对故障区域的定位和运行状态的识别,并且使用OpenCV对该故障区域的运行状态进行二次诊断,以进一步降低误报率.最后通过测试分析,改进后的R-FCN网络对高压引线接头红外图像故障诊断的平均精度达到了80.76％,比原R-FCN网络提升了8.43％.