基于迁移学习和红外热成像的金属氧化物避雷器表面污染状态检测方法

金属氧化物避雷器外壳受灰尘、盐、碱等污染物长期沉积的影响，会导致其过早失效，因此，准确地检测金属氧化物避雷器表面的污染状态是非常重要的。基于此，面向饱和积污提出了一种利用红外热成像技术和迁移学习检测金属氧化物避雷器外壳污染严重程度的新方法。该方法通过拍摄不同污染状态下金属氧化物避雷器的红外热图像，经过适当的预处理后，捕获的红外热图像被送入预训练卷积神经网络“ResNet50”进行自动特征提取。提取的深度特征被输入到4个机器学习分类器，即k-最近邻分类器、支持向量机分类器、贝叶斯分类器和随机森林分类器中进行分类。其中，使用随机森林分类器获得了最佳性能。最后，通过仿真分析，结果表明所提方法可精确地感知金属氧化物避雷器表面的污染严重程度。