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;其次,利用比色条和温度极值拟合出图像灰度与实际温度的函数关系,以此计算出红外图像中设备热点的温度;最后,对以上结果和故障诊断规范进行软件封装,实现了故障的自动诊断。实验结果表明:该软件设备分类准确率达到95.7%,计算所得热点温度与实际温度的误差均值为-0.29%,所提出方法和软件有效提高了电力设备红外图像故障诊断效率,为变电站智能巡检提供了新思路。