基于深度学习的电力设备图像识别及应用研究.pdf

该【基于深度学习的电力设备图像识别及应用研究 】是由【青山代下】上传分享，文档一共【4】页，该文档可以免费在线阅读，需要了解更多关于【基于深度学习的电力设备图像识别及应用研究 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。:..基于深度学****的电力设备图像识别及应用研究摘要:针对传统方法对电力设备的图像特征分类不明确,导致得到的图像识别效果不佳,难以保证安全运行的问题,提出了基于深度学****的电力设备图像识别方法。该方法首先提取电力设备图像特征分类伪装因素,然后基于深度学****方法构建网络模型定位错误锚点,通过正负训练标记识别目标区域,从而完成对电力设备图像的识别。实验结果表明,以变压器和电线塔杆作为识别设备测试对象,该方法能在30s内基本完成采集图像的有效识别,可保证电力设备能稳定运行,具有较好的实际应用效果。关键词:深度学****电力设备;图像识别;应用研究引言电力设备的各种缺陷影响了电网的正常运转,严重的缺陷甚至给生产生活带来重大的损失,因此快速准确的设备缺陷检测具有重要意义。电力设备的缺陷根据其应用特点,通常会产生异常发热,因此可以使用红外图像凸显电力设备缺陷,达到全时无接触且不停电的检测优势,但随着自动化水平的提高,电力企业为预防设备缺陷而产生大量的设备关键部位连续拍摄红外图像,这些图像所处背景复杂,且噪声多变,传统机器学****提取的特征对人工先验知识过于依赖,特征的描述力较弱,对复杂背景和多变噪声的鲁棒性较差,较低准确率和低泛化能力难以实时准确的对缺陷检测识别检测,为引,基于深度学****的电力设备红外图像缺陷识别技术研究,成为电力设备缺陷检测的研究热点。1研究目的及意义近年来,随着数码摄像和计算机视觉技术的快速发展和广泛应用,新建的智能变电站以及一些改造的无人值守变电站正逐步采用高清视频监视、红外热像等智能化监测技术手段同时,采用直升机、无人机、机器人等搭载照相(摄:..像)机、红外成像仪等手段实现高效、快速的变电站巡检也得到迅速推广和应用另外,传统的人工巡检也会采集大量的可见光、红外、紫外等检测图像。这些大量的媒体数据流可以有效地提高电力系统生产和管理的智能化水平。但是,现有的图像和视频监控系统仅仅是简单的将这些多媒体数据传输到调度端,不能对这些数据进行智能化分,还需要接收端的工作人员对接收到的数据进行人工分析和识别;不仅如此,人的眼睛长时间工作会疲劳,从而会导致判断结果准确度下降,这严重影响了电力设备运行状态监测自动化的程度同时,图像和视频数据存量巨大、增长速度快且价值密度低,人工检查和识别可能发现一些有用信息,但是效率低下,并且给出的结果存在主观性、模糊性、不完全等问题。因此,对非结构化视频和图像数据进自动分析,从中提取并识别出电力设备,对及时发现设备的运行状况,提高设备运行、维护和管理水平具有十分重要的意义。,图像质量获取的效果状态不佳会影响后续目标的提出和探测。根据不同成像设备对图像本身的影响,在获取的图像之间会存在和原有设备的差异。在提取获取的电力设备特征前,必须对得到的图像进行质量改善,主要分为图像增强和复原两个步骤。从拍摄设备的角度进行分析,每个步骤的关键点是在哪种条件下进行应用。其一是利用飞行设备巡回时,在航线高低程度不对等条件下设备本身会出现振动,使得获取的图像会出现震点,导致部分结构会出现图像模糊及背融合现象。其二是在采集设备周围光线较暗或雾霾天气时,整体的图像获取结果的灰度值和对比度相对较低,使得阴影区域范围过大而无法定位绝缘子和变压器等高光设备外观,增加识别的难度。在提取过程中可将图像本身设置为一个作用域,对图像的线性滤波进行过滤。根据小波变换的窗口固定方法,将图像中的噪声进行集中处理,在超低频次和超高频次的子块中,对噪声图像进行小波转换得到高频数据为零的迭代数据,同时对超低频次数据进行抑制,达到图像灰度的去噪效果。若图像中出现多次高光设备的灰度影响,则可将小波频次转换为均值滤波,在一个像素周围设置多个像素灰值均数代替原有灰度值,通过单位距离到中心半径的距离进行相邻平滑设定,在原始图像的噪:..声灰度转移过程中,相邻四个区域的灰度像素会转为八个区域,即可进行单位距离下的设备特征提取。,利用红外设备将选定的电力设备进行依次扫描,再进行图像数据的正负训练以此标记图像的目标区域。从模型中导入设备的红外图像,通过RN网络层级中的锚框映射区间得出原始图像。,反之则归属至负样本区域,每组数据图像的采集比例需控制在1∶4范围内。在转换过程中测量其与真实目标框区域的交并比值,根据比值数据的大小判定网络层级中的正负训练次数,参照模型中自带的判别策略指标,将每组图像的训练判别按照一定流程进行设定。在标记需识别的目标区域过程中,先要对红外设备扫描出来的图像进行候选区域的划分,根据锚框的前景目标概率比值对RN网络层级进行排序。通过筛选锚框产生的回归向量参数对初步的锚框位置进行改正,在大量生成的候选区域内除最大的极值保留外,剩余的抑制数据比值重新进入候选区域的集合选项。在每个不同的候选集合内进行数次采样,根据候选目标区域内的图像对真实目标进行正负判别,以每组样本数量中的最大目标值为基础,依次对目标框的选值进行排序。,利用专门的热成像设备在日常配电巡检过程中拍摄了大量图像数据,涉及避雷器、刀闸、变压器、熔断器、绝缘子等小尺寸电力设备,共计收集了8500幅红外图像,其中,输电线铁塔有500幅图像,变压器、绝缘子、输电线电杆、断路器各有2000幅图像。在训练过中,以随机抽选的方式,从原始图像中选出一定数量的红外图像组成训练样本,包括输电线电杆、变压器、绝缘子、断路器各1900幅红外图像以及输电线铁塔400幅红外图像,剩余的图像共同组成测试样本。、Caffe深度学****框架,:..GPU为NVIDAK60,编程语言选择Python。首先通过Python编程实现对电力系统内部红外图像的抓取,进而为后续的深度学****分析奠定基础;然后通过Caffe深度学****框架对深度学****算法进行设置,从而完成对图像的特征提取与识别。-卷积主干网络根据其结构的深度可划分为两种类型,--50。一般认为,层数越深,其网络结构就更加复杂,因此,它对特征的提取能力更强,提取出的特征也更加抽象。但由于其网络结构的复杂,容易出现拟合问题,因此,在小规模场景运用中一般-101。在本文研究中,小尺寸电力设备红外图像的数据集规模较小,-101。-50能够有效防范过拟合的问题,所以原FP--50,而改进的FP-N模型中SE--169,-50。结语通过以上研究看出,深度学****算法与传统的机器学****算法相比,在图像识别的精度方面都拥有较好的优势和性能。但是在深度学****算法的应用中,如何对网络结构和池化层进行改进,适应不同识别应用场景,是当前思考和研究的重点。通过对网络层和池化层的改进,无论是在电力设备故障识别率,还是在识别速率方面,都有着很强的优势,169的FP-N的可行性和正确性。参考文献[1]刘梓权,王慧芳,曹靖,[J].电网技术,2018,42(02):644-651.[2]张骥,张金锋,朱能富,[J].电测与仪表,2018,55(05):8-13.