基于DeepLabv3+网络的电流互感器红外图像分割方法

红外图像智能分析是变电设备故障诊断的一种有效方法,目标设备分割是其关键技术。本文针对复杂背景下电流互感器整体分割难的问题,采用基于ResNet50的DeepLabv3+神经网络,用电流互感器的红外图像训练语义分割模型的方法,对收集到的样本采用限制对比度自适应直方图均衡化方法实现图像轮廓增强,构建样本数据集,并运用图像变换扩充样本数据集,搭建语义分割网络训练语义分割模型,实现电流互感器像素与背景像素的二分类。通过文中方法对420张电流互感器红外图像测试,结果表明,该方法的平均交并比（Mean Intersection over Union, MIoU）为87.5%,能够从测试图像中精确分割出电流互感器设备,为后续电流互感器的故障智能诊断做铺垫。     

双监督信号深度学习的电气设备红外故障识别

为提高电气设备红外故障图像识别准确率,提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先,使用Slic超像素分割算法合并相似像素成区域块;其次,根据改进后HSV空间的亮度信息判别设备温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备;最后,基于GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,再采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练,并自行建立700幅电气设备红外故障图像数据集,其中500幅用于训练,200幅用于测试。实验结果表明:使用双监督信号深度学习算法测试准确率达到98.6%,比单独使用softmax损失时准确率提高了1%。该算法能够对变压器套管、电流互感器、避雷器、隔离开关、绝缘子5种电气设备及其对应故障精准定位、识别。     

基于Deeplabv3+与Otsu模型的输电线电晕放电紫外图像分割方法北大核心CSCD

电晕放电严重威胁输电线路的安全运行,如何提高其放电区域识别分割准确率是一个亟待解决的问题。而因环境影响及设备性能限制,夜间型紫外成像仪常出现成像不清晰、放电区域对比度不明显等特征,导致难以有效实现电晕放电区域的分割,从而影响放电故障的判定。为此提出了基于Deeplabv3+与Otsu模型的输电线电晕放电紫外图像精确分割方法,首先构建基于Deeplabv3+语义分割模型,对放电区域进行类别分割得到大致区域;然后,利用改进Otsu算法对语义分割结果中放电目标区域方差自适应加权,使得分割阈值近似理想阈值,从而实现电晕放电区域的精确分割。实验结果表明,本文提出的分割方法在测试集中平均像素精度为93.97%,平均交并比为90.85%,分割性能良好。     

一种自适应的变电站设备红外图像分割方法

为了较好地实现变电站电气设备红外图像的分割,采用了一种自适应的变电站电气设备红外图像分割方法。通过采用基于形态学的权重自适应算法对变电站电气设备红外图像进行增强处理,然后采用基于加权切比雪夫距离的K-means算法对变电站电气设备红外图像进行分割,最后对分割得到的二值图像采用形态学方法进行处理。通过实验验证了该方法的有效性和适应性,方便了后续的特征提取和识别。     

基于模糊推理的电气设备红外图像分割

使用模糊理论处理电气设备红外图像分割的不确定性，提出了一种基于模糊推理的电气设备红外图像分割算法。首先分别利用电气设备红外图像故障区域的像素灰度、像素点与图像质心的马氏距离以及图像膨胀操作定义了强度特征、全局故障可能性特征和局部灰度特征；然后根据特征的模糊语言值制定了27条模糊规则，设计了一种模糊推理红外图像分割算法；最后，从主观和客观评价指标上将算法与传统Otsu算法和FCM算法进行了对比。实验表明，该算法的分割精度和误分割率比其他两种算法都有一定的改善，同时该算法能够滤除图像中具有高亮度的干扰区域，对具有小亮度差和小面积故障区域的红外图像有较好的分割效果。     

一种复杂背景下的故障电气设备整体分割方法

针对变电站电气设备红外监测过程中，获取的红外图像背景复杂而导致故障设备定位不准确、分割难度较大等问题，提出了一种在复杂背景下对故障设备进行定位与整体分割的方法。首先，通过SLIC(Simple Linear Iterative Clustering)超像素算法对图像进行分割，并对超像素块进行Lab颜色空间转换，根据阈值判断是否存在故障并获取故障区域。然后，选取故障图像中最大联通量的较亮点作为种子，利用最大类间方差原理控制种子数目，通过改进区域生长法获取目标主体设备。最后，将故障区域与目标主体设备进行交集运算，完成对故障电气设备的整体分割。研究结果表明，该方法能有效完成复杂背景下的故障电气设备定位与整体分割。与其他分割方法相比，该方法获取的故障电气设备更加完整准确。     

基于改进的Deeplabv3+的红外航拍图像架空导线识别算法

随着国家电网规模的不断扩大,架空导线作为电力系统的重要组成,对它的定期巡检变得极其重要,同时,随着低空飞行领域的开放,为了保证国家电网的正常运行及低空飞行的安全,架空导线的识别也变得极其重要。文中提出了一种使用Deeplabv3+语义分割网络模型对红外航拍图像架空导线进行识别的方法,并且针对红外架空导线图像目标的特征对该算法进行了改进。首先在原Deeplabv3+算法的特征提取主干网络ResNet50中加入注意力机制,使网络突出导线目标所在区域的特征,更加关注导线目标所在的位置,进而弱化背景等非主要区域的特征。然后对Deeplabv3+的编码器部分进行改进,在ResNet50模型中加入特征金字塔网络,可以将浅层和深层的特征进行融合,增强网络对不同大小目标属性的识别能力,及导线这种小目标的检测能力,进而提高网络的整体识别效果。实验结果表明:改进后的算法检测性能良好,均像素精度为93.52%,平均交并比为87.83%。     

融合注意力分支特征的甲烷泄漏红外图像分割

甲烷是现代化工业生产和社会生活的重要能源之一,实现其有效探测与分割对于及时发现甲烷泄漏事故并识别其扩散范围具有重要意义。针对红外成像条件下甲烷气体图像的轮廓模糊、泄漏的甲烷气体与背景对比度较低、形状易受大气流动因素影响等问题,本文提出一种融合注意力分支特征的红外图像分割网络（Attention Branch Feature Network,ABFNet）实现甲烷气体泄漏探测。首先,为增强模型对红外甲烷气体图像的特征提取能力,设计分支特征融合模块将残差模块1和残差模块2的输出特征与残差模块3以逐像素相加的方法融合,获取红外甲烷气体图像丰富细致的特征表达以提高模型识别精度。其次,为进一步加快模型的推理速度,将标准瓶颈单元中的3×3卷积替换为深度可分离卷积,大幅度减少参数量达到实时检测甲烷气体泄漏。最后,将scSE注意力机制嵌入到分支特征融合模块,更多地关注扩散区域边缘和中心语义信息以克服红外甲烷气体轮廓模糊对比度低等问题提高模型的泛化能力。实验结果表明,本文提出的ABFNet模型AP50@95、AP50、AP60定量分割精度分别达到38.23%、89.63%和75.33%,相比于原始YOL...     

基于深度卷积神经网络的红外场景理解算法

采用深度学习的方法实现红外图像场景语义理解。首先,建立含有4类别前景目标和1个类别背景的用于语义分割研究的红外图像数据集。其次,以深度卷积神经网络为基础,结合条件随机场后处理优化模型,搭建端到端的红外语义分割算法框架并进行训练。最后,在可见光和红外测试集上对算法框架的输出结果进行评估分析。实验结果表明,采用深度学习的方法对红外图像进行语义分割能实现图像的像素级分类,并获得较高的预测精度。从而可以获得红外图像中景物的形状、种类、位置分布等信息,实现红外场景的语义理解。     

多特征聚合表征的断路器热故障诊断评级方法

针对电力设备红外热故障特征的准确评估需求,提出一种多特征聚合表征的断路器热故障诊断评级方法,并以高压断路器红外图像为实例进行数据测试。首先,在高压断路器红外图像背景分离的基础上,对设备进行精准的区域划分,提取各区域温度信息;然后运用 Meanshift和改进区域生长法融合,准确提取故障发热区域面积;其次,设计一种多维聚合表征矩阵,将同一设备发热面积、热点温度、热点温差、发热位置、两相同位温升等特征值聚合为多特征向量矩阵,并运用现场案例数据构建该向量矩阵与高压断路器故障类型、等级、处理意见的关联库;最后对350张高压断路器红外图像的1002组多特征向量进行训练测试。结果表明,该方法提取的多特征向量数据使用GWO SVM分类器测试的Fmeasure和Kappa系数分别为96和9543,能够实现高压断路器设备热故障的全类型诊断评级及精准定位。     

基于红外热成像的电气设备组件识别研究

常见的电力设备有变压器、开关柜、断路器等,这些设备都由多个组件构成。通过这类设备的红外热成像实现了对其组件的识别。基于红外热成像信息量较少的特点,采用多种算法融合。首先是基于Lab模型采用改进的K-means聚类和形态学的结合,提取红外图像中的高温区域,充分保证了效率和可靠性。其次采用改进的SURF（speeded-up robust features）和感知哈希算法的结合,确定被提取区域中的三相组件。SURF的作用是将已知的电气设备可见光图像和被提取区域中所有的图像进行对比,找出红外图像中特征点匹配最多的区域。将其和其他红外区域进行对比,通过感知哈希算法找到其他区域中匹配度最高的两个区域,以此定位出红外图像中的三相组件。此研究适用于大量红外图像数据的识别定位,为基于红外成像的电气设备故障信息提取提供思路。     

一种具有边缘增强特点的医学图像分割网络

针对传统医学图像分割网络存在边缘分割不清晰、缺失值大等问题,该文提出一种具有边缘增强特点的医学图像分割网络(AS-UNet)。利用掩膜边缘提取算法得到掩膜边缘图,在UNet扩张路径的最后3层引入结合多尺度特征图的边缘注意模块(BAB),并提出组合损失函数来提高分割精度;测试时通过舍弃BAB来减少参数。在3种不同类型的医学图像分割数据集Glas, DRIVE, ISIC2018上进行实验,与其他分割方法相比,AS-UNet分割性能较优。     

基于深度学习的红外遥感信息自动提取

为了提高红外遥感图像地物 信息自动提取的精确性,同时避免人工提取遥感 信息的低效性,提出了一种基于UNet深度学习模型 的遥感信息提取算法。该算法用于从红外遥感图像中分割 出5类地物信息(包括道路、建筑、树木、农田和水 体)。首先,对分辨率高但数量较少的训练数 据进行小像幅的随机裁剪,并对其进行相应的数据增 强处理。然后搭建UNet深度学习模型,并用它 自动提取遥感图像的特征信息。采用交叉熵损失函数 以及Adam反向传播优化算法对该模型进行训练,并对测 试样本中的5幅遥感图像进行精确的地物信息提取。最后,运 用Jaccard指数对测试结果进行精度评定。实验结果表明,该 方法对高分辨率红外遥感图像信息和可见光 遥感图像信息进行了充分融合,对于不同种类地物 的定位和分类都取得了较高精度。     

基于MCL-UNet网络的激光熔覆层表面平整度识别

表面平整度是衡量多道搭接熔覆层表面质量的重要指标之一,为改进人工标注获取表面平整度耗时费力的问题,本文利用图像识别和语义分割神经网络方法提出了自动识别熔覆层表面平整度。针对搭接熔覆层特征,基于改进的U-Net与注意力机制(CBAM)提出一种用于熔覆层形貌的自动分割网络MCL-UNet,优化改进U-Net模型,依据CBAM模块从通道维度和空间维度调整特征图层的权重信息,将CBAM模块以优化输入和输出的原则部署在网络上。在搭接熔覆层数据集上对改进的网络进行评估对比,实验结果表明,本文提出的MCL-UNet网络模型,其熔覆层分割效果在验证集上的平均IoU准确率为93.76%,相比原始U-Net的IoU准确率提高了5.81%,在测试集上MCL-UNet模型输出的表面平整度的平均相对误差为3.2%,说明该模型可有效提高搭接熔覆层横截面形貌的分割精度,并能较准确输出表面平整度。     

基于循环平移Contourlet变换的红外小目标检测方法

分析了在有噪声和背景干扰情况下检测红外小目标的方法,提出了一种将循环平移Contourlet变换去噪 方法和自适应阈值分割方法相结合的红外小目标检测算法。该方法首先对原始图像进行循环平移阈值去噪,再用原始图像减去 去噪图像,对得到的残差图像进行自适应阈值分割,分离出少量的候选目标点,最后利用目标运动的连续性和一致性检测出 目标。分别用Contourlet变换法、小波变换法和本文提出的检测法对小目标进行了检测。仿真结果表明,本文提出的检测方法 能较精确地检测出序列图像中的红外小目标,检测效果优于Contourlet变换法和小波变换法。     

基于深度学习的语义分割网络

提出了一种基于深度学习的语义分割网络。该网络通过多孔卷积设计了一个能提取图像多尺度信息的空间金字塔模块,并通过大量实验探索了空间金字塔模块中多孔采样率和多尺度分支对于网络场景解析能力的影响。讨论了网络训练中不同超参数对于网络性能的影响。在SUN RGB-D数据集上的测试结果显示,与其它state-of-the-art的语义分割网络相比,本文设计的网络性能突出。最后,还对基于红外图像的语义分割进行了初步探索。