基于图像配准的电力设备缺陷定位算法

针对固定场景下的电力设备缺陷检测问题,提出了一种基于图像配准的固定场景电力设备缺陷定位方法.首先对相同场景下的样本图和测试图,分别进行直方图均衡化,降低光照变换对缺陷定位的影响;然后通过计算两幅图像的ORB(方向旋转不变性)特征点的欧氏距离,选取最小距离作为特征点对,通过交叉检验选出较优的特征点对,再通过随机抽样一致算...     

基于改进卷积神经网络的电力设备红外图像分类识别方法

随着电力设备故障诊断技术的不断发展、红外测温诊断技术不断成熟,如何快速有效地对各类电气设备红外测温图像进行分类识别,是今后故障诊断智能化发展的关键环节之一。通过对红外测温图像分类识别方法进行研究,提出了一种基于改进卷积神经网络的电力设备红外图像分类识别方法。首先,通过旋转、翻转等方法对收集的红外图像进行数据增强;然后,建立基于改进MobileNetV2的电力设备红外图像分类识别模型,将电力设备红外测温图像通过迁移学习进行加权训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现电力设备红外图像分类识别。试验表明,使用改进MobileNetV2的分类识别模型对电力设备红外图像进行分类识别的总平均准确率为92.62%,红外图像检测速度为116 f/s,具备较好的收敛速度与识别能力,为电力设备智能巡检提供了新思路。     

基于改进YOLOv3的电力设备红外目标检测模型

红外图像检测技术因具有非接触、快速等优点,被广泛应用于电力设备的监测与诊断中,而对设备快速精确地检测定位是实现自动检测与诊断的前提.与普通目标的可见光图像相比,电力设备的红外图像可能存在背景复杂、对比度低、目标特征相近、长宽比偏大等特征,采用原始的YOLOv3模型难以精确定位到目标.针对此问题,该文对YOLOv3模型进...     

基于单阶段目标检测算法的变电设备红外图像目标识别及定位

针对红外图像中变电设备的识别和定位问题,提出了一种基于改进YOLOv3算法的变电设备检测方法.在现场采集的变电设备红外图像集的基础上,首先使用基于Retinex的图像增强算法以及阈值分割等图像处理方法对图像集进行预处理;然后基于变电设备红外图像对YOLOv3算法进行参数优化,并通过迁移学习的策略对改进YOLOv3网络进...     

基于改进MSER算法的电力设备红外故障区域提取方法

红外图像处理中因目标边界模糊、区域灰度变化等因素,导致传统的极大稳态区域方法区域提取效果低下。为此,提出一种基于改进极大稳态区域方法的电力设备红外故障区域提取机制,提升区域提取效果。首先,从灰度相似度聚类出发,采用Meanshift算法对分割区域的邻域像素进行聚类。其次,结合阈值分割机制,快速将相似像素进行分割,最终通过迭代得到电力设备故障所呈现的亮度区域信息。实验结果表明该提取区域方法性能优于极大稳态区域算法,具有较低的误分类错误,且相比于Mean shift算法,具有高效的处理速度。     

电力设备红外图像缺陷检测

机器人在巡检过程中采集到的红外图像很难反映设备目标的纹理信息.人工方法或传统机器学习方法不能精准识别和分类电力设备缺陷,同时其他环境因素容易导致误判.采用CenterNet结合结构化定位的算法模型,通过对现场红外图像数据样本收集、训练及验证算法模型的计算,实现从复杂的红外图像中以较高的准确率将不同变电站设备及其部件识别...     

基于改进YOLOv5n的电力巡检红外图像目标检测算法

热红外图像检测技术在电力巡检中有着非接触、快速等优点,广泛应用于电力设备的监测与诊断,电力巡检红外图像目标检测可以达到快速识别设备发热故障、图像实时处理和降低人工成本的效果。为了保障输电线路的安全与稳定,实时检测输电线路绝缘子与T型线夹的发热故障。本文结合热红外图像的特点,基于YOLOv5n算法改进了网络模型：在原模型中引入Squeeze-and-Excitation注意力机制并且将普通卷积替换为space-to-depth卷积。改进的算法在自制的红外数据集上进行了模型训练与测试,并与其他几个主流的目标检测模型进行了对比评估,结果表明：改进后的模型在对绝缘子和T型线夹的检测精度上分别提升了6.8%和6.3%,且在精度、速度和模型大小上对比YOLOv3-spp和YOLOv3-tiny等模型更具优势,更适用于无人机红外图像下的绝缘子、T型线夹的发热故障识别。     

基于改进Faster-RCNN的输电线巡检图像多目标检测及定位

针对输电线巡检图像受光线、环境和拍摄角度等因素影响,图像中的电气设备呈现低分辨率和多形态化特征的问题,提出一种基于改进Faster-RCNN的巡检图像多目标检测及定位方法。该方法首先通过区域建议策略网络生成若干目标候选区域;然后基于实际巡检图像样本库,对卷积神经网络进行训练,以改善参数学习效果;最后利用正则化方法优化参数权重,提高检测速度,得到适应巡检图像多形态化特征的改进型Faster-RCNN模型。实际场景数据集测试结果表明,相比于数字图像处理、浅层机器学习、单阶法、双阶法、Mask-RCNN和Local Loss目标检测方法,所提改进型Faster-RCNN能够在不同分辨率和不同位置角度的巡检图像场景下保持较高的识别精度和速度,具有较高的工程实用价值。     

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...     

高压电力设备红外图像的边缘检测

红外图像的边缘检测是红外图像目标识别以及进一步红外故障诊断的关键环节.文中讨论在高压电力设备故障红外诊断系统中对红外图像的预处理过程,并通过几种边缘检测算子对噪声的抑制效果和边缘定位精度的对比分析,选用效果最优的边缘检测算子来实现红外图像的边缘检测.通过实例,验证了图像预处理和边缘检测方法的有效性.     

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...     

基于温度梯度的电力设备红外图像盲元块补偿

红外设备的成像质量直接决定了电力设备红外诊断的准确度。盲元问题作为影响成像质量的重要因素,得到了广泛的关注。现有的盲元补偿算法对单一盲元点均有较好的补偿效果,但缺乏对盲元块和边缘位置盲元的适应性,存在算法复杂、补偿精度不高、易造成边缘模糊等问题。基于传热学温度梯度基本理论,提出了一种新的基于梯度变化的补偿算法。先确定盲元块大小,再计算盲元块周围同样大小正常像元块的灰度均值,通过像元块灰度均值的差确定盲元块所处位置及梯度变化方向,最后选取合适像元块,计算其沿梯度变化方向各像元间的灰度变化系数对盲元块进行补偿。实验结果表明,相比传统补偿算法,基于梯度变化的补偿算法的峰值信噪比(PSNR)和结构相似度(SSIM)分别提高了0~14 d B,0~0.002 8,对红外图像中的盲元块具有较好的补偿效果。可以在实际红外系统中实现对电力设备红外图像盲元块的有效补偿,提高故障定位精度。     

基于改进YOLOv5的电力设备检测算法

针对电力设备背景复杂、小目标密集等特点导致无人机智能电力巡检精度低、效果不佳等问题,提出了一种改进YOLOv5的目标检测算法。首先在原模型上增加一层检测层,重新获取锚点框以便能更好地学习密集小目标的多级特征,提高模型应对复杂电力场景的能力;其次对模型的特征融合模块PANet结构进行改进,通过跳跃连接的方式融合不同尺度的特征,增强信息的传播与重用;最后结合协同注意力模块设计主干网络,以聚焦目标特征,增强复杂背景中密集目标区域的显著度。实验结果表明：所提算法的平均精度均值(IoU=0.5)达到97.1%,比原网络检测性能提升了5.6%,有效改善了复杂背景下小目标的错测、漏检现象。     

基于改进Canny算子的电力设备图像检测研究

图像边缘检测技术在电力行业的应用越来越广泛,但仍然存在些许问题限制了其在工程中的实际应用。对于复杂的现场电力设备图像,结合最优阈值灰度分割法和Canny算子等图像处理技术,提出了基于改进Canny算子检测电力设备图像。首先利用最优阈值灰度分割法得到的阈值作为Canny算子的高阈值Th;然后利用高低阈值的对应关系确定低阈值Tl,。由此可实现改进Canny自适应检测电力设备图像的目的。实验结果表明,该方法可取得较为理想的边缘检测效果,具有一定的实用性。     

基于压缩感知的电力设备红外图像盲超分辨率方法

电力设备红外图像采集过程中出现的分辨率降低和模糊现象是影响红外诊断准确性的重要因素。然而现有超分辨率方法一般假设模糊核已知,但当假设核偏离真实核时方法性能会显著降低。该文针对这一问题,提出一种压缩感知盲超分辨率改进方法。以图像退化模型为基础,结合图像在变换域内稀疏为先验知识,实现图像的超分辨率重建。在重建过程中通过红外图像亮度分量的极值分布先验信息促进模糊核的优化求解以及重建图像反卷积去模糊运算,将传统的非盲超分辨率方法改进为盲超分辨率方法。在提高模型准确性的同时,提升了重建图像细节纹理的质量。并对压缩感知基础模型进行改进变形,以此为基础设计了高效求解算法,最终实现高分辨率图像的高质量重建,从而更好地适应工程应用需求。实验结果表明该文提出的盲超分辨率方法与已有方法相比,其重建得到的红外图像结果无论在主观视觉还是客观评价指标上,均有着一定优势,能够更好地适应现场采集到的低分辨率红外图像超分辨率重建需求。     

基于SIFT的电力设备红外/可见光图像配准方法

提出了一种红外与可见光图像的配准方法,该方法将SIFT(Scale Invariant Feature Transform)特征应用于两者自动配准的特征匹配,SIFT特征对旋转、尺度缩放、亮度变化保持不变性,对视角变化、仿射变换、噪声也保持一定程度的稳定性。实验表明,该方法具有稳定、可靠、快速等特点。     

基于BEMD的电力设备红外与可见光图像的配准研究

电力设备的红外图像和可见光图像从不同角度反映了设备的状态,对它们进行配准可以提高在线监测的准确性.将2维经验模态分解( BEMD)方法引入到电力设备的红外与可见光图像配准中.通过理论分析得出了基于BEMD的图像配准原理,把图像的配准问题转化成了BEMD分解后子图像的配准问题,并确定了原始图像、趋势图像及2维仿射变换在配准中的关系;基于此原理提出了一种红外与可见光图像配准方法.实验结果表明该方法可取得良好的配准效果,同时也验证了该配准原理的正确性和方法的先进性.     

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题,为了提高红外图像中的小目标以及被遮挡目标的检测识别能力,提出基于Efficientnet的红外目标检测算法。首先,将高效轻量的Efficientnet作为模型的特征提取主干网,降低模型的参数量,提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块,丰富特征图的表达能力,进行多尺度融合,扩大特征图的感受野;在模型特征融合部分,使用FPN特征金字塔网络,特征融合后增加CSPNet模块和ECA注意力机制,加强特征提取。检测部分使用YOLO Head,对目标进行分类和回归,并用CIoU Loss作为边界框回归损失函数,提高对被遮挡目标的识别能力。实验结果表明,基于Efficientnet的模型大小仅为YOLOv3的188%,并且在FLIR数据集上mAP达到8074%,相比于YOLOv3算法提高1012%,该模型在减少模型参数量的同时,提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力,提高了对小目标和遮挡目标的检测能力。     

基于BEMD的电力设备红外与可见光图像的配准研究

电力设备的红外图像和可见光图像从不同角度反映了设备的状态,对它们进行配准可以提高在线监测的准确性.将2维经验模态分解( BEMD)方法引入到电力设备的红外与可见光图像配准中.通过理论分析得出了基于BEMD的图像配准原理,把图像的配准问题转化成了BEMD分解后子图像的配准问题,并确定了原始图像、趋势图像及2维仿射变换在配...