發(fā)布時間：2024-06-03 19:05

　　通過提取單幀紅外圖像中盤形懸式瓷絕緣子串鐵帽和盤面溫度信息,以相對溫差作為判據(jù)來診斷其劣化狀態(tài),是實現(xiàn)絕緣子串狀態(tài)在線自動監(jiān)測的有效方法。為準確提取溫度信息,提出一種結合絕緣子圖像特征與深度學習的算法,針對紅外圖像中瓷絕緣子串的鐵帽和盤面區(qū)域進行精確的自動識別。該算法以大量絕緣子不同部件圖像作為樣本數(shù)據(jù)集,經過自構建的卷積神經網絡訓練形成3個分類器;然后利用分類器在校正后的絕緣子串區(qū)域圖像中進行識別;最后在原紅外圖像中用不同顏色進行標識。結果表明該算法對不同電壓等級、不同傘裙形態(tài)的絕緣子串鐵帽與盤面區(qū)域均能取得優(yōu)異的識別結果。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1絕緣子串區(qū)域提取流程

因此,該文沿用文獻[9]的絕緣子串區(qū)域提取方法,并對其步驟進行改進。對絕緣子串增加了邊緣檢測,防止因圖像預處理導致絕緣子串邊緣被濾除。在鐵帽和盤面的識別部分,采用自構建的卷積神經網絡實現(xiàn)。紅外圖像中絕緣子串區(qū)域的提取流程如圖1所示。1.2深度學習與卷積神經網絡

圖2盤面集、鐵帽集和金具集紅外圖像樣例

對FLIRT640拍攝的大量紅外圖像中單個絕緣子的鐵帽、盤面和金具進行統(tǒng)計[18],發(fā)現(xiàn)這些部件長度均小于60像素,寬度均小于20像素,因此,將樣本大小設定為60×20像素。該文中樣本是從多個省市100多個變電站中挑選的拍攝清晰、背景簡單的紅外圖像。這些圖像拍攝的環(huán)境和時間各不....

圖3盤面集、鐵帽集、金具集灰度圖像樣例

在提取絕緣子串區(qū)域時,紅外圖像被轉化為灰度圖像,所以最后提取的絕緣子區(qū)域也為灰度圖像。因此,該文中作為輸入層的樣本集也需轉化為灰度集。圖3是由圖2生成的灰度樣本集。該文將樣本集分為訓練集和驗證集,其中驗證集為隨機抽取的5000張圖像,剩余圖像作為訓練集輸入到卷積神經網絡中。

圖4自構建卷積神經網絡結構

基于深度學習的絕緣子串區(qū)域識別的研究已有較多文獻,但是針對鐵帽和盤面區(qū)域的卷積神經網絡算法還未見到有關文獻。因此,該文提出一種自構建的卷積神經網絡來識別鐵帽盤面區(qū)域,對結果進行標記,其結構如圖4所示。自構建的卷積神經網絡包括5個卷積層、3個池化層和4個全連接層,最后經過softm....

本文編號：3988370