基于深度学习的悬式瓷绝缘子红外图像识别方法

发布时间：2024-06-03 19:05

　　通过提取单帧红外图像中盘形悬式瓷绝缘子串铁帽和盘面温度信息,以相对温差作为判据来诊断其劣化状态,是实现绝缘子串状态在线自动监测的有效方法。为准确提取温度信息,提出一种结合绝缘子图像特征与深度学习的算法,针对红外图像中瓷绝缘子串的铁帽和盘面区域进行精确的自动识别。该算法以大量绝缘子不同部件图像作为样本数据集,经过自构建的卷积神经网络训练形成3个分类器;然后利用分类器在校正后的绝缘子串区域图像中进行识别;最后在原红外图像中用不同颜色进行标识。结果表明该算法对不同电压等级、不同伞裙形态的绝缘子串铁帽与盘面区域均能取得优异的识别结果。

【文章页数】：7 页

【部分图文】：

图1绝缘子串区域提取流程

因此,该文沿用文献[9]的绝缘子串区域提取方法,并对其步骤进行改进。对绝缘子串增加了边缘检测,防止因图像预处理导致绝缘子串边缘被滤除。在铁帽和盘面的识别部分,采用自构建的卷积神经网络实现。红外图像中绝缘子串区域的提取流程如图1所示。1.2深度学习与卷积神经网络

图2盘面集、铁帽集和金具集红外图像样例

对FLIRT640拍摄的大量红外图像中单个绝缘子的铁帽、盘面和金具进行统计[18],发现这些部件长度均小于60像素,宽度均小于20像素,因此,将样本大小设定为60×20像素。该文中样本是从多个省市100多个变电站中挑选的拍摄清晰、背景简单的红外图像。这些图像拍摄的环境和时间各不....

图3盘面集、铁帽集、金具集灰度图像样例

在提取绝缘子串区域时,红外图像被转化为灰度图像,所以最后提取的绝缘子区域也为灰度图像。因此,该文中作为输入层的样本集也需转化为灰度集。图3是由图2生成的灰度样本集。该文将样本集分为训练集和验证集,其中验证集为随机抽取的5000张图像,剩余图像作为训练集输入到卷积神经网络中。

图4自构建卷积神经网络结构

基于深度学习的绝缘子串区域识别的研究已有较多文献,但是针对铁帽和盘面区域的卷积神经网络算法还未见到有关文献。因此,该文提出一种自构建的卷积神经网络来识别铁帽盘面区域,对结果进行标记,其结构如图4所示。自构建的卷积神经网络包括5个卷积层、3个池化层和4个全连接层,最后经过softm....

本文编号：3988370