基于计算机视觉的电力设备红外检测研究

发布时间：2021-08-18 20:30

　　电力设备是电网的基本组成单元,利用红外检测技术对电力设备进行高频巡检或实时监测,将有助于电力设备的预防性检修,提高大电网的稳定性与可靠性。然而,现有智能巡检设备的红外检测存在特殊巡检环境下成像质量差的缺点;同时,人为设温度阈值、人眼观察、图像处理等判断方法也面临智能化程度低的问题,难以满足未来智能巡检设备进行海量红外数据处理的需求。因此,论文针对现有电力设备红外巡检面临问题,展开基于计算机视觉的电力设备红外检测研究。首先介绍了红外成像基本原理及装置,分析了电力设备红外检测的主要故障类型及机理,并详细讨论了 13类电力设备红外检测的具体故障现象及原因,探讨了基于深度卷积网络的视觉检测算法。接着,针对电力设备红外检测过程可能遇到的复杂环境,模拟复杂环境下的多噪音、低亮度、低对比度成像,提出结合传统滤波与快速导向滤波的综合滤波方案进行图像去噪,并提出改进的MSRCP方法进行图像增强。其次,建立了电力设备红外检测的异常区域检测、异常区域及设备检测标准数据集,搭建了基于TensorFlow深度学习框架的Faster R-CNN电力设备红外检测网络,训练了电力设备红外检测的异常区域、异常区域及设备... 

【文章来源】：长沙理工大学湖南省

【文章页数】：90 页

【学位级别】：硕士

【部分图文】：

图１．１?ＦＬＩＲ配件产品??

特征判别法进行判断，基于深度卷积网络的计算机视觉检测算法使得根据电力设备红外??检测图像特征，自动检测电力设备故障成为可能。??２．１红外成像基本原理及装置??根据热辐射原理，任何大于绝对零度温度的物体都能发出热辐射，将其自生内能转??化为辐射能，辐射出红外线或与可见光光波，红外热像仪的红外探测器将接收到的辐射??红外波反映到红外热像仪的光敏原件、图像传感器，生成热像图，并在热像图上反映检??测物体的具体温度，从而根据检测的结果，判断检测物体是否有发热异常，具体红外成??像原理如图２．１。在检测电力设备时，如果其无缺陷，一般散热会在设备表面较均匀的??分布扩散；一旦设备内部或者表面连接件出现缺陷，散热将不均匀或异常发热，其表面??就会出现局部过热或局部过冷异常，并反映到能根据环境温度自适应调节成像像素的红??外热成像仪上。由于红外成像技术有不接触电力设备、不停电检测、夜间检测等优势，??能实现带电情况下的无损检测，所以红外热像检测技术被广泛运用于电力设备的预防性??检测????＇Ｖ?Ｉ??红外锚射线ｊｆ丨丨丨丨丨丨■丨酬＿■丨丨■■丨丨丨＼??ｉＣ?）ｌ－ｉ??｜光栅ｆ?｜传ｓａ??图２．１电力设备红外检测成像示意图??目前的电力行业应用较为广泛的红外检测仪器，主要有红外测温仪、红外热电视、??红外热像仪等；其中红外热像仪在电力设备检测行业使用最广泛，手持式红外热像仪多??配备于现场输变电设备运检人员，固定式红外热像摄像头多用于定点监控装置或移动式??９??

?硕士学位论文???巡检设备上。目前红外设备厂家国外主要有ＦＬＩＲ?（菲力尔）、Ｆｌｕｋｅ?（福禄克）等公司，??国内则有高德、大力、飒特等公司；其中美国ＦＬＩＲ?（菲力尔）公司占据红外热像设备市??场的主导地位，市场份额最大，产品线最为丰富。现有的红外热像仪，基本都自带记录??最高、最低温度，自动根据环境自适应调节红外成像等功能，以便检测人员能直观清晰??观察红热异常区域。图２．２?（ａ）为福禄克ＦＬＵＫＥ?Ｔｉ４００ＣＮ型手持式红外热像仪，其能??实现可见光与红外图的红外融合度百分比例调节，存储到ＳＤ卡或者无线传输到电脑等??设备；图２．２?（ｂ）为带目镜取景镜的ＦＬＩＲＡ３１０ＰＴ红外热像仪。??Ｉ響ｊＶ．??ｍ?－：：??（ａ）福禄克手持式热像仪?（ｂ）ＦＬＩＲ红外热像仪??图２．２常见红外热像仪设备??２．２红外成像下的电力设备检测??２．２．１电力设备故障分类及机理??电力设备故障，按分布部位分析，分为外部与内部故障；内部故障即设备内部故障??引起发热异常，常见于固体绝缘、油绝缘等设备内部其他故障；外部故障即电力设备表??面连接处发热异常，以接头故障、表面污秽为主［４３１。按其热缺陷成因，又分为电流型效??应缺陷和电压型效应缺陷，其中电流型效应缺陷主要源于输送电回路的连接部分接触不??良，致使电阻增大，产生局部发热，该大类缺陷所占比例高达９０％；电压型效应缺陷，??其危害较为严重但在日常缺陷中所占比例较小，主要由于电力设备内部绝缘体绝缘质量??降低而致热［４４］。电力设备故障机理主要为以下几种：??（１）电阻损耗增大：电力设备导电回路的连接部、接头处等连接不佳将致使电阻增大；??导体自身由于如

【参考文献】：
期刊论文
[1]复杂环境下电力设备红外热图增强与分割研究[J]. 陈基顺,肖立军,万新宇,麦锐杰,秦慧平,李磊.  红外技术. 2018(11)
[2]基于深度卷积网络的目标检测综述[J]. 吴帅,徐勇,赵东宁.  模式识别与人工智能. 2018(04)
[3]超、特高压输电线路无人机巡检典型案例分析[J]. 葛雄,金哲,刘志刚,雷雨,姚攀.  电工技术. 2017(09)
[4]华电大同秦家山10万kW光伏电站无人机自动巡检及热斑图像自动识别[J]. 刘江林.  太阳能. 2017(05)
[5]基于红外图像识别的输电线路故障诊断方法[J]. 王淼,杜伟,孙鸿博,张静.  红外技术. 2017(04)
[6]基于红外图像处理的电气设备故障诊断方法[J]. 孙怡,吴邦树,刘仪卜,杜永成,杨立.  机电工程技术. 2016(06)
[7]基于卷积递归网络的电流互感器红外故障图像诊断[J]. 林颖,郭志红,陈玉峰.  电力系统保护与控制. 2015(16)
[8]红外热成像检测技术研究现状及发展趋势[J]. 刘元林,梅晨,唐庆菊,芦玉梅.  机械设计与制造. 2015(06)
[9]基于无人机红外视频的输电线路发热缺陷智能诊断技术[J]. 张文峰,彭向阳,陈锐民,陈驰,邓超怡,钱金菊,徐文学.  电网技术. 2014(05)
[10]基于图像增强技术的电气设备热故障自动诊断与定位[J]. 崔克彬,李宝树,徐雪涛,魏文力.  红外技术. 2014(02)

硕士论文
[1]基于红外图像的变电站设备识别与热状态监测系统研究[D]. 尹阳.西安科技大学 2018
[2]一种基于图像处理和神经网络的变电站关键设备红外检测方法[D]. 臧晓春.华南理工大学 2018
[3]基于无人机红外热成像的架空输电线视觉跟踪巡检研究[D]. 杨启帆.兰州理工大学 2017
[4]基于红外技术的变电站设备识别与热故障诊断[D]. 任新辉.西南交通大学 2016
[5]基于红外图像处理的变电站设备故障诊断[D]. 康龙.华北电力大学 2016
[6]电气设备状态检修中红外检测技术的研究与应用[D]. 蒋晓平.东南大学 2015
[7]无人值班变电站巡检机器人的研究及应用[D]. 谭富民.长沙理工大学 2014
[8]基于红外热图像的架空输电线路故障检测软件开发[D]. 彭晔.南京理工大学 2011
[9]变电站电力设备红外图像分割技术研究[D]. 王如意.西安科技大学 2011



本文编号：3350575