CN112200178B - 基于人工智能的变电站绝缘子红外图像检测方法 - Google Patents
基于人工智能的变电站绝缘子红外图像检测方法 Download PDFInfo
- Publication number
- CN112200178B CN112200178B CN202010906630.0A CN202010906630A CN112200178B CN 112200178 B CN112200178 B CN 112200178B CN 202010906630 A CN202010906630 A CN 202010906630A CN 112200178 B CN112200178 B CN 112200178B
- Authority
- CN
- China
- Prior art keywords
- model
- infrared image
- insulator
- data set
- transformer substation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 90
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013526 transfer learning Methods 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 5
- 238000007621 cluster analysis Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000009432 framing Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 claims description 2
- 230000009467 reduction Effects 0.000 claims description 2
- 238000011897 real-time detection Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000001931 thermography Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007306 turnover Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种基于人工智能的变电站绝缘子红外图像检测方法，包括以下步骤：通过红外热成像仪获取变电站绝缘子的红外图像；对获取的图像通过算法进行预处理；对获取的数据集进行目标的标签处理；将数据集划分为训练集与测试集；构建改进特征融合单发多盒检测器的红外图像检测模型；使用数据集中的训练集进行该模型的训练与参数调节；使用数据集中的测试集对训练完毕的模型进行目标的检测，以证明其有效性；通过以上步骤实现变电站绝缘子的红外图像的自动检测。通过对模型的参数调整并增加一种特征增强模块，以提高模型对绝缘子的特征提取能力，从而确保对变电站绝缘子红外图像进行安全、实时的检测。
Description
技术领域
本发明涉及电力设备运行状态安全监测领域，特别是一种基于人工智能的变电站绝缘子红外图像检测方法。
背景技术
随着中国用电需求的持续增长和电力系统规模的不断扩大，电力系统中变电站的安全性和稳定性越来越重要。绝缘子是电力系统中最常见的电气设备之一，它广泛用于电力系统中导体的绝缘和电气设备的机械支撑，因此绝缘子是影响变电站正常运行的关键因素之一。绝缘子大部分安装在自然环境下，由于长期暴露在自然环境中，绝缘子会发生各种故障。绝缘子的故障会严重威胁输变电线路的可靠运行，并危及变电站的正常运行，同时绝缘子的故障会给电力公司造成巨大的经济损失，因此有效地检测绝缘子以检查其工作状态非常重要。近年来，红外热成像（IRT）技术已广泛用于电气设备的状态监测。它可以通过检测设备的红外能量（即温度）的辐射来揭示电气设备中的各种类型的问题。温度是表征绝缘子状况的重要指标，机械故障、不正常的电气负载条件以及绝缘子的内部缺陷通常会出现异常的温度参数，并且红外图像技术具有非接触性，安全和实时的特点，因此红外图像监测已广泛用于电力设备运行状态安全监测领域。
对于绝缘子的检测是最重要并且最困难的任务之一，传统的检测是需要专业的工程师必须在高压带电条件下工作，这会带来很大的安全隐患，同时人工方式存在成本高，效率低，耗时长的弊端。随着人工智能技术的不断发展、算法的不断改进和模型在特征提取方面的显著提升，以深度学习为代表的人工智能理论与应用研究成为热点。例如：X. Y. Liu,H. Jiang, J. Chen, J. J. Chen, S. B. Zhuang and X. R. Miao. Insulatordetection in aerial images based on faster regions with convolutional neuralnetwork[J]. International Conference on Control and Automation, Wuhan, China,Apr. 2018, pp. 1082-1086。该文献提出了一种基于Faster R-CNN并结合无人机的绝缘子及其故障的检测方法，能够实现对绝缘子的有效监测。例如：W. G. Wang, Z. L. Wang, B.Liu, Y. C. Yang and X. B. Sun.Typical defect detection technology oftransmission line based on deep learning[J].2019 Chinese Automation Congress(CAC), Hangzhou, China, Nov. 2019, pp. 1185-1189。该文献提出一种基于SSD的传输线目标缺陷检测方法，通过多尺度训练和水平镜方法扩展训练样本，进一步提高目标检测的准确性。但在变电站中由于设备较多，获取的图片数据往往存在背景复杂和干扰信息较多的问题，因此目前对变电站绝缘子红外图像检测的效果不佳。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能的变电站绝缘子红外图像检测方法，能够减小干扰信息较多的影响，实现变电站复杂背景下绝缘子红外图像的有效监测，并能够大幅提高检测速度，有效利用运算资源。确保对变电站绝缘子安全、实时的检测。
为解决上述技术问题，本发明所采用的技术方案是：一种基于人工智能的变电站绝缘子红外图像检测方法，包括以下步骤：
S1、通过红外热成像仪获取变电站绝缘子的红外图像；
S2、对获取的图像进行预处理，以形成有效的绝缘子红外图像数据集；
S3、对获取的数据集进行目标的标签处理；
S4、将数据集划分为训练集与测试集；
S5、构建改进特征融合单发多盒检测器的红外图像检测模型；
S6、使用数据集中的训练集进行该模型的训练与参数调节；
S7、使用数据集中的测试集对训练完毕的模型进行目标的检测，以证明其有效性；
通过以上步骤实现变电站绝缘子的红外图像的自动检测。
优选的方案中，获取的绝缘子红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像；
将获取的数据集采用包括旋转、翻转和灰度变换中一种或多种方式进行预处理，以扩充数据集，形成应用于模型的数据集。
优选的方案中，步骤S3与S4中，通过框选操作对数据集中的绝缘子进行标注，制作成待训练与待检测的数据集。
优选的方案中，步骤S2中，将绝缘子的3d形态作为模型，得到多个方向、角度的训练图集，以绝缘子的形状作为识别特征，进行训练，包括以下步骤：
S21、将绝缘子的方向作为绝缘子红外图像数据集的图片的方向向量，对图片进行旋转、翻转或灰度变换中的一种或多种方式进行预处理以扩充数据集，以使图片中绝缘子的方向大致保持一致；
S22、采用VGG16结构，以单个或多个绝缘子的形状作为标签区域进行识别，按比例方式进行扩充后对绝缘子所在的图形区域作为标签区域，进行智能识别并框选，制作成待训练与待检测的数据集。
优选的方案中，将数据集分为训练集和测试集，训练集数量多于测试集的数量。
优选的方案中，改进特征融合单发多盒检测器的主干网络结构为改进的VGG16结构，是将VGG16最后两个全连接层改为卷积层，并且通过融合不同尺度特征图以生成的新特征金字塔结构。
优选的方案中，在改进的VGG16结构设有特征增强融合模块，特征增强融合模块采用多支路提取特征聚合的方式来增加语义信息；每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量，将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积，再经过3×1卷积，另一个通道先经过3×1卷积再通过1×3卷积；以上操作在增加特征提取多样性的同时，减少模型的计算量；
特征增强模块在每个卷积层顶部使用批归一化操作，以加快模型的收敛；
在特征增强模块加入一条残差连接支路以提高检测效果，最后在每条支路的最后一个卷积核中使用不同膨胀系数的空洞卷积，以使网络捕获更多的特征信息，拓宽特征的感受野，同时保持相同数量的参数。
优选的方案中，结合聚类分析方法，统计数据集中绝缘子标签的宽高比，设定符合数据集的默认框，使每个位置的默认框的比例尺度能够与特征图的每个位置的真实框相匹配，以增强模型对感兴趣目标的检测性能。
优选的方案中，引入迁移学习思想，采用使用ImageNet上训练的VGG16模型作为网络的预调模型；将训练集输入模型进行训练，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试。
优选的方案中，模型共训练30000步，利用迁移学习对模型进行权重初始化，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005。
本发明提供的一种变电站绝缘子红外图像检测方法，通过采用人工智能处理及检测的方案，能够大幅提高识别的准确程度，提高检测识别的效率，有效利用运算资源。减小干扰信息较多的影响，实现变电站复杂背景下绝缘子红外图像的有效监测。确保变电站绝缘子安全、实时的检测。通过采用改进的VGG16结构使其适用于目标检测任务，并应用一种新颖的特征融合模块，融合不同尺度的特征层以形成新的特征金字塔，以充分利用不同特征层的特征，用于预测最终的检测结果，并在主干网络中添加特征增强融合模块使模型充分利用特征信息，效率最优化，从而确保模型对变电站绝缘子的红外图像的有效检测。进一步优选方案中，通过对现场获取的数据集进行不同的预处理可以提高数据的多样性，防止训练过拟合；结合聚类分析方法，统计数据集中绝缘子标签的宽高比，设定符合数据集的默认框，使每个位置的默认框的比例尺度能够与特征图的每个位置的真实框相匹配，增强模型对感兴趣目标的检测性能。采用迁移学习的思想是防止模型从零开始训练，减少模型训练的时间并提高其鲁棒性。本发明能够成功解决变电站绝缘子红外图像的背景复杂与干扰信息较多导致检测效果不佳的问题，并且可适用于多种电气设备的红外图像检测，具有普适性和有效性，尤其是能够完全满足实时性检测的要求。
附图说明
下面结合附图和实施例对本发明作进一步说明：
图1为本发明实施例的流程示意图。
图2为本发明实施例的部分绝缘子的数据集图像。
图3为本发明实施例的改进特征融合单发多盒检测器的检测模型结构图。
图4为本发明实施例的特征增强模块结构图。
图5为本发明实施例的数据集标签中绝缘子的宽高比聚类结果图。
图6为本发明实施例的部分测试集绝缘子的检测效果图。
具体实施方式
如图1中，一种基于人工智能的变电站绝缘子红外图像检测方法，包括以下步骤：
S1、通过红外热成像仪获取变电站绝缘子的红外图像；如图2中所示。
优选的方案中，获取的绝缘子红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像。
S2、对获取的图像进行预处理，以形成有效的绝缘子红外图像数据集；
S3、对获取的数据集进行目标的标签处理；
可选的方案中，将获取的数据集采用包括旋转、翻转、灰度变换等方式进行预处理以扩充数据集，以形成应用于模型的数据集；
通过框选操作对数据集中的绝缘子进行标注，制作成待训练与待检测的数据集。
另一可选的方案中，优选的方案中，步骤S2中，将绝缘子的3d形态作为模型，得到多个方向、角度的训练图集，以绝缘子的形状作为识别特征，进行训练，包括以下步骤：
S21、将绝缘子的方向作为绝缘子红外图像数据集的图片的方向向量，对图片进行旋转、翻转、灰度变换等方式进行预处理以扩充数据集，以使图片中绝缘子的方向大致保持一致；
S22、采用VGG16结构，以单个或多个绝缘子的形状作为标签区域进行识别，具体为根据绝缘子的形状制作3维模型，将单个或多个的模型以不同方向投影导出作为训练集，从而提取绝缘子的形状特征，以便于在复杂的背景中快速识别绝缘子。例如，圆台形的各个投影特征，以及多个连续疑似图形的投影特征，以及在线状图形中直径增加位置的投影特征。将识别的图像按比例方式进行扩充后对绝缘子所在的图形区域作为标签区域，进行智能识别并框选，制作成待训练与待检测的数据集。参见图6中，通过智能识别做作的标签区域，大幅降低运算资源的消耗，提高效率。绝缘子因为具有比较明显的形状特征很容易从图像中被识别出来，即便识别后存在噪音，但是因为噪音部分图像所代表的部件发热量几乎是可以忽略的，因此对最终的检测的运算资源的占用不大，可以忽略。经过 该步骤的处理，进一步提高了检测效率。
优选的方案如图5中，结合聚类分析方法，统计数据集中绝缘子标签的宽高比，设定符合数据集的默认框，使每个位置的默认框的比例尺度能够与特征图的每个位置的真实框相匹配，以增强模型对感兴趣目标的检测性能。
S4、将数据集划分为训练集与测试集；优选的，训练集数量多于测试集的数量。优选的，将数据集的70%分为训练集，30%分为测试集。
S5、构建改进特征融合单发多盒检测器的红外图像检测模型；
优选的方案如图3、4中所示，改进特征融合单发多盒检测器的主干网络结构为改进的VGG16结构，是将VGG16最后两个全连接层改为卷积层；然后通过融合不同尺度特征图以生成的新特征金字塔结构。
优选的方案中，在改进的VGG16结构设有特征增强融合模块，特征增强融合模块采用多支路提取特征聚合的方式来增加语义信息；每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量，将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积,再经过3×1卷积,另一个通道先经过3×1卷积再通过1×3卷积；以上操作在增加特征提取多样性的同时，减少模型的计算量；
特征增强模块在每个卷积层顶部使用批归一化操作，以加快模型的收敛；
在特征增强模块加入一条残差连接支路以提高检测效果，最后在每条支路的最后一个卷积核中使用不同膨胀系数的空洞卷积，以使网络捕获更多的特征信息，拓宽特征的感受野，同时保持相同数量的参数。
S6、使用数据集中的训练集进行该模型的训练与参数调节；
优选的方案中，引入迁移学习思想，采用使用ImageNet上训练的VGG-16模型作为网络的预调模型；将训练集输入模型进行训练，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试。
S7、使用数据集中的测试集对训练完毕的模型进行目标的检测，以证明其有效性；
通过以上步骤实现变电站绝缘子的红外图像的自动检测。本发明通过以上步骤能够成功解决变电站绝缘子红外图像的背景复杂与干扰信息较多导致检测效果不佳的问题，并且可适用于多种电气设备的红外图像检测，具有普适性和有效性，同样满足实时性检测的要求。
优选的方案中，模型共训练30000步，利用迁移学习对模型进行权重初始化，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005。模型测试结果如图6所示，检测取得了很好的效果。对整个测试集进行测试，最终的识别平均精度（AP）为90.61%。
实例表明，本发明的方法对绝缘子能够准确的识别，并为后继绝缘子检工作状态的判断提供实时、可靠的基础。
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (9)
1.一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是包括以下步骤：
S1、通过红外热成像仪获取变电站绝缘子的红外图像；
S2、对获取的图像进行预处理，以形成有效的绝缘子红外图像数据集；
将绝缘子的3d形态作为模型，得到多个方向、角度的训练图集，以绝缘子的形状作为识别特征，进行训练，包括以下步骤：
S21、将绝缘子的方向作为绝缘子红外图像数据集的图片的方向向量，对图片进行旋转、翻转或灰度变换中的一种或多种方式进行预处理以扩充数据集，以使图片中绝缘子的方向保持一致；
S22、采用VGG16结构，以单个或多个绝缘子的形状作为标签区域进行识别，按比例方式进行扩充后对绝缘子所在的图形区域作为标签区域，进行智能识别并框选，制作成待训练与待检测的数据集；
S3、对获取的数据集进行目标的标签处理；
S4、将数据集划分为训练集与测试集；
S5、构建改进特征融合单发多盒检测器的红外图像检测模型；
S6、使用数据集中的训练集进行该模型的训练与参数调节；
S7、使用数据集中的测试集对训练完毕的模型进行目标的检测，以证明其有效性；
通过以上步骤实现变电站绝缘子的红外图像的自动检测。
2.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：获取的绝缘子红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像；
将获取的数据集采用包括旋转、翻转和灰度变换中一种或多种方式进行预处理，以扩充数据集，形成应用于模型的数据集。
3.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：步骤S3与S4中，通过框选操作对数据集中的绝缘子进行标注，制作成待训练与待检测的数据集。
4.根据权利要求3所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：将数据集分为训练集和测试集，训练集数量多于测试集的数量。
5.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：改进特征融合单发多盒检测器的主干网络结构为改进的VGG16结构，是将VGG16最后两个全连接层改为卷积层，并且通过融合不同尺度特征图以生成的新特征金字塔结构。
6.根据权利要求5所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：在改进的VGG16结构设有特征增强融合模块，特征增强融合模块采用多支路提取特征聚合的方式来增加语义信息；每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量，将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积，再经过3×1卷积，另一个通道先经过3×1卷积再通过1×3卷积；以上操作在增加特征提取多样性的同时，减少模型的计算量；
特征增强模块在每个卷积层顶部使用批归一化操作，以加快模型的收敛；
在特征增强模块加入一条残差连接支路以提高检测效果，最后在每条支路的最后一个卷积核中使用不同膨胀系数的空洞卷积，以使网络捕获更多的特征信息，拓宽特征的感受野，同时保持相同数量的参数。
7.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：结合聚类分析方法，统计数据集中绝缘子标签的宽高比，设定符合数据集的默认框，使每个位置的默认框的比例尺度能够与特征图的每个位置的真实框相匹配，以增强模型对感兴趣目标的检测性能。
8.根据权利要求7所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：引入迁移学习思想，采用使用ImageNet上训练的VGG16模型作为网络的预调模型；将训练集输入模型进行训练，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试。
9.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：模型共训练30000步，利用迁移学习对模型进行权重初始化，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906630.0A CN112200178B (zh) | 2020-09-01 | 2020-09-01 | 基于人工智能的变电站绝缘子红外图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010906630.0A CN112200178B (zh) | 2020-09-01 | 2020-09-01 | 基于人工智能的变电站绝缘子红外图像检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112200178A CN112200178A (zh) | 2021-01-08 |
| CN112200178B true CN112200178B (zh) | 2022-10-11 |
Family
ID=74006345
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010906630.0A Active CN112200178B (zh) | 2020-09-01 | 2020-09-01 | 基于人工智能的变电站绝缘子红外图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112200178B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199993B (zh) * | 2020-09-01 | 2022-08-09 | 广西大学 | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 |
| CN113159334B (zh) * | 2021-02-24 | 2022-10-11 | 广西大学 | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 |
| CN113095253B (zh) * | 2021-04-20 | 2023-05-23 | 池州学院 | 一种用于无人机巡检输电线路的绝缘子检测方法 |
| CN113486877B (zh) * | 2021-06-08 | 2023-10-17 | 广西大学 | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 |
| CN113408426B (zh) * | 2021-06-22 | 2022-02-11 | 浙江天铂云科光电股份有限公司 | 一种变电站设备智能检测方法及其系统 |
| CN113723189B (zh) * | 2021-07-28 | 2023-08-01 | 广西大学 | 一种基于单阶红外图像目标检测的电力设备故障智能诊断方法 |
| CN114782756B (zh) * | 2022-06-20 | 2022-10-04 | 深圳新视智科技术有限公司 | 基于特征融合的缺陷检测方法、装置、设备及存储介质 |
| CN115620211B (zh) * | 2022-12-06 | 2023-03-21 | 广东祥利科技有限公司 | 阻燃低烟无卤护套的性能数据处理方法及系统 |
| CN117670882A (zh) * | 2024-01-31 | 2024-03-08 | 国网江西省电力有限公司电力科学研究院 | 一种瓷绝缘子串无人机红外自动对焦方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1975217A2 (de) * | 2007-03-29 | 2008-10-01 | Clariant International Ltd. | Flammgeschützte Klebe- und Dichtmassen |
| CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
| CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
| CN108470141A (zh) * | 2018-01-27 | 2018-08-31 | 天津大学 | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 |
| CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断系统 |
| CN110059556A (zh) * | 2019-03-14 | 2019-07-26 | 天津大学 | 一种基于深度学习的变电站开关分合状态检测方法 |
| CN110780164A (zh) * | 2019-11-04 | 2020-02-11 | 华北电力大学（保定） | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
| CN111583198A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 |
| CN111582072A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合ResNet50+FPN+DCN的变电站图片鸟巢检测方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9384560B2 (en) * | 2014-10-27 | 2016-07-05 | King Fahd University Of Petroleum And Minerals | Contamination level estimation method for high voltage insulators |
-
2020
- 2020-09-01 CN CN202010906630.0A patent/CN112200178B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1975217A2 (de) * | 2007-03-29 | 2008-10-01 | Clariant International Ltd. | Flammgeschützte Klebe- und Dichtmassen |
| CN104978580A (zh) * | 2015-06-15 | 2015-10-14 | 国网山东省电力公司电力科学研究院 | 一种用于无人机巡检输电线路的绝缘子识别方法 |
| CN105528595A (zh) * | 2016-02-01 | 2016-04-27 | 成都通甲优博科技有限责任公司 | 在无人机航拍图像中对输电线路绝缘子的识别定位方法 |
| CN108470141A (zh) * | 2018-01-27 | 2018-08-31 | 天津大学 | 一种基于统计特征与机器学习的配电线路中绝缘子识别方法 |
| CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断系统 |
| CN110059556A (zh) * | 2019-03-14 | 2019-07-26 | 天津大学 | 一种基于深度学习的变电站开关分合状态检测方法 |
| CN110780164A (zh) * | 2019-11-04 | 2020-02-11 | 华北电力大学（保定） | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
| CN111583198A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合FasterR-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法 |
| CN111582072A (zh) * | 2020-04-23 | 2020-08-25 | 浙江大学 | 结合ResNet50+FPN+DCN的变电站图片鸟巢检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Automatic Fault Diagnosis of Infrared Insulator Images Based on Image Instance Segmentation and Temperature Analysis;Bin Wang等;《IEEE》;20200110;第5345-5355页 * |
| 基于稀疏表示法的绝缘子单片红外图谱的故障诊断方法;杨照光等;《电瓷避雷器》;20190825;第3-4节 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112200178A (zh) | 2021-01-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112200178B (zh) | 基于人工智能的变电站绝缘子红外图像检测方法 | |
| Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
| CN110598736B (zh) | 一种电力设备红外图像故障定位、识别与预测方法 | |
| CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
| Zhang et al. | InsuDet: A fault detection method for insulators of overhead transmission lines using convolutional neural networks | |
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN112380952A (zh) | 基于人工智能的电力设备红外图像实时检测及识别方法 | |
| CN113159334B (zh) | 基于轻量型深度学习的电气设备红外图像实时性检测与诊断方法 | |
| CN112164038A (zh) | 一种基于深度卷积神经网络的光伏热斑检测方法 | |
| CN109712127B (zh) | 一种用于机巡视频流的输电线路故障检测方法 | |
| CN113486877B (zh) | 基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法 | |
| Ou et al. | Infrared image target detection of substation electrical equipment using an improved faster R-CNN | |
| CN113205039A (zh) | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 | |
| CN109523543A (zh) | 一种基于边缘距离的导线断股检测方法 | |
| Wanguo et al. | Typical defect detection technology of transmission line based on deep learning | |
| Li et al. | PEDNet: A lightweight detection network of power equipment in infrared image based on YOLOv4-Tiny | |
| Bao et al. | MIAD: A maintenance inspection dataset for unsupervised anomaly detection | |
| Zheng et al. | Intelligent diagnosis method of power equipment faults based on single‐stage infrared image target detection | |
| Feng et al. | Infrared image recognition technology based on visual processing and deep learning | |
| Weng et al. | Newly designed identifying method for ice thickness on high‐voltage transmission lines via machine vision | |
| Wang et al. | Insulator defects detection for aerial photography of the power grid using you only look once algorithm | |
| CN115147591A (zh) | 一种变电设备红外图像电压致热型缺陷诊断方法及系统 | |
| Zhang et al. | Improved YOLOv8 Insulator Fault Detection Algorithm Based on BiFormer | |
| CN114494186A (zh) | 一种高压输变电线路电气设备的故障检测方法 | |
| CN112132088A (zh) | 一种巡检点位漏巡识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20210108 Assignee: Henan Guanglai Electronic Technology Co.,Ltd. Assignor: GUANGXI University Contract record no.: X2023980045497 Denomination of invention: Artificial Intelligence Based Infrared Image Detection Method for Substation Insulators Granted publication date: 20221011 License type: Common License Record date: 20231103 |