[发明专利]一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法

说明书

本发明涉及一种基于YOLOv3‑tiny算法的绝缘子红外图像故障检测方法，其包括如下步骤：对大样本外绝缘设备红外通道数据进行图像预处理以扩充训练样本；采用K‑means聚类算法进行标注框的聚类分析，确定边界框的大小：基于YOLOv3‑tiny的评判机制和大样本红外通道数据进行模型训练；将待检测的红外通道图像输入上一步所得模型中进行识别诊断。本发明可有效定位出绝缘子红外图像中的异常发热点，模型轻量且参数少，为指导电力系统外绝缘设备运检，减少人力、物力消耗，提高电网运行的智能化和实时化监控水平，提供了一种新的思路。

技术领域

本发明涉及电网故障识别诊断技术领域，尤其是一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法。

背景技术

电力外绝缘设备的在线监控与劣化诊断对于维护电力系统安全稳定运行具有重要意义。线路绝缘子作为高压输电线系统中至关重要的组成部分，承担着连接导体和电气绝缘的功能，绝缘子大多分布在野外，受到外界环境变化的一系列影响，有可能发生闪络、掉串等故障，在电网运行中，电力设备部件因绝缘破损、接触面氧化腐蚀、设计载流量不足等原因劣化并过热运行，从而具有异于常态的温度分布。为了保障电力系统安全可靠运行，需要安排人员定期进行绝缘子巡检工作，我国目前主流的巡检方法是通过驾驶直升机或遥控无人机，沿输电线路巡检，利用红外热像仪远距离进行电力设备的故障检测，采集海量视频和图像，对所获取的绝缘子红外图谱进行分类评估可以大大提高电力巡检效率。

红外成像技术是一项前途广阔的高新技术。比0.78微米长的电磁波位于可见光光谱红色以外，称为红外线，又称红外辐射。是指波长为0.78—1000微米的电磁波，其中波长为0.78—2.0微米的部分称为近红外，波长为2.0—1000微米的部分称为热红外线。自然界中，一切物体都可以辐射红外线，因此利用探测仪测量目标本身与背景间的红外线差可以得到不同的热红外线形成的红外图像。依据温升曲线的异常分布，检测出待测设备是否劣化故障。红外检测主要依靠的是通过非接触的方式，感知从温度高于绝对零度的物体辐射出的红外能量，并将其转化为电信号，来测量物体的表层温度，并生成红外热像图。一般来说，温度越高的物体辐射出的红外能量越强。对于绝缘性能良好的绝缘子，泄漏电流主要分布在绝缘子瓷件的表层污秽中，当环境相对湿度较大时，瓷件表面污秽溶解，泄漏电流有所增加，绝缘子的钢帽下半部分及整个瓷件的温度会有所上升；当瓷质绝缘子发生裂化时，连接钢脚钢帽的瓷件处会产生泄漏电流的通道，致使在红外图像中整个钢帽是均匀发热，而瓷件的温度变化几乎为零。依据红外图像中正常绝缘子和劣化绝缘子发热特征的不同，可以对劣化片进行识别。该方法以其安全、高效、直观等优势，在电力系统中广泛应用。然而，目前的红外运检策略，往往通过现场采集数据，经由后台技术人员依据温升差异进行经验排查，评估绝缘子的运行状态。由于电网规模增长，直升机、无人机、机器人巡线的大量应用，导致红外运检中产生的大量红外图像积压，降低了效率，桎梏着红外运检的发展。

为了快速准确的诊断出劣化绝缘子，不少文献提出了将数据挖掘的方法应用到故障诊断的领域：BP神经网络，灰色预测，模糊计算，遗传算法，Petri网络及决策树，支持向量机等。这些传统劣化绝缘子识别方法需要研究人员去提取目标的特征进行人工表达，然后使用浅层的机器学习模型进行分析和识别，人工选择或设计特征需要大量的先验知识，尝试将特征进行多种组合或改进，来适应特定场景下的目标识别任务。电力设备部署环境复杂、设备类别繁多、同种设备类型多种多样，传统目标识别方法最终选定的特征很可能不具备良好的泛化能力，不能适应多种场景、不同自然条件下的绝缘子提取，不利于推广和应用。