[发明专利]基于人工智能的电力设备红外图像实时检测及识别方法

说明书

本发明提供一种基于人工智能的电力设备红外图像实时检测及识别方法，包括以下步骤：S1、通过红外热成像仪获取多类电力设备的红外图像；S2、对获取的图像进行预处理，以形成有效的电力设备红外图像数据集；S3、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；S4、构建改进YOLOv4实时检测模型，用于检测和识别电力设备红外图像目标；S5、使用数据集中的训练集进行该模型的训练与参数调节；S6、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和识别，以证明其有效性；通过以上步骤实现多类电力设备的红外图像的自动检测识别。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。

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电力设备红外图像实时检测及识别方法。

背景技术

电力设备的安全稳定运行是确保电网可靠供电的关键。通过对设备巡检检测电力设备的运行状态，能够预防由设备缺陷或故障引起的事故发生。红外热成像技术提供了一种非接触的检测方式来获取电力设备的热状态信息，使电力设备的状态检测能在不断电的情况下进行，被广泛应用于电力设备的带电检测中。电力设备的红外图像能够显示其温度分布和范围，通过不同等级的色调和亮度变化来表示设备不同部位的温度。但目前对获取的电力设备红外图像数据仍需依赖经验丰富的电力工程师进行分析及诊断，从而消耗了大量的人力和时间成本，极大降低了电力设备状态检测与评估的效率。因此，研究电力设备状态自动检测的快速、准确方法已成为近年的热点课题，而对设备快速精确地定位是实现自动检测与诊断的前提和关键。

针对电力设备图像目标的精确定位研究，一些传统的目标检测方法通常分三个阶段：1)利用选择性搜索方法在给定的图像上选择候选区域；2)利用构造的特征描述符提取图像特征；3)使用分类器对特征进行分类。其特征提取过程，往往需要人工干预来获取与目标特征相关的原始图像信息，且泛化能力及鲁棒性较差。例如：Almeida C A L,Braga A P,Nascimento S,et al.Intelligent thermographic diagnostic applied to surgearresters:a new approach[J].IEEE Transactions on Power Delivery,2009,24(2):751-757。该文献先使用基于分水岭变换的数字图像处理算法分割出避雷器区域，再用模糊神经网络对分割数据进行训练分类。分水岭算法对图像中噪声和不均匀光照具有较强的鲁棒性，但该方法需要待检测设备位于图像中间才能被正确检测，因此具有一定的应用局限性。例如：Wu Q,An J.An active contour model based on texture distribution forextracting inhomogeneous insulators from aerial images[J].IEEE Transactionson Geoscience and Remote Sensing,2013,52(6):3613-3626。该文献利用半局部算子提取绝缘子图像的纹理特征，再将所定义的新凸能量函数加入主动轮廓模型，进一步提取出绝缘子轮廓，但该方法计算量大且模型不能自动初始化。近年来，基于深度学习的目标检测研究已成为电力设备视觉检测的研究热点。例如：Tao X,Zhang D,Wang Z,etal.Detection of power line insulator defects using aerial images analyzedwith convolutional neural networks[J].IEEE Transactions on Systems,Man,andCybernetics:Systems,2020,50(4):1486-1498。该文献提出了一种新颖的带级联结构的深度卷积神经网络，解决绝缘子定位和缺陷检测的两级问题。该级联结构的上级网络结合了VGG和区域建议网络来确定绝缘子的区域，能够快速定位绝缘子的位置。例如：Liu Z,WangH.Automatic detection of transformer components in inspection images based onimproved faster R-CNN[J].Energies,2018,11(12):3496。该文献将多尺度特征图与相对位置特征引入到Faster R-CNN模型中，用于检测变压器的六类组件，获得了较高的识别精度。例如：Gong X,Yao Q,Wang M,et al.A deep learning approach for orientedelectrical equipment detection in thermal images[J].IEEE Access,2018,6:41590-41597。该文献优先考虑目标各部分之间的方向一致性，提出了一种基于任意方向定位的深度卷积神经网络，用来检测红外图像下四类变电设备的小部件。例如：张倩,王建平,李帷韬.基于反馈机制的卷积神经网络绝缘子状态检测方法[J].电工技术学报,2019,34(16):3311-3321.该文献在LeNet_5模型中引入随机配置网络分类器，并添加反馈机制，提高了检测绝缘子的精度。例如：Redmon J,Farhadi A.YOLOv3:An incremental improvement[J/OL]。该文献首次提出了YOLOv3的检测模型，其单步骤的检测算法在检测速度和精度上均表现出了很大优势，因此在不同研究领域得到了推广和应用。中国专利文献CN103136531A记载了一种绝缘子串红外图像自动识别方法，采用监测图像和模板图像进行特征点提取和特征描述，生成描述向量，并进行特征匹配；完成绝缘子串红外图像的自动识别。但该方案对复杂背景、任意方向的情况下的红外图像识别几乎不能适用。CN106919929A一种基于模板匹配的红外图像中绝缘子自动识别方法，也存在相同的问题。