论文部分内容阅读
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、异常区域及设备检测模型,通过模型验证、样例效果测试,结果表明该方法具有较高的检测精度,但是检测速度较低,不能实时检测。最后,针对基于Faster R-CNN的红外图像检测方法检测速度低、难实时检测、难以在实际智能巡检设备上部署应用的缺点,提出以轻量化网络MobileNets为基础网络的SSD检测网络,训练电力设备红外检测的异常区域、异常区域及设备检测双模型,通过模型验证与样例效果测试,结果表明该方法有较好的检测精度并能够达到实时检测的效果。论文中提出的红外图像去噪增强方法有较好的图像增强效果,Faster R-CNN检测方法有较高的检测精度但检测速度低,而SSD检测方法有较好的检测精度并能实时检测,将为实现现有电力设备红外检测的“智能感知”打下基础。