-
题名双监督信号深度学习的电气设备红外故障识别
被引量:18
- 1
-
-
作者
贾鑫
张惊雷
温显斌
-
机构
天津市复杂系统控制理论及应用重点实验室
天津理工大学电气电子工程学院
天津理工大学计算机视觉与系统教育部重点实验室
-
出处
《红外与激光工程》
EI
CSCD
北大核心
2018年第7期22-28,共7页
-
基金
国家自然科学基金(61472278)
-
文摘
为提高电气设备红外故障图像识别准确率,提出了基于双监督信号深度学习的电气设备红外故障图像识别方法。首先,使用Slic超像素分割算法合并相似像素成区域块;其次,根据改进后HSV空间的亮度信息判别设备温度异常区域,进而分割出温度异常区域所在的连通区域及所对应的设备;最后,基于GoogLeNet卷积神经网络对电气设备红外故障图像进行特征提取,再采用softmax损失和中心损失两种监督信号对提取的特征进行监督训练,并自行建立700幅电气设备红外故障图像数据集,其中500幅用于训练,200幅用于测试。实验结果表明:使用双监督信号深度学习算法测试准确率达到98.6%,比单独使用softmax损失时准确率提高了1%。该算法能够对变压器套管、电流互感器、避雷器、隔离开关、绝缘子5种电气设备及其对应故障精准定位、识别。
-
关键词
红外故障识别
softmax损失
中心损失
卷积神经网络
-
Keywords
infrared fault recognition
softmax loss
center loss
convolution neural network
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于电力设备红外图像的故障点快速识别算法
被引量:3
- 2
-
-
作者
周仿荣
马仪
马御棠
钱国超
文刚
-
机构
云南电网公司电力科学研究院
-
出处
《电力设备管理》
2019年第10期193-195,共3页
-
文摘
提出基于YOLO目标算法识别红外图像故障点的方法,改进了YOLO算法的预测流程,让其具有识 别红外图像故障点的功能,试验结果表明准确率达85%以上。
-
关键词
电力设备
YOLO算法
红外故障识别
目标检测
-
分类号
TP3
[自动化与计算机技术—计算机科学与技术]
-