基于图像增强与深度学习的变电设备红外热像识别方法

红外热像的自动识别是变电设备缺陷与故障诊断的重要手段。针对目前变电设备的红外热像识别存在的极易受到背景杂波干扰、图像视觉效果差、缺乏智能方法等问题,使用快速导向滤波在去噪时保留边缘信息,提出参数自调整的Retinex算法对图像进行增强,提高红外热像的对比度;改进YOLOv3网络的特征提取网络与损失函数提高变电设备的识别精度。经测试,5种变电设备的识别平均准确率可以达到94.85%,每张图片的识别速度为7.88ms/张。实验结果表明了该方法的准确性和快速性,为实现变电设备状态监测提供一定条件。

基于深度学习的变电设备红外热像识别

在变电设备状态监测与故障诊断中,可自动识别变电设备的红外热像识别技术是关键技术之一。为解决目前在变电设备的红外热像识别中存在的背景温度过度集中、对比度低、缺乏智能方法等问题,提出了一种使用RetinexNet算法对图像进行增强的方法,为红外热像的精准识别创造条件;使用YOLOX-Darknet53算法对增强后的图像进行目标检测。在试验中,使用该方法对红外热像进行识别,不仅每张图像的识别时长可以达到6.88 ms,且8种变电设备识别的平均精确率可以达到96.51%。实验数据验证了,所提方法的高效性和精准度,可以满足监测变电设备状态的需求。