红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而...红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。展开更多
当前高速铁路接触网参数检测中,存在开口销体积小、分布分散、故障缺陷识别困难,过度依赖综合检测车等问题。本文提出一种采用无人机航拍,结合图像分割与识别技术的基于更快的区域卷积神经网络(Faster R-CNN)算法实现图像处理和优化,进...当前高速铁路接触网参数检测中,存在开口销体积小、分布分散、故障缺陷识别困难,过度依赖综合检测车等问题。本文提出一种采用无人机航拍,结合图像分割与识别技术的基于更快的区域卷积神经网络(Faster R-CNN)算法实现图像处理和优化,进而对开口销缺陷进行检测识别的方法,有效地提升开口销缺陷识别准确率和有效性。测试结果表明,采用基于Faster R-CNN算法的无人机高速铁路接触网开口销缺陷检测方法的开口销图像缺陷识别准确率可达到98%以上,平均精度约90%,接受者操作特征曲线下的面积(area under curve,AUC)大于0.98。该算法通过软件开发工具包(software development kit,SDK)嵌入到无人机,实现接触网开口销自动巡检、智能识别,为现场作业提供智能化检测设备,提升接触网的智能化检测手段,保障高速铁路安全运行。展开更多
文摘红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。
文摘当前高速铁路接触网参数检测中,存在开口销体积小、分布分散、故障缺陷识别困难,过度依赖综合检测车等问题。本文提出一种采用无人机航拍,结合图像分割与识别技术的基于更快的区域卷积神经网络(Faster R-CNN)算法实现图像处理和优化,进而对开口销缺陷进行检测识别的方法,有效地提升开口销缺陷识别准确率和有效性。测试结果表明,采用基于Faster R-CNN算法的无人机高速铁路接触网开口销缺陷检测方法的开口销图像缺陷识别准确率可达到98%以上,平均精度约90%,接受者操作特征曲线下的面积(area under curve,AUC)大于0.98。该算法通过软件开发工具包(software development kit,SDK)嵌入到无人机,实现接触网开口销自动巡检、智能识别,为现场作业提供智能化检测设备,提升接触网的智能化检测手段,保障高速铁路安全运行。