电力设备红外热图的识别方法和电力设备红外识别系统技术方案

本发明专利技术公开了一种电力设备红外热图的识别方法和电力设备红外识别系统，所述方法包括：S1：通过红外热像仪采集多个包含有待识别的电力设备的电力设备红外热图，获得训练样本集合；S2：对训练样本集合中的每个电力设备红外热图分别依次进行增强处理以及归一化处理；S3：提取预处理红外热图中的电力设备红外热图特征，包括图像特征和热分布特征；S4：保存瓶颈特征；S5：网络优化，获得红外热图为电力设备的概率阈值。相对于大量红外电力设备的人工识别、标注和命名，本发明专利技术基于对电力设备红外热图的高识别率，可以用于红外热像仪拍摄现场的图片命名和缺陷诊断，和后期电力设备状态及异常情况的自动化分析，本发明专利技术识别红外热图电力设备的准确率高。

【技术实现步骤摘要】
电力设备红外热图的识别方法和电力设备红外识别系统
本专利技术属于电力设备
，具体涉及一种电力设备红外热图的识别方法和电力设备红外识别系统。
技术介绍
输变电线路中有多种电力设备，为了避免故障的发生，因长期工作，并且绝大多数电力设备经受日晒雨淋，出现故障的几率较大，因此需要定期巡检。对输变电线路中的电力设备进行识别的传统方法为：采集输变电线路中电力设备的图片或视频，传输至监控后台，监控后台的工作人员通过人眼观察图片或视频，人为判断输变电线路中的电力设备是否存在缺陷。该种通过监控后台的工作人员人眼观察并判断是否存在缺陷的方式，给工作人员带来很大的工作量，不能实现智能化缺陷识别。目前，也出现了多种智能巡检方法，利用红外热像仪获取待检测电力设备的红外热图，通过计算机视觉、红外热图处理等技术实现电力设备的识别和定位，进而可以进行状态监测和故障诊断。虽然对于电力设备的巡检更加智能化，但是现有对于电力设备的红外热图识别技术依然存在一些不足，例如对于背景和拍摄器材的噪音抗干扰能力较弱。
技术实现思路
为了解决上述问题，本专利技术提供了一种电力设备红外热图识别方法，结合电力设备所具有的不同图像纹理和本文档来自技高网...

【技术保护点】
1.电力设备红外热图的识别方法，其特征在于，包括以下步骤：S1：通过红外热像仪采集多个包含有待识别的电力设备的红外热图，获得训练样本集合；S2：对训练样本集合中的每个电力设备红外热图分别依次进行增强处理以及归一化处理，得到预处理红外热图；S3：提取所述预处理红外热图中的电力设备红外热图特征：构建VGG16深度网络，其中VGG16深度网络中从第一卷积模块中的第二个二维卷积至第三卷积模块中的第三个二维卷积之间的二维卷积均为Squeeze Net中的模块化的卷积化模块Fire Module，即获得基于VGG16和Squeeze Net的神经网络框架；S4：保存瓶颈特征：输入训练样本集合和测试样本集合...

【技术特征摘要】
1.电力设备红外热图的识别方法，其特征在于，包括以下步骤：S1：通过红外热像仪采集多个包含有待识别的电力设备的红外热图，获得训练样本集合；S2：对训练样本集合中的每个电力设备红外热图分别依次进行增强处理以及归一化处理，得到预处理红外热图；S3：提取所述预处理红外热图中的电力设备红外热图特征：构建VGG16深度网络，其中VGG16深度网络中从第一卷积模块中的第二个二维卷积至第三卷积模块中的第三个二维卷积之间的二维卷积均为SqueezeNet中的模块化的卷积化模块FireModule，即获得基于VGG16和SqueezeNet的神经网络框架；S4：保存瓶颈特征：输入训练样本集合和测试样本集合，提取全连接层之前的输出，即获得瓶颈特征，并使用Nadam优化器训练瓶颈特征；S5：网络优化：VGG16深度网络预权重以及瓶颈特征权重，冻结神经网络框架的第一卷积模块、第二卷积模块以及第三卷积模块，并将第四卷积模块、第五卷积模块以及全连接层进行全局优化训练，得到电力设备网络模型，获得红外热图为电力设备的概率阈值；S6：利用所述电力设备网络模型，输入或读取待识别红外热图，获得待识别红外热图中包括所述电力设备的概率，若待识别红外热图中包括所述电力设备的概率高于所述概率阈值时，则该待识别红外热图为所述电力设备。2.如权利要求1所述的电力设备红外热图的识别方法，其特征在于，所述步骤S1中，将采集的电力设备红外热图进行不同尺度的变换，获得训练样本集合。3.如权利要求1所述的电力设备红外热图的识别方法，其特征在于，所述步骤S2中通过拉普拉斯算子进行增强处理。4....

【专利技术属性】
技术研发人员：袁杰，梁川，薛晓勇，陈灵紫，金碧辉，
申请(专利权)人：杭州天铂红外光电技术有限公司，
类型：发明
国别省市：浙江,33