一种基于深度学习的电力设备红外图像处理方法技术

本发明专利技术公开了一种基于深度学习的电力设备红外图像处理方法。该方法采用深度学习进行电力设备红外图像处理，采用深度卷积神经网络建立的处理模型进行电力设备红外图像处理，同时且极大地同降低高斯白噪声，电力设备机械振动以及环境雾效对红外图像的影响。同时将递归调用和扩张卷积应用到所提出的深度卷积神经网络上，在相同的参数量下达到了更好的处理效果。该发明专利技术特点是创新性强，实用性强，能够实现电力设备红外图像处理效果好、速度快的需求。

An Infrared Image Processing Method for Power Equipment Based on Deep Learning

The invention discloses an infrared image processing method for power equipment based on depth learning. This method uses deep learning to process infrared image of power equipment, and uses the processing model established by deep convolution neural network to process infrared image of power equipment. At the same time, it greatly reduces the influence of Gauss white noise, mechanical vibration of power equipment and environmental fog effect on infrared image. At the same time, recursive invocation and extended convolution are applied to the proposed deep convolution neural network, which achieves better processing effect under the same parameters. The invention is characterized by strong innovation and practicability, and can meet the requirements of infrared image processing of power equipment with good effect and fast speed.

【技术实现步骤摘要】
一种基于深度学习的电力设备红外图像处理方法
本专利技术涉及电力设备监测
，更具体地说是指一种基于深度学习的电力设备红外图像处理方法。
技术介绍
随着我国经济的快速发展，国家提出建设坚强可靠的智能电网。电气设备长期处在运行状态下，易受外界环境的影响，经常出现各类故障，因此，对不同类型的电气设备进行有效的监控，成为了目前研究的热点。红外热成像技术是电力系统在线实时监测中一个强大的工具，通过热像图发现电力设备因故障或隐患造成温度异常的部位，预防潜在的风险，从而提升电网运行稳定性和可靠性。但是由于外界环境和设备中的电子器件等干扰因素的影响，红外图像在获取、传输和存储过程中会不可避免地受到各种噪声的干扰，如高斯噪声、脉冲噪声等，这不仅会导致图像质量的下降，而且还会对红外图像分析和识别等操作产生影响，从而降低检测系统的可靠性。此外，电力设备在工作时通常会产生机械振动，有些电力设备装设在户外，大雾天同样会导致图像质量的下降，因此对获取的红外图像进行处理是非常关键的。此外，传统电气设备红外图像处理方法只是针对各种噪声对图像产生的影响进行去噪处理，并未从机械振动和雾对图像产生的影响进行处理。深度本文档来自技高网...

【技术保护点】
1.一种基于深度学习的电力设备红外图像处理方法，其特征在于,包括以下步骤：包括以下步骤：A、构建电力设备红外图像的训练样本对；B、搭建基于深度学习的电力设备红外图像处理模型；C、对所述模型进行参数调节及优化，训练所述模型并对其进行测试。

【技术特征摘要】
1.一种基于深度学习的电力设备红外图像处理方法，其特征在于,包括以下步骤：包括以下步骤：A、构建电力设备红外图像的训练样本对；B、搭建基于深度学习的电力设备红外图像处理模型；C、对所述模型进行参数调节及优化，训练所述模型并对其进行测试。2.如权利要求1所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于,所述步骤A的具体步骤为下：第一步：利用红外成像仪采集电力设备的红外图像，并对采集到的红外图像进行归一化处理，获得复数张干净红外图像；第二步：通过旋转、翻转或平移操作后，将每一张干净红外图像随机裁剪成若干较小的图像块，得到足够多的干净图像样本f（x,y）；第三步：以干净图像样本f（x,y）作为模型的标签，对每张干净图像样f（x,y）本依次加上机械振动模拟处理，雾效模拟处理和高斯白噪声，最终得到相应的带噪模糊图像样本G（x,y），获得复数个训练样本对，以总样本对的70%作为训练集，15%作为验证集，15%作为测试集。3.如权利要求2所述的一种一种基于深度学习的电力设备红外图像处理方法，其特征在于,所述第三步的具体操作为下：根据公式：对净图像样本f（x,y）进行机械振动模拟处理，得到振动模糊图像G1（x,y），其中F（u,v）是f（x,y）的傅里叶变换，G1（u,v）是G1（x,y）的傅里叶变化，J0表示第一类零阶赛尔函数，A表示振幅，表示振动方向与水平轴（x轴）的夹角，再根据公式G2（x,y）=G1（x,y）×t(x,y)+A×(1-t(x,y))对振动模糊图像G1（x,y）进行雾效模拟处理，得到双重模糊图像G2（x,y），其中A表示大气光参数，t（x,y）表示透射率，再对双重模糊图像G2（x,y）加入高斯白噪声，最终得到带噪模糊图像G（x,y）。4.如权利要求1所述的一种基于深度学习的电力设备红外图像处理方法，其特征在于,所述步骤B的具体操作为下：所述模型由三部分构成，第一部分为特征提取模块，由一个卷积层和一个非线性激活层构成；第二部分为递归调用模块，包含三个扩...

【专利技术属性】
技术研发人员：毛恒，黄悦，邓敏，艾春，刘成宝，
申请(专利权)人：红相股份有限公司，
类型：发明
国别省市：福建,35