一种变电设备接头发热的自动识别方法技术

为了解决现有技术中对导电接头等小部件识别的准确性和鲁棒性较低的问题，本发明专利技术提供一种变电设备接头发热的自动识别方法，首先采用已标注的变电设备图像，对深度学习目标分割模型Mask R‑CNN和机器学习模型支持向量机进行训练；然后用训练好的模型对待识别的变电设备图像进行导电接头的定位；最后根据相关的缺陷定级标准对导电接头区域进行发热缺陷的判定，并输出接头发热识别结果。本发明专利技术方法可以实现变电设备图像中导电接头部位的准确识别和分割，并进行接头发热缺陷的自动判断。相比于同类的目标识别与分割方法，提高了变电设备接头的定位精度，以及接头发热缺陷的识别准确率。

An automatic identification method of joint heating in Substation

【技术实现步骤摘要】
一种变电设备接头发热的自动识别方法
本专利技术涉及变电设备图像识别
，特别涉及一种变电设备接头发热的自动识别方法。
技术介绍
相关研究表明，50％以上的电力设备故障都和接触不良、连接松动、漏磁等原因造成的电力部件发热相关。在大量电力设备集中运行的变电站中，各类变电设备的导电接头是承载负荷电流的重要部位，也是容易产生过热缺陷隐患的关键部位。对变电设备的导电接头发热缺陷进行及时监测与识别，是防止接头发生进一步熔焊、烧毁乃至引发更严重电力事故的关键，对保障电力系统的安全稳定运行具有重要的意义。然而，由于目前计算机视觉技术在变电设备图像识别中的应用仍不够深入，大量变电设备图像中的导电接头发热缺陷仍要依靠人工通过肉眼进行的观察和判断，不仅严重降低了缺陷识别的效率，而且影响了缺陷识别的准确性和稳定性。因此，采用计算机视觉技术，尤其是深度学习等人工智能技术代替肉眼进行导电接头位置和缺陷的自动识别，是提升变电设备导电接头发热识别效率和准确率的重要手段。变电设备接头发热自动识别的关键在于准确识别和分割出变电设备图像中接头的位置。对于变电设备图像中部本文档来自技高网...

【技术保护点】
1.一种变电设备接头发热的自动识别方法，其特征在于，包括以下步骤：/nS1.收集变电站设备图像，并建立变电设备接头发热缺陷定级标准表；/nS2.用不规则轮廓标注出S1步骤中所述的变电设备图像中的导电接头的所在区域，轮廓外的像素为背景像素；同时，根据所标注的不规则轮廓，生成该轮廓的外接矩形，形成训练图像；/n其中，上述轮廓内包含的像素为Mask R-CNN模型的目标分割输出标签；生成的外接矩形，作为Mask R-CNN模型的目标检测输出标签；/nS3.通过图像裁剪和/或图像翻转和/或图像色彩扰动对S2步骤中的训练图像进行扩展，得到扩展后的训练图像；/nS4.将S3步骤中的扩展后的训练图像划分为红...

【技术特征摘要】
1.一种变电设备接头发热的自动识别方法，其特征在于，包括以下步骤：
S1.收集变电站设备图像，并建立变电设备接头发热缺陷定级标准表；
S2.用不规则轮廓标注出S1步骤中所述的变电设备图像中的导电接头的所在区域，轮廓外的像素为背景像素；同时，根据所标注的不规则轮廓，生成该轮廓的外接矩形，形成训练图像；
其中，上述轮廓内包含的像素为MaskR-CNN模型的目标分割输出标签；生成的外接矩形，作为MaskR-CNN模型的目标检测输出标签；
S3.通过图像裁剪和/或图像翻转和/或图像色彩扰动对S2步骤中的训练图像进行扩展，得到扩展后的训练图像；
S4.将S3步骤中的扩展后的训练图像划分为红外图像和可见光图像两组，分别通过MaskR-CNN模型进行训练，分别得到红外图像的预测结果和可见光图像的预测结果；上述的红外图像的预测结果和可见光图像的预测结果均包括矩形框坐标、置信度以及图像类型信息；
S5.通过支持向量机模型的划分函数对S4步骤得到的红外图像的预测结果和可见光图像的预测结果进行划分；
S6.通过拍摄的设备与部位名称关键字，对获得的拍摄图像进行筛选，选择出包含的各类设备接头的待识别图像；
S7.对S6步骤筛选好的每一张待识别图像，依次进行S4、S5步骤，通过支持向量机模型的划分函数对样本特征进行划分，从而得到支持向量机模型的输出值；
S8.根据S7步骤的输出值判断图像是否定位准确；
S9.对于通过S8步骤正常定位到导电接头的变电设备图像，读取其温度最高点的温度值，并按照图片上的设...

【专利技术属性】
技术研发人员：邱增炜，杨俊华，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44