一种基于改进型ANN算法的红外测温图谱的温度识别方法技术

本发明专利技术公开一种基于改进型ANN算法的红外测温图谱的温度识别方法，涉及互联网大数据技术领域，解决的技术问题是红外测温图谱的温度识别和分析的问题，采用的方案是：一种基于改进型ANN算法的红外测温图谱的温度识别方法，包括以下步骤：步骤一、通过红外测温摄像机获取红外测温图谱的数据信息，并对获取到的红外测温图谱进行数据预处理；步骤二、对处理后的红外测温图谱进行信息分解；步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断，步骤四、异常预警，对具有异常温度的红外测温图谱进行预警。本发明专利技术大大提高了红外测温图谱的温度识别和分析能力。提高了红外测温图谱的温度识别和分析能力。提高了红外测温图谱的温度识别和分析能力。

【技术实现步骤摘要】
一种基于改进型ANN算法的红外测温图谱的温度识别方法


[0001]本专利技术涉及互联网大数据
，且更具体地涉及一种基于改进型ANN算法的红外测温图谱的温度识别方法。

技术介绍

[0002]小区变/配电房/开闭所智能巡检系统是集遥信、遥测、遥控等功能为一体的物联网综合监控管理系统，系统通过在配电站房内配置AI变配电辅助监控装置，结合配电监控云平台，完成机器人智能巡检、红外热成像分析、AI仪表识别、变压器超温监测、开关柜局放监测、开关柜触头测温、蓄电池监测、低压馈线监测、视频监控、环境监测、红外测温图谱控制、安防消防监测等的数据采集。实现对配网配电站所运行状态、运行环境及安防环境的一体化监控，实现配电站所运检的整体智能化与管理云端化，达到“无人值班，少人值守”目的。
[0003]在超高压输电环节,日常红外测温的数据具有数据量大、增长快速等特点。红外测温技术是一种带电运维红外测温图谱的检测技术,它通过接受物体发出的红外辐射,将其热象显示在荧光屏上,以此来判断物体表面的温度分布情况。目前,与常规停电试验相比,红外测温试验检测周期较短,根据情况可连续跟踪检测,红外测温检测红外测温图谱涉及全站所有红外测温图谱,如何提前预测小区变/配电房/开闭所等场所风险，警示用户相关注意事项，常规通常采用用电笔接触带电体，如果氖泡亮一下立刻就熄灭，证明带电体带的就是静电；如果长亮定是漏电，这种方法虽然也能够检测到漏电问题，但是需要用户身临现场才能检测，如果在配电站房高压漏电环境下，很容易触电，造成人身安全隐患。随着人工智能技术的飞速发展，运维人员改进了红外测温技术，通常一般需要对同一间隔下三相测温数据进行对比,因此对于某一红外测温图谱而言,会产生3张测温图谱与1张日光照片。通常情况下,当检测工作结束后,运维人员在班组进行数据的整理分类,测温图谱的整理、分类及统计,将耗费大量的人力、物力,过程十分繁琐且易出现错误。

技术实现思路

[0004]针对上述技术的不足，本专利技术公开一种基于改进型ANN算法的红外测温图谱的温度识别方法，通过人工智能、大数据计算的方法，将红外测温图谱的宏观温度信息转换为数学思维的方式，以提高红外测温图谱的温度识别和分析能力，用户无须身临现场，能够实现红外测温图谱数字识别，用户可以在远程自动化识别红外图谱并进行自动化诊断。
[0005]本专利技术采用以下技术方案：
[0006]一种基于改进型ANN算法的红外测温图谱的温度识别方法，其中包括以下步骤：
[0007]步骤一、通过红外测温摄像机获取红外测温图谱的数据信息，并对获取到的红外测温图谱进行数据预处理；
[0008]在本步骤中，通过改进型ANN算法对红外测温图谱的位置信息识别；改进型ANN算法包括以下步骤：
[0009](S11)、通过风险优先级编号网络获得红外测温图谱特征点提取位置，同时生成位置敏感分数图；
[0010]在本步骤中，假设红外测温图谱特征点数据通道数量为N，通过最大值池化位置敏感分数图反映红外测温图谱特征系数，使用(x,y)来表示位置敏感分数图的单个区块的所在位置；红外测温图谱特征点位置函数为：
[0011][0012]式(1)中，M
i
(x,y|r)表示红外测温图谱特征点位置敏感分数图第i个通道中B2个分块中的第(x,y)个分块，i表示通道序号，n表示红外测温图谱特征点总数，z表示红外测温图谱要素特征点B2个分块中第(a,b)个分块对应在要素图中位置集合，a0与b0表示初始位置，r表示改进型ANN算法的参数；
[0013](S12)、对通道数为B2(i+1)的位置敏感分数图进行最大值计算，最大值计算表达式为：
[0014]H
i
(r)＝max(M
i
(x,y|r))
ꢀꢀ
(2)
[0015]式(2)中，H
i
(r)表示红外测温图谱特征向量，max表示每个位置敏感分数图中的最大值；max(M
i
(x,y|r))表示每个位置敏感分数图中的最大值函数值，在改进型ANN算法网络模型中，对红外测温图谱特征向量做完全连接，完全连接层函数表达式为：
[0016][0017]式(3)中，m(r)表示完全连接层函数表示式，w
i
表示红外测温图谱特征向量权重，β表示权重参数；H
i
表示完全连接层函数隐层函数值；
[0018]然后对红外测温图谱特征向量进行Soft max分类操作，
[0019]在所述Soft max分类过程中加入数据加速器；Soft max分类函数表达式为：
[0020][0021]式(4)中，S
i
(r)表示Soft max分类操作函数；e
m(r)
表示完全连接层函数的指数函数，K表示加速器的倍数；
[0022](S13)对输入到Soft max分类操作函数的红外测温图谱特征向量进行网络训练阶段，采用TL训练方法，计算红外测温图谱特征向量损失函数，改进型ANN算法的损失函数L(S,t)为每个交叉熵损失以及边界框回归损失之和，损失函数表示式为：
[0023][0024]式(5)中，λ表示常参数，λ＝1，i*表示TL网络训练的类标，t表示改进型ANN算法理论回归框参数，t*表示改进型ANN算法真实回归框参数，R表示R语言下改进型ANN算法的损失函数Smooth(v)；
[0025]损失函数表示为：
[0026][0027]式(6)中，v表示回归框；Smooth(v)回归框光滑处理后保留了TL网络训练中梯度稳定的特点，在吸取了改进型ANN算法的损失函数L(S,t)中心点不可求导的缺陷；
[0028](S14)、最后对红外测温图谱进行识别，得到识别判定函数V表达公式为：
[0029][0030]式(7)中，通过输入改进型ANN算法的回归框与损失函数，识别判定函数V对每个红外测温图谱特征点进行判别，d表示判别结果函数，通过输出d值判定红外测温图谱的各个特征点所在位置；表示回归框信息函数；
[0031]步骤二、对处理后的红外测温图谱进行信息分解，以分析提取到的红外测温图谱数据信息；信息分解方法为改进型小波变换算法模型，其中所述改进型小波变换算法模型包含编码器；
[0032]步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断，将具有故障数据信息的红外测温图谱分离出来；其中Sobel红外测温图谱算子检测模型包括红外测温图谱信息输入模型、红外测温图谱信息特征提取模块、红外测温图谱信息诊断模块和红外测温图谱信息输出模块，其中所述红外测温图谱信息输入模型的输出端与红外测温图谱信息特征提取模块的输入端连接，红外测温图谱信息特征提取模块的输出端与红外测温图谱信息诊断模块的输入端连接；红外测温图谱信息诊断模块的输出端与红外测温图谱信息输出模块的输入端连接；
[0033]步骤四、异常预警，对具有异常温度的红外测温图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进型ANN算法的红外测温图谱的温度识别方法，其特征在于：包括以下步骤：步骤一、通过红外测温摄像机获取红外测温图谱的数据信息，并对获取到的红外测温图谱进行数据预处理；在本步骤中，通过改进型ANN算法对红外测温图谱的位置信息识别；改进型ANN算法包括以下步骤：(S11)、通过风险优先级编号网络获得红外测温图谱特征点提取位置，同时生成位置敏感分数图；在本步骤中，假设红外测温图谱特征点数据通道数量为N，通过最大值池化位置敏感分数图反映红外测温图谱特征系数，使用(x,y)来表示位置敏感分数图的单个区块的所在位置；红外测温图谱特征点位置函数为：式(1)中，M
i
(x,y|r)表示红外测温图谱特征点位置敏感分数图第i个通道中B2个分块中的第(x,y)个分块，i表示通道序号，n表示红外测温图谱特征点总数，z表示红外测温图谱要素特征点B2个分块中第(a,b)个分块对应在要素图中位置集合，a0与b0表示初始位置，r表示改进型ANN算法的参数；(S12)、对通道数为B2(i+1)的位置敏感分数图进行最大值计算，最大值计算表达式为：H
i
(r)＝max(M
i
(x,yr))(2)式(2)中，H
i
(r)表示红外测温图谱特征向量，max表示每个位置敏感分数图中的最大值；max(M
i
(x,yr))表示每个位置敏感分数图中的最大值函数值，在改进型ANN算法网络模型中，对红外测温图谱特征向量做完全连接，完全连接层函数表达式为：式(3)中，m(r)表示完全连接层函数表示式，w
i
表示红外测温图谱特征向量权重，β表示权重参数；H
i
表示完全连接层函数隐层函数值；然后对红外测温图谱特征向量进行Soft max分类操作，如图4所示，在所述Soft max分类过程中加入数据加速器；Soft max分类函数表达式为：式(4)中，S
i
(r)表示Soft max分类操作函数；e
m(r)
表示完全连接层函数的指数函数，K表示加速器的倍数；(S13)对输入到Soft max分类操作函数的红外测温图谱特征向量进行网络训练阶段，采用TL训练方法，计算红外测温图谱特征向量损失函数，改进型ANN算法的损失函数L(S,t)为每个交叉熵损失以及边界框回归损失之和，损失函数表示式为：
式(5)中，λ表示常参数，λ＝1，i*表示TL网络训练的类标，t表示改进型ANN算法理论回归框参数，t*表示改进型ANN算法真实回归框参数，R表示R语言下改进型ANN算法的损失函数Smooth(v)；损失函数表示为：式(6)中，v表示回归框；Smooth(v)回归框光滑处理后保留了TL网络训练中梯度稳定的特点，在吸取了改进型ANN算法的损失函数L(S,t)中心点不可求导的缺陷；(S14)、最后对红外测温图谱进行识别，得到识别判定函数V表达公式为：式(7)中，通过输入改进型ANN算法的回归框与损失函数，识别判定函数V对每个红外测温图谱特征点进行判别，d表示判别结果函数，通过输出d值判定红外测温图谱的各个特征点所在位置；表示回归框信息函数；步骤二、对处理后的红外测温图谱进行信息分解，以分析提取到的红外测温图谱数据信息；信息分解方法为改进型小波变换算法模型，其中所述改进型小波变换算法模型包含编码器；步骤三、将处理后的红外测温图谱信息通过Sobel红外测温图谱算子检测模型进行诊断，将具有故障数据信息的红外测温图谱分离出来；其中Sobel红外测温图谱算子检测模型包括红外测温图谱信息输入模型、红外测温图谱信息特征提取模块、红外测温图谱信息诊断模块和红外测温图谱信息输出模块，其中所述红外测温图谱信息输入模型的输出端与红外测温图谱信息特征提取模块的输入端连接，红外测温图谱信息特征提取模块的输出端与红外测温图谱信息诊断模块的输入端连接；红外测温图谱信息诊断模块的输出端与红外测温图谱信息输出模块的输入端连接；步骤四、异常预警，对具有异常温度...

【专利技术属性】
技术研发人员：冯玉平，熊民庆，张力阵，
申请(专利权)人：河南赛贝电子科技有限公司，
类型：发明
国别省市：