电力设备运维过程中积累了大量缺陷图像与文本数据,这些数据对指导电力设备故障诊断及维护决策具有重要意义。针对现有电力设备缺陷分类任务中数据形式单一、融合层次浅、数据质量差等问题,该文提出了一种基于改进注意力机制和对比学习...电力设备运维过程中积累了大量缺陷图像与文本数据,这些数据对指导电力设备故障诊断及维护决策具有重要意义。针对现有电力设备缺陷分类任务中数据形式单一、融合层次浅、数据质量差等问题,该文提出了一种基于改进注意力机制和对比学习的图文融合分类方法(image-text fusion classification method based on improved attention mechanism and contrastive learning,IAC-ITFusion)。首先,该方法设计了一种双循环跨模态注意力机制(dual-cycle cross-modal attention,DCCA),用于捕捉图文数据映射关系的同时整合特征信息。其次,基于对比学习的思想,提出了一种注意力引导损失函数,用于调控DCCA机制的学习方向,使其聚焦于正确的特征信息,实现图文数据特征的有效融合。最后,针对电力线、变电站设备缺陷图文融合分类任务进行实验验证,结果显示所提方法准确率分别达到98.48%和98.57%,证明了该方法在电力设备缺陷图文融合分类任务上的有效性,对于推动电力设备运维智能化发展具有重要意义。展开更多
为实现不同光学模态信息优势互补,以助力电力设备故障检测与定位任务,该文采用可见光图像增强红外图像的纹理信息。针对现有红外-可见光图像配准技术难以精确对齐电力设备局部精细化结构的问题,首次提出自适应监督重训配准算法(adaptive...为实现不同光学模态信息优势互补,以助力电力设备故障检测与定位任务,该文采用可见光图像增强红外图像的纹理信息。针对现有红外-可见光图像配准技术难以精确对齐电力设备局部精细化结构的问题,首次提出自适应监督重训配准算法(adaptive registration algorithm with supervision and retraining,ARSR),主要包括双阶各向异性高斯方向导数机制(dual order anisotropic Gaussian directional derivative,Dual-AGDD)以及双视图匹配参数重训框架(double-view matching parameter retraining,DVMPR)。首先,提出Dual-AGDD完成特征点筛选与定向。1阶AGDD进行自适应电力设备局部细化角点检测,2阶AGDD构建高斯特征三角形确定特征点主方向,采用局部强度不变性方法构建特征描述子。接着,提出DVMPR框架对图像透视尺度与视野旋转进行制约校正。最后,基于3σ原则改进支持向量回归,对误匹配点进行剔除,完成异源数据配准。试验结果显示,对不同旋转和尺度差异、不同环境的电力设备异源图像进行配准时,该文算法的平均定位误差为2.65,平均配准精确率为98.57%,具有较强的图像旋转、尺度不变性和环境鲁棒性,显著优于现有CAO-C2F、SuperPoint-SuperGlue等配准算法,可提高电力设备精细化结构异源图像配准精度。展开更多
文摘电力设备运维过程中积累了大量缺陷图像与文本数据,这些数据对指导电力设备故障诊断及维护决策具有重要意义。针对现有电力设备缺陷分类任务中数据形式单一、融合层次浅、数据质量差等问题,该文提出了一种基于改进注意力机制和对比学习的图文融合分类方法(image-text fusion classification method based on improved attention mechanism and contrastive learning,IAC-ITFusion)。首先,该方法设计了一种双循环跨模态注意力机制(dual-cycle cross-modal attention,DCCA),用于捕捉图文数据映射关系的同时整合特征信息。其次,基于对比学习的思想,提出了一种注意力引导损失函数,用于调控DCCA机制的学习方向,使其聚焦于正确的特征信息,实现图文数据特征的有效融合。最后,针对电力线、变电站设备缺陷图文融合分类任务进行实验验证,结果显示所提方法准确率分别达到98.48%和98.57%,证明了该方法在电力设备缺陷图文融合分类任务上的有效性,对于推动电力设备运维智能化发展具有重要意义。
文摘为实现不同光学模态信息优势互补,以助力电力设备故障检测与定位任务,该文采用可见光图像增强红外图像的纹理信息。针对现有红外-可见光图像配准技术难以精确对齐电力设备局部精细化结构的问题,首次提出自适应监督重训配准算法(adaptive registration algorithm with supervision and retraining,ARSR),主要包括双阶各向异性高斯方向导数机制(dual order anisotropic Gaussian directional derivative,Dual-AGDD)以及双视图匹配参数重训框架(double-view matching parameter retraining,DVMPR)。首先,提出Dual-AGDD完成特征点筛选与定向。1阶AGDD进行自适应电力设备局部细化角点检测,2阶AGDD构建高斯特征三角形确定特征点主方向,采用局部强度不变性方法构建特征描述子。接着,提出DVMPR框架对图像透视尺度与视野旋转进行制约校正。最后,基于3σ原则改进支持向量回归,对误匹配点进行剔除,完成异源数据配准。试验结果显示,对不同旋转和尺度差异、不同环境的电力设备异源图像进行配准时,该文算法的平均定位误差为2.65,平均配准精确率为98.57%,具有较强的图像旋转、尺度不变性和环境鲁棒性,显著优于现有CAO-C2F、SuperPoint-SuperGlue等配准算法,可提高电力设备精细化结构异源图像配准精度。
