红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而...红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。展开更多
文摘红外热成像测温是及时发现电缆附件异常发热缺陷的重要方法,但面对海量巡检图像,传统的人工诊断方式费时费力,且过分依赖人工经验。已有研究中为了实现电气设备红外图像的智能诊断,大多提取特定特征量作为所搭建神经网络模型的输入,而所提取的特征量也依赖于人工选择。为此,提出了一种基于Faster RCNN(faster regions with convolutional neural networks features)与Mean-Shift的电缆附件缺陷红外图像自动诊断方法。该方法首先基于Faster RCNN网络实现诊断对象的识别定位;之后利用Mean-Shift聚类算法提取过热区域;最后计算温度参数,并根据相应诊断标准得到诊断结果。利用实际巡检图像进行测试,结果表明:所提方法能够在不同拍摄角度、不同背景下准确定位诊断目标与过热区域,继而实现过热缺陷的自动诊断。研究对于实际工程中电缆附件的缺陷诊断具有一定的参考价值。
