發(fā)布時間：2024-03-30 16:18

　　針對當前通過人工閱讀變電站故障電氣設備的紅外圖像進行電氣設備診斷的速度緩慢、對人工的經(jīng)驗依賴性高等問題,提出將基于深度學習的圖像檢索用于電力設備的故障診斷中。通過將以往的典型故障電氣設備的圖像建立為典型數(shù)據(jù)集,利用圖像檢索技術(shù)將目標故障圖像從典型數(shù)據(jù)集中檢索出最相似的N張圖像,根據(jù)得到的圖像名稱獲取對應圖像的故障解決方法,并在實驗數(shù)據(jù)集上進行了測試驗證。同時在CIFAR—10以及Oxford5k數(shù)據(jù)集上進行了系統(tǒng)的性能可靠性驗證。實驗表明:將圖像檢索技術(shù)運用于故障電氣設備的圖像檢索具有一定的可行性。

【文章頁數(shù)】：4 頁

【部分圖文】：

圖2VGG16網(wǎng)絡結(jié)構(gòu)圖

圖像特征的提取是整個圖像檢索研究中的關(guān)鍵步驟[8]，與傳統(tǒng)機器學習相比，深度學習的優(yōu)勢就在于特征自動提取，而非采用人工設計的特征[9]，而好的特征可以極大的提高模型的性能。本文采用VGG16深度神經(jīng)網(wǎng)絡提取電氣設備紅外圖像的圖像特征。借助已經(jīng)在ImageNet上的海量數(shù)據(jù)預訓練....

圖3檢索結(jié)果

為驗證本文系統(tǒng)的可靠性與探究影響檢索精度的因素，本文設置兩組對照試驗。第一組對照實驗通過計算公開數(shù)據(jù)集CIFAR—10,Oxford5k與本文的電氣設備紅外圖像數(shù)據(jù)集在本系統(tǒng)中的查全率、查準率和MAP，判斷本系統(tǒng)是否可行。實驗得出的CIFAR—10,Oxford5k和電氣設備紅外....

圖4處理前的圖像與處理后的對比

根據(jù)第一組實驗的結(jié)果，第二組對照實驗通過調(diào)整電氣設備紅外圖像的背景，角度以及去除圖像中的溫度表尺等操作后，對比系統(tǒng)的檢索結(jié)果與調(diào)整前有無差別，探究數(shù)據(jù)集中會對檢索結(jié)果產(chǎn)生影響的因素種類。處理后的部分圖像如圖4所示。實驗得出的處理圖像前后的三項性能指標如表2所示。

圖1電氣設備故障診斷流程圖

檢索方法流程圖如圖1所示。2電氣設備紅外圖像的特征提取

本文編號：3942613