針對(duì)當(dāng)前通過(guò)人工閱讀變電站故障電氣設(shè)備的紅外圖像進(jìn)行電氣設(shè)備診斷的速度緩慢、對(duì)人工的經(jīng)驗(yàn)依賴性高等問(wèn)題,提出將基于深度學(xué)習(xí)的圖像檢索用于電力設(shè)備的故障診斷中。通過(guò)將以往的典型故障電氣設(shè)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(biāo)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(duì)應(yīng)圖像的故障解決方法,并在實(shí)驗(yàn)數(shù)據(jù)集上進(jìn)行了測(cè)試驗(yàn)證。同時(shí)在CIFAR—10以及Oxford5k數(shù)據(jù)集上進(jìn)行了系統(tǒng)的性能可靠性驗(yàn)證。實(shí)驗(yàn)表明:將圖像檢索技術(shù)運(yùn)用于故障電氣設(shè)備的圖像檢索具有一定的可行性。

【文章頁(yè)數(shù)】：4 頁(yè)

【部分圖文】：

圖2VGG16網(wǎng)絡(luò)結(jié)構(gòu)圖

圖像特征的提取是整個(gè)圖像檢索研究中的關(guān)鍵步驟[8]，與傳統(tǒng)機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)的優(yōu)勢(shì)就在于特征自動(dòng)提取，而非采用人工設(shè)計(jì)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(luò)提取電氣設(shè)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(yù)訓(xùn)練....

圖3檢索結(jié)果

為驗(yàn)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(shè)置兩組對(duì)照試驗(yàn)。第一組對(duì)照實(shí)驗(yàn)通過(guò)計(jì)算公開(kāi)數(shù)據(jù)集CIFAR—10,Oxford5k與本文的電氣設(shè)備紅外圖像數(shù)據(jù)集在本系統(tǒng)中的查全率、查準(zhǔn)率和MAP，判斷本系統(tǒng)是否可行。實(shí)驗(yàn)得出的CIFAR—10,Oxford5k和電氣設(shè)備紅外....

圖4處理前的圖像與處理后的對(duì)比

根據(jù)第一組實(shí)驗(yàn)的結(jié)果，第二組對(duì)照實(shí)驗(yàn)通過(guò)調(diào)整電氣設(shè)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(duì)比系統(tǒng)的檢索結(jié)果與調(diào)整前有無(wú)差別，探究數(shù)據(jù)集中會(huì)對(duì)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(shí)驗(yàn)得出的處理圖像前后的三項(xiàng)性能指標(biāo)如表2所示。

圖1電氣設(shè)備故障診斷流程圖

檢索方法流程圖如圖1所示。2電氣設(shè)備紅外圖像的特征提取

本文編號(hào)：3942613