隨著我國綜合國力的大幅提升,對于電力的依賴與日俱增,電力行業(yè)的角色愈發(fā)重要,其中電力設備是否能夠安全、可靠、長久、穩(wěn)定作業(yè),是整個電力系統(tǒng)的關鍵所在。因此,為保障電力設備運行的安全性與可靠性,對電力設備進行有效的監(jiān)控,觀測、記錄電力設備溫度的變化,并實時、自動分析電力設備有無故障、故障程度、故障位置以及故障預測等已經成為研究的熱點。本文依賴紅外熱成像技術,在紅外圖像的基礎上設計了兩種基于深度學習的電力設備故障檢測與分析方法,具體如下:提出一種基于卷積神經網絡的電力設備紅外圖像故障分析方法。首先,對于電力設備紅外圖像采用圖像預處理進行濾波平滑,減少干擾,為后續(xù)進行圖像分割、故障定位奠定基礎。本文針對圖像噪聲特點,采用一種均值濾波與中值濾波相結合的方法,能夠有效抑制高斯噪聲和椒鹽噪聲的影響。其次,設計電力設備紅外圖像故障分類卷積神經網絡模型,實驗證明該網絡具有極高的識別能力,適合實際生產工作。最后,針對故障電力設備進行故障分析并開展健康管理研究,故障分析包括故障定位和故障等級判斷,故障區(qū)域定位依賴于圖像分割技術,本文提出基于像素聚類的SLIC（simple linear iterative... 

【文章來源】：西安理工大學陜西省

【文章頁數】：81 頁

【學位級別】：碩士

【部分圖文】：

電磁波頻譜圖

聿僮鰨??縊儼灰順??.5m/s,若記錄過程中，風速發(fā)生明顯變化，此時應當記錄下來，以備后續(xù)進行數據修正[40,42]。2.1.3紅外圖像特點紅外輻射在傳輸過程中會由于衰減產生誤差，除此之外，傳播過程中的外部環(huán)境干擾、測量儀器內部物理量的隨機變化以及人為不當操作的誤差均會對紅外圖像造成一定的噪聲。紅外圖像的噪聲主要包括兩種類型，高斯噪聲和椒鹽噪聲[26]。高斯噪聲主要來源于背景雜波、背景輻射；椒鹽噪聲的存在形式一般為像素點，即以像素級的白點出現在紅外圖像中從而影響圖像的質量。電力設備紅外熱像圖如圖2-3所示，紅外圖像普遍都具有如下特點[43-44]：（a）電力電纜（b）互感器圖2-3電力設備紅外圖像Fig.2-3InfraredImageofPowerEquipment（1）清晰度差，因為紅外檢測系統(tǒng)自身的探測能力以及分辨率等都不及CCD陣列，因此，相較于可見光圖像，紅外圖像的清晰度較差。（2）灰度分布較低，這是因為在采集紅外輻射的過程中，紅外探測器可探測的溫度值范圍廣泛，但是在實際檢測中，由于電力設備各部分間的溫度差值不大，就導致溫度分布較為集中，所以灰度分布整體較低。（3）對比度較低，原因是目標物體和背景環(huán)境的溫度差值較小，并且存在熱交換、熱傳導等相互作用。

西安理工大學工程碩士專業(yè)學位論文12（a）電纜原始灰度圖（b）隔離開關原始灰度圖圖2-5灰度圖Fig.2-5OriginalGrayscaleImage（a1）電纜原始灰度圖加入高斯噪聲（b1）隔離開關原始灰度圖加入高斯噪聲（a2）電纜3x3模板均值濾波（b2）隔離開關3x3模板均值濾波

【參考文獻】：
期刊論文
[1]基于MATLAB的圖像復原算法的研究與改進[J]. 王建新,黃培.  信息技術與信息化. 2019(12)
[2]深度學習目標檢測方法及其主流框架綜述[J]. 段仲靜,李少波,胡建軍,楊靜,王錚.  激光與光電子學進展. 2020(12)
[3]基于SSD-Mobilenet模型的目標檢測[J]. 劉顏,朱志宇,張冰.  艦船電子工程. 2019(10)
[4]基于SSD和MobileNet網絡的目標檢測方法的研究[J]. 任宇杰,楊劍,劉方濤,張啟堯.  計算機科學與探索. 2019(11)
[5]基于紅外圖像處理的變電設備熱故障自動診斷方法[J]. 王小芳,康琛,程宏波,曾晗,辛建波,紀清照.  華東交通大學學報. 2019(03)
[6]采用雙邊濾波的冷軋鋁板表面缺陷圖像去噪方法的研究[J]. 石坤泉,魏文國.  表面技術. 2018(09)
[7]基于隸屬度函數的電力設備紅外圖像模糊增強算法研究[J]. 李振杰,張衛(wèi)國,王智杰,陳曉東,牛東濤.  電子設計工程. 2018(18)
[8]基于結構相似度的圖像融合客觀評價指標[J]. 譚惜姿,陸偉.  淮陰師范學院學報(自然科學版). 2018(03)
[9]基于超像素圖像分割的變電設備故障診斷研究[J]. 孫啟悅,王龍.  浙江電力. 2017(12)
[10]深度學習在故障診斷領域中的研究現狀與挑戰(zhàn)[J]. 任浩,屈劍鋒,柴毅,唐秋,葉欣.  控制與決策. 2017(08)

博士論文
[1]自適應圖像實時增強算法的技術研究[D]. 李賡飛.中國科學院大學(中國科學院長春光學精密機械與物理研究所) 2017

碩士論文
[1]基于紅外圖像處理的變電站設備故障診斷方法研究[D]. 張恒源.長春工業(yè)大學 2019
[2]基于深度學習中SSDMobilenet的目標檢測[D]. 曾科.湖南師范大學 2019
[3]基于紅外圖像的變電站設備故障精準定位方法的研究[D]. 曾亮.重慶理工大學 2019
[4]紅外圖像分割算法研究及其在電氣設備故障診斷中的應用[D]. 呂欣欣.天津理工大學 2019
[5]基于紅外熱像技術的變電站設備故障診斷研究[D]. 谷宗卿.河北大學 2018
[6]紅外熱成像技術在電力系統(tǒng)設備故障檢測中的應用研究[D]. 林群武.安徽理工大學 2016
[7]基于紅外圖像處理的變電站設備故障診斷[D]. 康龍.華北電力大學 2016
[8]基于深度學習的變壓器故障診斷技術研究[D]. 石鑫.華北電力大學 2016
[9]基于紅外與可見光圖像配準的電力設備檢測系統(tǒng)研究與應用[D]. 江國威.安徽大學 2014
[10]基于圖像分割的變電站電氣設備故障自動檢測[D]. 葉婕.西安科技大學 2012



本文編號：3054273