首页 > 论文范文 > 社会科学论文 > 科技论文 > 无线电电子学论文 > 基于改进CNN的电力设备红外目标检测技术

基于改进CNN的电力设备红外目标检测技术

2024-09-20 50 上传者：管理员

摘要：电力设备红外图像背景较为复杂、设备种类较多，使得电力设备红外目标检测效果较差。为此，提出基于改进CNN的电力设备红外目标检测技术研究。通过联合中值滤波与高斯滤波，预处理电力设备红外图像。以此为基础，采用ResNet与FPN改进CNN，获取电力设备红外图像特征信息。通过常数分割模型训练随机森林分类器，将特征信息输入至训练后的分类器中，获得电力设备红外目标检测结果。实验结果显示，采用所提方法对电力设备红外目标检测结果与实际检测结果保持一致，帧率最大值为14.1 FPS，表明所提方法应用性能良好。

关键词：
图像预处理
改进CNN
特征提取
电力设备
红外图像
加入收藏

电力设备是电力系统的核心构成部件，也是电力系统稳定运行的基石，其运行状态的稳定与安全直接影响电力能源转换、运输、供给等多个环节。常规情况下，电力设备主要工作在高压环境下，随着电网覆盖规模越来越广泛，电力设备工作的气候环境更为复杂，导致电力设备出现安全隐患，例如负载不平衡、腐蚀、连接松动、电线磨损等，若无法及时发现与处理安全隐患，极易导致安全事故的发生，威胁人们的正常生产与生活。因此，电力设备红外目标检测是保障电力系统稳定运行的关键任务之一。

红外检测技术具有检测速度快、检测范围广等优势，并且不会受到电磁的干扰，无需接触到电力设备本身，受到了各个领域的广泛关注。目前主要通过人工方式采集红外图像，并判定目标电力设备的运行状态，完成电力系统的巡检。但是，随着电力系统规模的加大，人工方式已经无法满足电力设备的巡检需求，并且由于巡检人员的工作经验、专业水平等因素的影响，容易出现电力设备巡检结果错误的现象，制约电力系统的发展。基于改进RetinaNet的检测技术[1]，应用旋转矩形框机制与Mosaic数据增强技术，对RetinaNet网络进行了深度的改进，将待检测红外图像输入至改进RetinaNet网络中，即可获得准确的检测结果；基于改进YOLOv3的检测技术[2]，在YOLOv3模型中引入跨阶段模块，并且结合了CIoU损失函数，极大地增加了电力设备红外目标的检测精度。上述两种技术均能够较为精准地检测出电力设备目标，但由于检测过程运算较为复杂，使其检测速度缓慢，无法及时维修电力设备故障，威胁电力设备的安全与稳定。为此，提出基于改进CNN的电力设备红外目标检测技术研究。

1、电力设备红外目标检测技术

1.1电力设备红外图像预处理

应用红外热像仪获取电力设备红外图像，但是由于采集设备故障、天气因素、电磁环境等原因的影响，红外图像中包含大量的噪声信息，若直接对其应用，会极大地降低电力设备红外目标的检测精度[3]。因此，需要对电力设备红外图像进行预处理，即消除红外图像中的噪声。

依据噪声信息产生原因的不同，将其划分为内部噪声与外部噪声。其中，内部噪声产生原因为红外热像仪振动、光电变化等，噪声类型为椒盐噪声；外部噪声产生原因为雷电环境、电磁波干扰等，噪声类型为高斯噪声[4]。每种噪声的概率密度函数均不相同，无法用一种手段对全部噪声消除处理。因此，联合应用中值滤波与高斯滤波，达到噪声消除的最佳化[5]。

设置原始电力设备红外图像为f (x,y)，经过中值滤波处理后的红外图像表达式为：

式中，f′(x,y)表示中值滤波处理后的红外图像；α与β表示中值滤波辅助因子；Ω表示核算子模板。

使用高斯滤波去除高斯噪声，获得最终电力设备红外图像预处理结果，表达式为：

式中，g(x,y)表示电力设备红外图像预处理最终结果；x与y表示f′(x,y)中像素点的坐标信息；χ表示标准差[6]。

经过式（1）、（2）的处理，可消除电力设备红外图像中的主要噪声，完成电力设备红外图像的预处理。

1.2电力设备红外图像特征提取

以上述预处理后的电力设备红外图像为依据，采用ResNet与FPN改进CNN[7]，更加精准、快速地提取电力设备红外图像特征，为最终目标检测提供依据支撑。

CNN特征提取过程中，图像分辨率比较低，内部包含的定位信息过少，为目标检测带来了较大的难度[8]。因此，采用ResNet与FPN对CNN改进。其中，ResNet中包含多个残差层及其残差单元，采用特征值相加手段防止特征值逐层减弱现象的发生，可以最大限度地增加特征值中的非线性交换信息[9-10]。依据研究目的设置ResNet残差层参数，ResNet残差层参数设置如表1所示。

表1 ResNet残差层参数设置

FPN能够有效地融合低层次网络、高层次网络输出的特征图，丰富特征图中的信息，解决CNN无法完成的多尺度目标检测问题。ResNet与FPN组合后，统一每一层结构的通道数，并对其输出的特征图卷积处理，再应用采样方式对特征图进行逐像素相加融合，即可获得最终的特征图。

以上述获得的特征图为基础，选择候选框，判定特征图中候选框内存在检测对象的可能性[11]。当可能性大于或者等于一定阈值时，保留该选框内特征信息；反之，当可能性小于一定阈值时，删除该选框内特征信息，最终获得最简洁的特征信息，记为Ri={r1,r2,⋯,rn}。其中，n表示特征信息的总数量[12]。除此之外，改进CNN对特征图中的每一个像素点均进行了相应的处理，使得特征信息表示为[0,1]范围内的浮点数，既方便了电力设备红外图像特征信息的显示，也方便了后续电力设备红外目标检测过程中特征信息的应用。

1.3电力设备红外目标检测

以上述提取的电力设备红外图像特征特征Ri={r1,r2,⋯,rn}为依据，应用随机森林分类器对电力设备红外目标进行识别与分类，从而实现了电力设备红外目标的精准检测，为电力系统中设备的巡检、维修提供帮助。

由于电力系统规模庞大，内部电力设备种类、数量较多，并且电力设备颜色较为单一、外观相似，再加之工作环境复杂，使得红外图像中电力设备背景信息过多，目标信息相似度较大，目前分类器并不适用于电力设备红外目标的识别与分类处理[13]。而随机森林分类器可以产生多棵决策树，具备拟合性好、抗噪性能强、识别精度高等，可以获得更加准确的电力设备红外目标检测结果。

随机森林分类器应用之前，需要对其内部的决策树统一训练，选取常数分割模型作为训练模型。设置随机森林某一组决策树为F=[Ti]，训练样本为S={si=(Ri,υi)}，其中，υi表示电力设备红外目标的类别标签。依据给定特征信息Ri，定义训练样本分割规则，具体如下式所示：

式中，Rij表示第j个样本的特征信息；ϑ表示训练样本分割阈值。

确定随机森林分类器训练的基尼系数，表达式为：

式中，ζ(S)表示分类器训练基尼系数；m表示电力设备的类别总数量；pi表示第i类中样本数量与样本总数量之间的比率数值[14]。

将上述确定的参数输入至随机森林分类器中，计算待识别电力设备红外图像特征信息与已知电力设备红外图像特征信息的相似度[15-16]。当相似度大于或者等于85.46%时，认定两者电力设备类别一致，即实现了电力设备红外目标的识别与检测，为电力设备的巡检作业提供助力[17-18]。

2、实验与结果分析

为了验证基于改进CNN的电力设备红外目标检测技术的应用效果，采用基于改进RetinaNet的电力设备红外目标精细化检测技术作为对比技术1，基于改进YOLOv3的电力设备红外目标检测技术作为对比技术2进行实验测试。

2.1实验准备阶段

为了提升实验结论的准确性，将电力设备红外图像（实验对象）随机划分为10个组别，具体实验组别内容如表2所示。

表2实验组别内容

如表2所示，设置的10个实验组别中图像数量、电力设备种类与平均含噪率均不一致，表明每个实验组别背景环境具有较大的差异性，符合所提方法应用效果测试需求。

2.2实验结果分析

以上述实验组别划分结果为基础，进行电力设备红外目标检测对比实验。以第1组别中的某一幅红外图像为例，应用所提方法与两种对比技术对其进行电力设备红外目标检测，获得检测结果如图1所示。

如图1所示，应用文中方法获得的电力设备红外目标检测结果与实际检测结果相同，而对比技术1检测结果中存在目标漏检现象，对比技术2检测结果中存在目标误检现象，表明文中方法电力设备红外目标检测精度更高。

图1电力设备红外目标检测结果

上述实验结果只能证明文中方法的可行性，并不能够证实其检测速度的快慢，故实验利用评价指标——帧率来反映检测速度。不同方法的帧率数据如图2所示。

图2不同方法的帧率数据

如图2数据所示，应用文中方法后，在第6个实验组别背景下，获得帧率最大值14.1 FPS。通过对比研究发现，在不同实验组别背景下，文中方法帧率均大于对比技术1与2，充分表明文中方法电力设备红外目标检测速度更快。

3、结束语

为了提高电力设备红外目标检测精度，保证电力设备的稳定运行，研究了基于改进CNN的电力设备红外目标检测技术。通过预处理电力设备红外图像，采用改进CNN获取电力设备红外图像特征信息，通过将特征信息输入至分类器中，获得电力设备红外目标检测结果。实验数据显示，所提方法检测结果与实际检测结果一致，并大幅度提升了帧率，即红外目标检测速度，为电力设备巡检提供更有效的技术支撑。

参考文献:

[1]苏海锋,赵岩,武泽君,等.基于改进RetinaNet的电力设备红外目标精细化检测模型[J].红外技术,2021,43(11):1104-1111.

[2]郑含博,李金恒,刘洋,等.基于改进YOLOv3的电力设备红外目标检测模型[J].电工技术学报,2021,36(7):1389-1398.

[3]夏湛然,杨斌,郭浩然,等.电缆终端红外图像过热区域提取方法[J].电力科学与技术学报,2022,37(2):12-21.

[4]刘云峰,杨晋彪,韩晋锋,等.基于边缘增强生成对抗网络的电力设备热成像超分辨率重建[J].电力建设,2021,42(7):83-89.

[5]王艳,王龄婕,刘秉聪.一种电力设备红外图像非盲超分辨率方法:CN202110982645.X[P].2021-08-25.

[6]刘子全,付慧,李玉杰,等.基于Mask-RCNN迁移学习的红外图像电力设备检测[J].数据采集与处理,2021,36(1):176-183.

[7]霍成军,史奕龙,武晓磊,等.基于热成像技术的电气设备目标检测方法[J].激光与红外,2021,51(4):530-536.

[8]朱惠玲,牛哲文,黄克灿,等.基于单阶段目标检测算法的变电设备红外图像目标识别及定位[J].电力自动化设备,2021,41(8):217-224.

[9]耿艳利,宋朋首,林彦伯,等.采用改进CNN对生猪异常状态声音识别[J].农业工程学报,2021,37(20):187-193.

[10]唐守锋,史经灿,周楠,等.基于改进CNN-SVM的甲烷传感器数显识别方法[J].工矿自动化,2022,48(1):53-57.

基金资助:国网信通产业集团两级协同研发项目(546818220016);