摘要
针对变电设备红外图像背景干扰大、热缺陷故障种类多、现有故障诊断方法效率低,难以满足实际巡检应用需求的问题,提出一种基于改进YOLO和Resnet的变电设备热缺陷识别及诊断方法.首先,构建典型变电设备红外图像数据集,采用卷积核分解及多层特征融合技术改进YOLOv4-Tiny算法,对发生故障的设备进行定位并获取该设备先验框;然后,提出融合密集连接的Res_DNet网络获取先验框内局部图像数据的多尺度特征,提高设备故障类型的分类准确度;最后,采用贝叶斯算法改进模型超参数,获取学习率、卷积核个数等的最佳组合,实现高效率及高准确度的故障识别与分类.研究结果表明:改进后的YOLOv4-Tiny算法相较于原算法准确率提升了5.3%,改进后的Res_DNet算法相比经典算法准确率提升了4.6%以上,能实现变电设备热缺陷状态高精度识别.
基金项目
国网山东省电力公司科技项目(520626220009)
国家自然科学基金重点项目(51637004)
国家科技期刊平台
NSTL
万方数据