首页|基于改进YOLO和Resnet的变电设备热缺陷识别及诊断方法

基于改进YOLO和Resnet的变电设备热缺陷识别及诊断方法

Thermal defect identification and diagnosis method for substation equipment based on improved YOLO and resnet

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 万方数据
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.

substation equipmentinfrared imageYOLOv4-Tiny algorithmResnetfault diagnosis

郑文杰、杨祎、乔木、吕俊涛、张峰达、洪欣媛

展开 >

国网山东省电力公司电力科学研究院,济南 250003

国网山东省电力公司,济南 250001

重庆大学 输配电装备及系统安全与新技术国家重点实验室,重庆 400044

变电设备 红外图像 YOLOv4-Tiny算法 Resnet 故障诊断

国网山东省电力公司科技项目国家自然科学基金重点项目

52062622000951637004

2023

10.3969/j.issn.1674-8425(z).2023.09.030

重庆理工大学学报
重庆理工大学

重庆理工大学学报

CSTPCD北大核心
影响因子：0.567
ISSN：1674-8425
年,卷(期)：2023.37(17)
  • 4
  • 13