本發(fā)明涉及電壓致熱型缺陷識別，特別是涉及一種基于溫場分布的電氣設(shè)備電壓致熱型缺陷識別方法。

背景技術(shù)：

1、變電站中電氣設(shè)備的發(fā)熱故障占較大比例，在電氣設(shè)備紅外檢測的行業(yè)規(guī)范中，將電氣設(shè)備分為電流致熱型、電壓致熱型和綜合致熱型設(shè)備，高壓套管、絕緣子、避雷器等電壓致熱型設(shè)備的發(fā)熱狀態(tài)檢測是比較困難的，依賴環(huán)境、操作人員的經(jīng)驗(yàn)和精確檢測的操作水平，變電站電氣設(shè)備長期處于高負(fù)荷運(yùn)行狀態(tài)，確保其安全穩(wěn)定是保障供電可靠性的重要研究方向。因此，如何掌握電氣設(shè)備電壓致熱型發(fā)熱缺陷的正確診斷方法十分重要，對其進(jìn)行熱狀態(tài)監(jiān)控，完成電氣設(shè)備關(guān)鍵部位的熱狀態(tài)分析和診斷，可以有效的保障變電站電氣設(shè)備以至整個電力系統(tǒng)安全可靠運(yùn)行。

2、目前，國內(nèi)外電氣設(shè)備致熱型缺陷識別技術(shù)的主要現(xiàn)狀和問題總結(jié)如下：

3、1)基于centernet模型的結(jié)構(gòu)化定位方法，利用電力設(shè)備紅外圖像缺陷檢測方法，采用centernet結(jié)合結(jié)構(gòu)化定位的算法模型，通過對現(xiàn)場紅外圖像數(shù)據(jù)樣本收集、訓(xùn)練及驗(yàn)證算法模型的計算，實(shí)現(xiàn)從復(fù)雜的紅外圖像中以較高的準(zhǔn)確率將不同變電站設(shè)備及其部件識別定位出來，根據(jù)設(shè)備部件表面溫度范圍值和識別定位出的變電設(shè)備類型，結(jié)合相關(guān)溫度規(guī)范實(shí)現(xiàn)電力設(shè)備紅外圖像缺陷檢測，該方法提高了電力設(shè)備紅外圖像缺陷檢測的精度，結(jié)合溫度規(guī)范完成電加熱裝置致熱型缺陷檢測。但是該方法的缺陷識別率較低。

4、2)基于圖像增強(qiáng)與深度學(xué)習(xí)的變電設(shè)備紅外熱像識別方法，針對變電設(shè)備紅外熱像對比度低、邊緣模糊與變電站背景復(fù)雜的特點(diǎn)，提出結(jié)合快速導(dǎo)向?yàn)V波的參數(shù)自調(diào)整retinex紅外熱像增強(qiáng)方法，為變電設(shè)備紅外熱像的精準(zhǔn)識別提供條件，并改進(jìn)yolov3卷積神經(jīng)網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)與損失函數(shù)，解決了變電設(shè)備紅外熱像識別精度低的難題。但是該方法存在缺陷誤報率高的問題。

5、3)基于深度學(xué)習(xí)的變電設(shè)備紅外缺陷識別方法，利用faster?rcnn算法對變壓器、套管、斷路器、隔離開關(guān)、電壓互感器、電流互感器、避雷器7種變電設(shè)備進(jìn)行目標(biāo)檢測，實(shí)現(xiàn)設(shè)備的精準(zhǔn)定位、識別，然后利用溫度閾值判別法對設(shè)備區(qū)域進(jìn)行致熱型缺陷識別，判別設(shè)備是否存在缺陷及嚴(yán)重程度，實(shí)驗(yàn)驗(yàn)證了其可行性與準(zhǔn)確性。但是該方法未能考慮紅外圖像對比度低對識別結(jié)果的影響，且faster?rcnn等二階段模型檢測耗時長，無法滿足實(shí)時性的要求。

6、目前電氣設(shè)備致熱型缺陷識別技術(shù)難以適用于電氣設(shè)備背景復(fù)雜、多種設(shè)備外形類似及缺陷表現(xiàn)形式多樣的場景，且目前的紅外圖像缺陷診斷基本都是對單體設(shè)備進(jìn)行識別及缺陷診斷，難以發(fā)現(xiàn)溫升較小的電壓致熱型缺陷。

技術(shù)實(shí)現(xiàn)思路

1、為實(shí)現(xiàn)電壓致熱型缺陷智能診斷，本發(fā)明提出了一種基于溫場變化的電氣設(shè)備電壓致熱型缺陷識別方法，采用yolov4和多特征融合的電壓致熱型缺陷紅外診斷，為電壓致熱型故障檢測提供了條件和新的思路，并為變電站實(shí)時精確監(jiān)測打下了基礎(chǔ)，實(shí)現(xiàn)電氣設(shè)備熱故障診斷的智能化與精確化。

2、為了實(shí)現(xiàn)本發(fā)明的目的，所采用的技術(shù)方案是：一種基于溫場分布的電氣設(shè)備電壓致熱型缺陷識別方法，包括：

3、1)基于溫場分布的電氣設(shè)備電壓致熱型缺陷識別方法采用優(yōu)化后的yolov4算法實(shí)現(xiàn)對發(fā)生電壓致熱型缺陷的電氣設(shè)備關(guān)鍵部位的快速識別和定位，實(shí)現(xiàn)故障目標(biāo)部位的自動分割并保存；

4、2)然后對分割目標(biāo)部位的圖像提取其顏色、邊緣和紋理特征，繼而通過dca(判別相關(guān)分析)融合算法對三種特征進(jìn)行融合，得到多特征融合向量；

5、3)最后根據(jù)分割目標(biāo)部位的圖像建立的數(shù)據(jù)集，利用支持向量機(jī)svm實(shí)現(xiàn)電壓致熱型設(shè)備故障的識別和分類。

6、作為本發(fā)明的優(yōu)化方案，優(yōu)化yolov4算法是指：針對紅外圖像中存在背景復(fù)雜度不均衡的問題，對yolov4算法分別進(jìn)行參數(shù)優(yōu)化、損失函數(shù)優(yōu)化和檢驗(yàn)框優(yōu)化；選用adam優(yōu)化器(adam?optimizer)進(jìn)行參數(shù)優(yōu)化；利用梯度的一階矩陣估計與二階矩陣估計，綜合梯度算法與rms梯度下降算法，經(jīng)過優(yōu)化后的損失函數(shù)由置信度損失函數(shù)和位置回歸損失函數(shù)兩部分構(gòu)成；對發(fā)生電壓致熱型缺陷的電氣設(shè)備紅外圖像中候選框(default?box)是相對較多的，要對其進(jìn)行抑制，保留得分最高的框作為檢驗(yàn)框。

7、作為本發(fā)明的優(yōu)化方案，對分割目標(biāo)部位的圖像提取其顏色、邊緣和紋理特征是指：取基于hsv(色調(diào)、飽和度、明度)空間的顏色特征直方圖，并計算目標(biāo)圖像的邊緣特征，通過計算紅外圖像中每個像素的梯度大小和方向，提取出紅外圖像故障區(qū)域的邊緣特征直方圖；利用中心對稱的局部二值模式(ocs-lbp)，計算鄰域中對相對像素之間的差異，提取識別目標(biāo)的紋理特征，該過程不需要太多的參數(shù)，抵抗噪聲的能力較強(qiáng)。

8、作為本發(fā)明的優(yōu)化方案，顏色特征提取是指：顏色直方圖是紅外圖像特征的重要信息，hsv(色調(diào)、飽和度、明度)更接近人眼對顏色的定義，采用二維直方圖方法將hsv空間劃分為8個色調(diào)，每個色調(diào)分為8個亮度，每幅圖像可以表示為64維矢量，將h、s、v各分量特征數(shù)據(jù)合成一維向量，作為融合特征中的一種輸入向量，提高了對各種圖像特征的識別率。

9、作為本發(fā)明的優(yōu)化方案，計算目標(biāo)圖像的邊緣特征是指利用sobel邊緣檢測器的梯度算子進(jìn)行輪廓特征的計算。邊緣提取通過減少冗雜信息來簡化紅外圖像的分析，并保留設(shè)備關(guān)鍵部位的邊界結(jié)構(gòu)信息，sobel邊緣檢測器是一種較優(yōu)的邊緣檢測器，廣泛應(yīng)用于圖像處理領(lǐng)域，基于電氣設(shè)備紅外圖像的特點(diǎn)及分析。

10、作為本發(fā)明的優(yōu)化方案，通過dca融合算法對三種特征進(jìn)行融合是指：基于判別相關(guān)分析對顏色、輪廓和紋理特征進(jìn)行融合處理，特征融合的是將從圖像場景中提取的兩個或多個相關(guān)特征組合成一個比輸入特征向量更具有鑒別信息的特征向量。

11、作為本發(fā)明的優(yōu)化方案，利用支持向量機(jī)svm實(shí)現(xiàn)電壓致熱型設(shè)備故障的識別和分類是指：將整理好的電氣設(shè)備紅外圖像的融合特征數(shù)據(jù)輸入到svm分類器中，根據(jù)下式進(jìn)行缺陷識別和故障分類：

12、

13、其中，sgn(.)是分類函數(shù)，ω0是超平面法向量，x(t)是測試樣本，b0是超平面常數(shù)項(xiàng)。

14、本發(fā)明具有積極的效果：1)本發(fā)明優(yōu)化后的yolov4的電壓致熱型設(shè)備紅外圖像目標(biāo)檢測算法，優(yōu)化了該算法參數(shù)、損失函數(shù)，提升了對電壓致熱型缺陷目標(biāo)設(shè)備的檢測性能的速度和精確度，能夠弱化背景等干擾信息，可使紅外圖像中的目標(biāo)設(shè)備被準(zhǔn)確地定位和識別出來，為接下來電壓致熱型缺陷的故障診斷奠定基礎(chǔ)；

15、2)本發(fā)明采用圖像多特征提取并融合的方法，開創(chuàng)性地采用提取多特征的方法，對電壓致熱型設(shè)備紅外圖像提取顏色特征、輪廓特征以及紋理特征，并利用dca(判別相關(guān)分析)的融合方法進(jìn)行融合，采用適用于小樣本分類的支持向量機(jī)對電壓致熱型設(shè)備的被檢測部位進(jìn)行精準(zhǔn)的故障診斷。

16、3)本發(fā)明dca(判別相關(guān)分析)融合方法能很好地表達(dá)低維圖像場景，一定程度上降低了環(huán)境因素對故障目標(biāo)特征識別的影響，并且優(yōu)于僅利用單一特征的方法，為電壓致熱型缺陷識別檢測提供了條件，并為變電站實(shí)時精確監(jiān)測打下了基礎(chǔ)；

17、4)本發(fā)明能有效識別電壓致熱型缺陷，可對電氣設(shè)備進(jìn)行熱狀態(tài)監(jiān)控，完成電氣設(shè)備關(guān)鍵部位的熱狀態(tài)分析和診斷，可以有效的保障變電站電氣設(shè)備以至整個電力系統(tǒng)安全可靠運(yùn)行。