典型文献
基于深度学习的红外图像中劣化绝缘子片的分割方法
文献摘要：
近年来,红外成像法日渐成为绝缘子在线检测重要技术手段,而当前对于电气设备红外图像的分析仍大多依靠人工经验,缺乏智能化.传统的红外图像中劣化绝缘子的分割方法需要复杂的图像预处理和人工提取目标特征,因而存在着泛化能力差、复杂背景下识别精度低等缺陷.基于以上问题,文中提出一种基于深度学习的红外图像中劣化绝缘子的分割方法.搭建实验平台,获得绝缘子串在有其他设备和热源干扰情况的复杂背景下的红外图像.为了保证红外图像的多样性,拍摄在多种污秽等级下进行,选取了多种阻值的劣化绝缘子片放置在了多种位置,并不断改变了拍摄的角度.构建多尺度特征融合的方法实现全卷积神经网络(FCN)的3种子模型架构:FCN-32s、FCN-16s和FCN-8s,使用随机梯度下降的训练方法对模型参数进行训练,最终实现了红外图像中的劣化绝缘子片的自主分割提取.通过对三种子模型训练测试对比后,得出以下结果:FCN-8s模型为劣化绝缘子片分割提取最佳模型,对于测试数据集像素分类准确率为89.23％.结果表明文中所描述的智能化红外劣化绝缘子片分割方法,为绝缘子和其他高压电气设备的红外在线监测诊断打下了坚实基础.
文献关键词：
红外成像;劣化绝缘子;深度学习;图像语义分割;全卷积神经网络
中图分类号：
作者姓名：
刘云鹏;张喆;裴少通;武建华;梁利辉;马子儒
作者机构：
华北电力大学电力工程系,河北 保定071003;国网河北省电力有限公司检修分公司,石家庄050000
文献出处：
引用格式：
[1]刘云鹏;张喆;裴少通;武建华;梁利辉;马子儒-.基于深度学习的红外图像中劣化绝缘子片的分割方法)[J].电测与仪表,2022(09):63-68,118
A类：
模型训练测试
B类：
红外图像,劣化绝缘子,分割方法,红外成像,成像法,在线检测,图像预处理,目标特征,泛化能力,复杂背景,识别精度,实验平台,绝缘子串,热源,污秽,阻值,多尺度特征融合,全卷积神经网络,FCN,子模型,模型架构,32s,16s,8s,随机梯度下降,训练方法,测试数据,像素分类,分类准确率,明文,高压电气设备,在线监测,监测诊断,图像语义分割
AB值：
0.23673
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
