典型文献
基于深度学习的输变电设备紫外放电光斑分割方法
文献摘要：
随着紫外成像技术的发展,高压电力设备对于紫外成像图谱的量化分析提出了更高的要求.紫外图谱的量化分析需要用到除紫外成像仪所输出"光子数"额外的紫外光斑图像信息,所以需要将紫外放电光斑从可见光的背景中分割出来.然而,传统紫外图谱光斑分割方法仍存在复杂背景及小光斑分离困难、特征选取复杂、分割精准度低等问题.基于上述问题,提出了一种基于深度学习的紫外图谱光斑分割提取的方法.首先,采用紫外成像仪拍摄电力设备放电缺陷紫外图谱;其次,分别构建FCN-32s、FCN-16s、FCN-8s 3种全卷积网络(fully convolutional networks,FCN)子模型架构,并利用随机梯度下降法进行模型训练;最后,实现输变电设备放电缺陷紫外图谱主光斑的自主分割提取.经过对FCN 3种子模型架构的训练、测试和对比分析,结果表明:FCN-16s模型为紫外光斑分割提取的最佳模型,测试准确率可达99.34％.结果表明基于深度学习的紫外图谱光斑分割方法准确高效,为紫外光斑的量化提取及电力设备放电缺陷的紫外诊断提供了参考.
文献关键词：
紫外成像;深度学习;图像分割;全卷积神经网络
中图分类号：
作者姓名：
裴少通;杨家骏;马子儒;刘云鹏
作者机构：
华北电力大学河北省输变电设备安全防御重点实验室,保定071003
文献出处：
引用格式：
[1]裴少通;杨家骏;马子儒;刘云鹏-.基于深度学习的输变电设备紫外放电光斑分割方法)[J].科学技术与工程,2022(33):14759-14766
A类：
B类：
输变电设备,外放,电光,分割方法,高压电力设备,紫外成像仪,光子数,紫外光,光斑图像,图像信息,可见光,割出,复杂背景,特征选取,放电缺陷,FCN,32s,16s,8s,全卷积网络,fully,convolutional,networks,子模型,模型架构,随机梯度下降法,模型训练,外诊,图像分割,全卷积神经网络
AB值：
0.252305
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。
