基于红外图像电力设备的故障诊断研究.pdf

摘要

红外图像技术成为检测电力设备运行状态的重要部分。检测精度直接影响用

户用电。故障检测诊断主要通过去噪、图像分割、设备识别等步骤组成。为了提

升电力系统自动化水平，本文针对电力设备红外图像故障诊断中的分割与识别技

术开展研究，主要研究内容如下：

（1）针对电力设备红外图像预处理时，去噪的图像存在丢失细节问题，提

出了一种增加阈值的边缘保护自适应中值滤波算法。在寻找疑似噪点和边缘模糊

点时增加两次阈值判断，阈值取值于对当前图像的计算。此算法相较于传统中值

滤波算法以及自适应中值滤波算法可以很好地保留图片细节，更好地处理高密度

椒盐噪声，并与高斯滤波算法相比，图像的均方误差下降8.7%，信噪比提升5.4%。

（2）对电力设备红外图像故障区域分割存在适应性差、准确率不高的问题，

提出基于类间方差的改进区域生长法，通过使用最大类间方差函数对生长阈值进

行优选，提高分割适应性。本文算法与类间最大方差法、区域生长法相比准确率

分别提升了17.74%和33.28%，有效降低图像分割的假阳率。

（3）本文在YOLOv3模型中使用SIoU损失，改进特征融合模块，提取到不

同维度的特征，提升检测精度、避免漏检电力设备目标。有效提高了YOLOv3算

法的检测性能，可以为电力设备的目标检测提供技术支持。

（4）对FasterR-CNN网络中区域提议网络计算需要大量时间，由于电力设

备巡检路线一定，红外图像中设备位置相对固定，提出采用K-means聚类进行优

化，减少区域提议框运算次数。相比改进前的FasterR-CNN网络，改进网络目

标分类的准确率与快速性均有提升，改进算法电力设备分类的准确率达到97%。

本文通过FasterR-CNN检测出电力设备，根据图像分割划定故障区域，以

故障区域红外图像判断故障情况。通过本文算法可对电力设备进行故障诊断分析，

该技术有利于提升电力系统自动化，提高用电可靠性。

关键词：电力设备,故障诊断,红外图像,改进区域生长法,FasterR-CNN

Abstract

Infraredimagetechnologyhasbecomeanimportantpartofdetectingtherunning

stateofpowerequipment.Thedetectionaccuracydirectlyaffectsthepower

consumptionofusers.Faultdetectionanddiagnosismainlyconsistsofdenoising,

imagesegmentation,equipmentidentificationandothersteps.Inordertoimprovethe

automationlevelofpowersystem,thispaperstudiesthesegmentationandrecognition

technologyininfraredimagefaultdiagnosisofpowerequipment.Themainresearch

contentsareasfollows:

(1)Inordertosolvetheproblemoflosingdetailsinthedenoisedimagewhen

infraredimageofpowerequipmentispreprocessed,anadaptivemedianfiltering

algorithmwithincreasedthresholdisproposed.Whenlookingforsuspectednoiseand

blurrededges,twothresholdjudgmentsareadded,andthethresholdvalueistakenin

thecalculationofthecurrentimage.Comparedwit