红外图像智能诊断技术在输电运维监督中的应用.pdf

1、红外图像智能诊断技术在输电运维监督中的应用国网浙江省电力有限公司电力科学研究院2023年8月汇报人：朱怡良浙江天铂云科光电股份有限公司四、总结与展望三、应用与案例二、红外图像智能诊断技术一、背景与现状目录一、背景现状2021年12月，国家能源局“十四五”能源领域科技创新规划确定了集中攻关、示范试验和应用推广任务，部署了相关示范工程，制定了技术路线图2017年7月，国务院印发新一代人工智能发展规划发展战略目标：到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平一、背景与现状 红外检测手段越来越广泛运用于设备运维监督，海量红外数据需要耗费大量的时间进行分析和诊断。对分析人员

2、的专业知识水平要求较高，且对于一些肉眼难以辨别的情况，容易出现漏检或错检图像规格不统一，只能采用生产商专用软件进行分析，且软件相互不通用人工对每张红外图像进行处理约耗时15分钟四、总结与展望三、应用与案例二、红外图像智能诊断技术一、背景与现状目录二、红外图像智能诊断技术 红外图像智能诊断技术：采用温度矩阵智能转化算法对图像格式进行统一，应用温度矩阵智能识别定位算法进行设备类型识别和部件定位，利用温度矩阵智能诊断算法进行故障诊断，形成诊断报告。0.1,0.1,0.10.2,0.1,0.3,0.3,0.30.4,0.4,1.6,1.6,1.61.8,1.8,1.8,2.7,2.7,2.73.1,3

3、.1,3.1温度矩阵(0,0,0),(0,0,1)(0,0,254),(0,0,255),(0,1,0),(0,1,1)(0,1,254),(0,1,255),(0,1,0),(0,1,1)(0,1,254),(0,1,255),(0,1,0),(0,1,1)(0,1,254),(0,1,255)RGB数据规则诊断设备识别部件定位专家知识库设备识别RetinaNet 提取特征FPN检测不同尺度目标CSL角度分类部件定位DeeplabV3+内接部件分割YOLO V7 外接部件检测多模型融合部件算法视觉诊断分类和边框回归Efficientnet-B6 提取特征特征融合CSP结构温度矩阵智能转化算法

4、温度矩阵智能识别定位算法温度矩阵智能诊断算法诊断报告二、红外图像智能诊断技术(0,0,0),(0,0,1)(0,0,254),(0,0,255),(0,1,0),(0,1,1)(0,1,254),(0,1,255),(0,1,0),(0,1,1)(0,1,254),(0,1,255),(0,1,0),(0,1,1)(0,1,254),(0,1,255)RGB数据色标条0.1650,0,01,1,1,2,2,23,3,3,5,5,56,6,6,8,8,89,9,90.1,0.1,0.10.2,0.1,0.3,0.3,0.30.4,0.4,1.6,1.6,1.61.8,1.8,1.8,2.7,2.

5、7,2.73.1,3.1,3.1色标编号矩阵温度矩阵最高温度：35.0最低温度：10.3最高最低温度值色标匹配温度转换 温度矩阵智能转化算法：提取不同来源红外图像的RGB数据，转化为640*480（307200）点位的温度矩阵；采用目标检测及文字识别技术定位图片最高最低温度值，以标准铁红色标条为参考将RGB数值转化为温度数值，偏差0.16。算法将红外数据归一化，提高了数据精度和泛化能力。二、红外图像智能诊断技术 温度矩阵智能识别定位算法：采用定向检测模型对图像进行检测，确定设备类型、形态、姿态；采用语义分割模型对电压致热型部件进行定位，采用目标检测模型对电流致热型部件进行定位。利用该算法替代了

6、人工进行识别定位，并为下一步智能诊断的实现提供了基础。目标检测语义分割非定向检测定向检测二、红外图像智能诊断技术诊断结果0.1,0.1,0.10.2,0.1,0.3,0.3,0.30.4,0.4,1.6,1.6,1.61.8,1.8,1.8,2.7,2.7,2.73.1,3.1,3.1温度矩阵设备识别RetinaNet 提取特征FPN检测不同尺度目标CSL角度分类部件定位DeeplabV3+内接部件分割YOLO V7 外接部件检测多模型融合部件算法视觉诊断分类和边框回归Efficientnet-B6 提取特征特征融合CSP结构规则诊断带电设备红外诊断应用