基于深度学习的输变电设备紫外放电光斑分割方法

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.

关键词：紫外成像、深度学习、图像分割、全卷积神经网络

所属期刊栏目：22

分类号：TM832(高电压技术)

资助基金：中央高校基本科研业务费专项2020MS093

在线出版日期：2023-02-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：14759-14766