针对红外图像背景复杂, 分辨率低、对比度差等问题, 本文基于 RGB、HSV颜色空间转换和 Seam Carving缩放处理, 提出一种改进卷积神经网络(Convolutional Neural Network, CNN)的电力设备红外图像智能分类模型。首先, 着眼于 CNN的结构特点, 以 AlexNet网络模型为原型, 建立 CNN-Alex模型; 然后, 提出一种基于 RGB和 HSV颜色空间转换和基于 Seam Carving算法的设备红外图像处理方法, 分离目标设备红外背景及调整图像至合适大小, 对 CNN-Alex模型加以改进, 提高算法训练速度和准确率; 最后将改进 CNN模型与传统 BP模型和 CNN-Alex模型对比, 其训练集、验证集准确率分别为 99.5%、97.7%, 远优于对比模型, 验证了本文改进 CNN红外图像分类模型的良好适用性。

在户外电力设备维护中，红外热图增强与分割是今后诊断排障智能化发展的关键一环。本文提出复杂环境下电力设备红外热图增强与分割的新模型：采用区域联合先验信息约束和伽马变换对 Retinex图像增强模型进行改进；提出多尺度结构保留型平滑滤波，用高斯正则项约束滤波尺寸。新模型不仅可以对隐藏噪声进行估计补偿，增大红外热图的对比度，而且消除了滤波边缘弥散现象，适用于多种尺寸的电力设备分割。实验证实，在复杂环境下相比其他算法，新模型可以得到更为完整、高对比度的红外热图，同时具备去除绝大多数背景干扰的性能。