1 南方电网科学研究院有限责任公司直流输电技术国家重点实验室, 广东广州 510663
2 云南电网有限责任公司电力科学研究院, 云南昆明 650000
针对现有的金属氧化物避雷器(Metal Oxide Arrester, MOA)红外图像故障检测方法存在识别精度低、检测速度较慢的问题, 提出一种基于改进 YOLOv3的 MOA红外图像故障检测方法。首先, 以 Darknet19网络代替 YOLOv3原始的 Darknet53网络, 并在特征学习时针对样本中不同 MOA长宽比例, 通过 K-means聚类算法对 MOA图像中的目标帧进行分析, 重新聚类样本中心锚点框, 得到合适的锚框数目和大小。最后, 利用改进 YOLOv3模型完成 MOA红外图像故障检测。实验结果表明, 改进的 YOLOv3模型识别精度达到 96.3%, 识别速度为 6.75 ms。
金属氧化物避雷器 深度学习 红外图像 K-means聚类 metal oxide arrester, YOLOv3, deep learning infrared image YOLOv3 K-means clustering
1 河北张河湾蓄能发电有限责任公司，河北 石家庄 050300
2 偏振光成像探测技术安徽省重点实验室，安徽 合肥 230031
3 安徽大学电子信息工程学院，安徽 合肥 230601
在电力系统中，利用计算机视觉和图像处理技术对避雷器进行故障检测，在保障电力系统的安全运行方面具有非常重要的作用。提出了一种基于红外图像的避雷器故障检测方法。该方法首先对输入图像进行预处理，利用尺度不变特征变换（Scale-invariant feature transform，SIFT）描述子和K-means++算法训练视觉字典精确定位避雷器，然后利用线性谱聚类对选择出的区域进行分割，最后通过分析避雷器热像的特征，实现避雷器故障的检测。实验结果说明所提出的算法可以有效地检测避雷器故障。
红外图像 避雷器 K-means++聚类 infrared image arrester SIFT SIFT the K-means++ clustering
