受拍摄环境及局部放电程度影响, 夜间型紫外相机拍摄电晕放电图像不清晰、放电区域的颜色不仅接近背景颜色且与背景交叉重叠等导致难以自动分割局部放电, 针对该问题提出一种新的电力线紫外图像局部放电区域精确分割方法。首先, 构建基于 Unet深度学习语义分割模型, 利用已训练 Unet网络对紫外图像语义分割获得电晕放电区域粗分割结果; 其次, 将放电区域紫外图像转换为灰度图像, 基于前景加权的 Otsu阈值分割法对粗分割结果进行精确分割。对 426个样本进行测试, 本文方法全部分割出了样本图像中的局部放电区域, 且分割出的放电区域与真值之间的误差接近 0, 所提出的电晕放电分割方法能为局部放电大小量化和评估提供准确的数据源。

红外图像处理是实现电气故障诊断的有效手段, 而电气设备分割是故障检测的关键环节。针对复杂背景下红外图像电气设备分割难问题, 本文采用深度残差网络与 UNet网络相结合, 深度残差网络替代 VGG16对 UNet网络进行特征提取和编码, 构建深度残差系列 Res-Unet网络实现对电气设备的分割。以电流互感器和断路器两种电气设备红外图像分割为例测试 Res-Unet网络分割效果, 并与传统的 UNet网络和 Deeplabv3＋网络进行对比。通过对数量为 876的样本进行测试, 实验结果表明, Res18-UNet能够准确地分割电气设备, 对电流互感器和断路器的分割准确率超 93%, 平均交并比大于 89%, 且分割准确性优于 UNet及 Deeplabv3+网络模型, 为实现电气故障智能诊断奠定基础。