基于卷积神经网络的电力设备识别方法及系统实现

电力设备的正常运行是一个电力系统能够长期安全稳定工作的基础,因此对电力设备进行定期巡检就显得十分重要。以往的巡检方法都存在着各种不同的缺点,造成人力物力上的浪费且效果也有待提升。近年来随着人工智能技术以及图像处理等技术的逐渐发展与成熟,将其应用到电力设备运行状态的检测中则能很好的弥补了传统方法的不足,该方法具有深远的发展前景。本文利用卷积神经网络以及计算机视觉等相关知识,提出了一种新的对电力设备运行状态自动检测识别的系统,该系统能自动对电力设备的位置进行检测以及对其运行状态进行判别,同时对指针式仪表进行自动读数。本文主要的研究内容及工作如下:(1)设计并实现了基于卷积神经网络的电力设备自动检测识别算法。使用Faster RCNN+ResNet101模型在高性能计算机上完成对电力设备的识别,同时针对计算能力较弱、可携带式的嵌入式设备树莓派设计MobileNet+SSD模型并实现。并且制作了针对电力设备检测识别的数据集,分别使用两种模型在此数据集上进行训练测试,其中Faster RCNN+ResNet101模型取得了较高的识别准确率,同时在检测速度上也能勉强达到实时性的要求,MobileNet+SSD模型在树莓派上搭配神经网络计算棒的使用在识别准确率上稍有下降,但该模型的检测速度为15fps,完全满足系统实时性的需求。(2)对电力系统中常用的指针式仪表设计并实现了一种自动读数的算法。使用图像处理的相关知识,先对指针式仪表图像进行灰度化、直方图均衡化以及图像去噪的预处理,然后对其进行形态学膨胀操作,接着使用Canny算子检测图像的边缘信息,并使用Hough变换在边缘信息中检测出指针所在直线的位置,最后根据指针所在的直线使用角度法对其进行自动读数。(3)从软硬件两方面设计并实现了基于卷积神经网络的电力设备自动检测识别监控系统。使用不同的硬件设备搭配相对应的软件算法,以满足系统在不同情况下的使用需求,并且为系统设计了前端界面,集成了系统的各方面功能,以提供更人性化的人机交互过程。