沈順群,宮 旻,劉 凱,萬教智,李冰然,傅洪全

(1.國(guó)網(wǎng)湖北省電力有限公司神農(nóng)架供電公司,湖北 神龍架 442400;2.國(guó)家電網(wǎng)江蘇省電力有限公司技能培訓(xùn)中心,江蘇 蘇州 215000)

0 引言

金屬氧化物避雷器(Metal Oxide Surge Arrester, MOA)用于保護(hù)電氣設(shè)備免受大氣和開關(guān)電涌的影響。在正常情況下,MOSAs的外殼,即MOSAs的外表面可能因鹽、沙等大氣污染物的沉積而受到污染。從長(zhǎng)遠(yuǎn)來看,這些污染物可能在表面上形成導(dǎo)電層。因此,MOSA的表面電阻率可以降低,從而增加通過MOSA的泄漏電流[1-2]。因此,MOSA外表面某些點(diǎn)的電流密度增強(qiáng),這可能導(dǎo)致電場(chǎng)增強(qiáng),并在MOSA外殼的不同部分形成干帶。MOSA外殼中的電場(chǎng)增強(qiáng)和干帶形成將通過以下方式降低MOSA的內(nèi)部和外部條件:1)內(nèi)部金屬氧化物塊之間的過熱和不均勻電壓分布,可能導(dǎo)致內(nèi)部應(yīng)力退化;2)由于內(nèi)部電離,金屬氧化物塊發(fā)生化學(xué)降解;3)外殼上的侵蝕,這可能導(dǎo)致表面開裂。

因此,表面污染的MOSA受到了高度的電應(yīng)力和熱應(yīng)力,這可能進(jìn)一步導(dǎo)致其過早失效[2-5]。因此,污染物的沉積會(huì)間接影響電氣系統(tǒng)中設(shè)備的可靠性。為了避免MOSA出現(xiàn)上述意外故障,應(yīng)定期檢查其表面污染狀況。目前檢測(cè)方法主要是通過測(cè)量金屬氧化物避雷器表面的等效鹽沉積密度(Equivalent Salt Deposit Density,ESDD)直接評(píng)估表面污染的嚴(yán)重程度。ESDD的直接測(cè)量是一個(gè)非常復(fù)雜的過程,需要大量的時(shí)間[5-6]。此外,泄漏電流分析也是一種廣泛接受的監(jiān)測(cè)MOSA表面狀況的方法。然而,獲取泄漏電流需要與MOSA直接接觸。針對(duì)這一問題,隨著圖像處理技術(shù)的飛速發(fā)展,本研究提出了一種基于紅外熱成像(Infrared Thermal, IRT)的非接觸、非破壞性MOSA表面狀態(tài)檢測(cè)方法。紅外熱成像技術(shù)在電氣、機(jī)械、生物醫(yī)學(xué)和各種工程應(yīng)用領(lǐng)域有著廣泛的應(yīng)用。與泄漏電流分析相比,紅外成像技術(shù)具有快速、易實(shí)現(xiàn)、無創(chuàng)、非接觸、抗干擾能力強(qiáng)、安全性高等優(yōu)點(diǎn)。在紅外熱成像技術(shù)中,紅外攝像機(jī)捕獲物體的圖像,并根據(jù)紅外輻射將捕獲的圖像轉(zhuǎn)換為熱成像圖,即紅外熱像或紅外熱像。IRT圖像可以在不接觸熱源的情況下檢測(cè)物體中的熱點(diǎn)。根據(jù)文獻(xiàn)[8],在高污染嚴(yán)重程度下,MOSA的熱譜圖會(huì)改變,因此,紅外熱成像技術(shù)可用于檢測(cè)MOSA的表面污染狀態(tài)。

基于此,提出了一種基于深度學(xué)習(xí)框架,利用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的遷移學(xué)習(xí)對(duì)不同污染嚴(yán)重程度的MOSA的IRT圖像進(jìn)行分類。深度學(xué)習(xí)的優(yōu)點(diǎn)是它可以自動(dòng)從輸入圖像中提取特征,從而消除了從圖像中手動(dòng)提取特征的要求[9-15]。在不同污染嚴(yán)重程度下獲取的MOSA的IRT圖像被饋送到不同的預(yù)訓(xùn)練CNN架構(gòu)中,用于自動(dòng)深度特征提取。提取深層特征后,進(jìn)行單因素方差分析(One-Way Analysis Ofvariance, ANOVA)檢驗(yàn),然后進(jìn)行錯(cuò)誤發(fā)現(xiàn)率(False Discovery Rate FDR)校正,以找出最具辨別力的深層特征[16-21]。最后,將判別深度特征反饋給4個(gè)基準(zhǔn)機(jī)器學(xué)習(xí)分類器,即隨機(jī)森林、支持向量機(jī)、貝葉斯和K-最近鄰分類器進(jìn)行分類。該方法將深度學(xué)習(xí)方法在不同表面污染嚴(yán)重程度下對(duì)MOSA IRT圖像進(jìn)行分類的可行性。結(jié)果表明,ResNet50與隨機(jī)森林(RF)分類器相結(jié)合,平均識(shí)別率較高。

1 實(shí)驗(yàn)過程

本部分主要介紹本研究的實(shí)驗(yàn)工作、IRT圖像數(shù)據(jù)和所提方法的數(shù)據(jù)預(yù)處理技術(shù)[22-23]。本研究從當(dāng)?shù)仉娏静杉?個(gè)11 kV聚合物封裝MOSA樣品,用于實(shí)驗(yàn)?zāi)康摹?/p>

1.1 MOSA樣品

本研究采用固體層法(Solid Layer Method,SLM)對(duì)MOSA樣品進(jìn)行人工污染,以模擬不同嚴(yán)重程度的MOSA污染。在該方法中,使用水、鹽(NaCl)和高嶺土(AlSiO2O5(OH)4)制備漿料,然后將漿料涂覆在樣品上并使其干燥24 h。氯化鈉是泥漿中的導(dǎo)電材料,污染的嚴(yán)重程度取決于氯化鈉的含量[24-25]。MOSA樣品的人工污染是根據(jù)IEC 60507進(jìn)行的。圖1為實(shí)驗(yàn)?zāi)康闹苽涞奈廴綧OSA樣品圖片。

圖1 人工污染MOSA樣品圖Fig.1 Photograph of artificially polluted MOSA sample

1.2 紅外熱像的獲取

圖2為獲取MOSAIRT圖像的實(shí)驗(yàn)裝置圖。在該裝置中,MOSA樣品在7 kV輸入電壓下承受應(yīng)力。為了提供高壓,本研究使用了一臺(tái)測(cè)試變壓器(500 V/250 kV、150 kVA、50 Hz),使用紅外攝像機(jī)(型號(hào)FLIR E85)從10個(gè)不同位置拍攝了MOSA的IRT圖像。在拍攝IRT圖像之前,已對(duì)樣品施加45分鐘的應(yīng)力,以確保達(dá)到準(zhǔn)靜態(tài)條件。所用紅外攝像機(jī)的技術(shù)參數(shù)見表1。

表1 紅外相機(jī)(FLIR 85)的關(guān)鍵參數(shù)Table 1 Key parameters of FLIR 85

圖2 MOSA紅外圖像采集實(shí)驗(yàn)圖Fig.2 Experiment set up for IRT image acquisition of MOSA

1.3 污染嚴(yán)重程度測(cè)量和數(shù)據(jù)庫(kù)準(zhǔn)備

本研究基于等效鹽沉積密度(ESDD)測(cè)量,對(duì)MOSA表面的污染狀態(tài)進(jìn)行了量化。根據(jù)測(cè)得的ESDD值,MOSA表面的污染嚴(yán)重程度分為5類。關(guān)于該分類的說明見表2。

表2 污染嚴(yán)重程度分類說明Table 2 Classification of pollution severity

1.4 數(shù)據(jù)預(yù)處理和數(shù)據(jù)擴(kuò)充

本研究共捕獲了2 500張不同污染狀態(tài)下的MOSA IRT圖像。IRT圖像以JPG/JPEG格式保存。在圖像預(yù)處理階段,首先,對(duì)IRT圖像中由MOSA組成的區(qū)域進(jìn)行裁剪。然后,將裁剪后的圖像轉(zhuǎn)換為灰度圖像。其次,采用影像邊緣偵測(cè)演算法,找到圖像中的輪廓。任何非常小的輪廓都已被刪除。最后,從剩余輪廓生成遮罩,并將其混合到裁剪后的IRT圖像中。圖3(a-c)為輕度、中度和重度污染情況下MOSA的IRT圖像。

圖3 預(yù)處理后的IRT圖像Fig.3 Captured IRT images after pre-processing

根據(jù)圖3,可以觀察到MOSA的熱行為隨表面污染狀態(tài)的變化而變化。此外,還發(fā)現(xiàn)熱點(diǎn)區(qū)域的面積隨著污染的嚴(yán)重程度而增加。因此,對(duì)應(yīng)于不同污染狀態(tài)的IRT圖像已被饋送到預(yù)訓(xùn)練的CNN架構(gòu)以進(jìn)行自動(dòng)特征提取[26-30]。

為了創(chuàng)建更通用的框架,數(shù)據(jù)增強(qiáng)已應(yīng)用于捕獲的IRT圖像。本研究所采用的數(shù)據(jù)增強(qiáng)技術(shù)如下: 1)IRT圖像的水平翻轉(zhuǎn)和垂直翻轉(zhuǎn);2)IRT圖像的旋轉(zhuǎn)(-15°至15°);3)將鄰域像素與隨機(jī)數(shù)相乘以產(chǎn)生更亮或更暗的效果;4)高斯白噪聲(σ值0到2)和(5)中值模糊(局部,內(nèi)核大小2到7)。數(shù)據(jù)擴(kuò)充前后IRT圖像數(shù)據(jù)集的描述如表2所示。

2 所提檢測(cè)方法

本節(jié)簡(jiǎn)要說明了在不同表面污染嚴(yán)重程度下對(duì)MOSA IRT圖像進(jìn)行分類的所提方法。所提方法的概述如圖4所示。

圖4 所提方法的流程圖Fig.4 Infographics of proposed framework

2.1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)(CNN)是一種深度學(xué)習(xí)算法,廣泛應(yīng)用于圖像分類或從輸入圖像中提取特征。CNN的體系結(jié)構(gòu)主要包括輸入層、卷積層、池層和全連接層。輸入層是CNN的第一層,圖像作為網(wǎng)絡(luò)的輸入被輸入。卷積層是CNN體系結(jié)構(gòu)的主干部分。在卷積層,輸入層的圖像被一系列稱為核的濾波器橫向卷積。卷積層的輸出返回一個(gè)特征映射,它取決于內(nèi)核過濾器的高度和寬度。CNN結(jié)構(gòu)中的卷積層可以從輸入圖像中提取重要信息。卷積運(yùn)算與非線性激活函數(shù)相結(jié)合。它被用來增強(qiáng)網(wǎng)絡(luò)的非線性。然后,池層通過選擇顯著特征來降低特征圖的維數(shù)。完全連接層類似于普通的神經(jīng)網(wǎng)絡(luò),該層中的每個(gè)神經(jīng)元都連接到前一層中的所有激活。因此,全連接層將卷積/池層的輸出劃分為列向量。最后,分類器激活函數(shù)根據(jù)全連接層的輸出計(jì)算概率,并預(yù)測(cè)可能的類別。此外,CNN體系結(jié)構(gòu)中的退出層已被用于解決過度擬合問題。表3為數(shù)據(jù)集參數(shù)。

表3 數(shù)據(jù)集參數(shù)Table 3 Data set parameters

2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的轉(zhuǎn)移學(xué)習(xí)特征提取

遷移學(xué)習(xí)(Transfer Learning,TL)是一個(gè)深度學(xué)習(xí)方法,通過預(yù)先訓(xùn)練的CNN模型獲得的知識(shí)應(yīng)用于新任務(wù)[14-15]。設(shè)計(jì)CNN模型的首要問題是從頭開始訓(xùn)練模型需要大量的計(jì)算時(shí)間,然而,在TL中,預(yù)訓(xùn)練網(wǎng)絡(luò)的權(quán)重被轉(zhuǎn)移到當(dāng)前模型,而不是從一開始就用一些隨機(jī)權(quán)重訓(xùn)練整個(gè)模型。因此,TL可以顯著減少特定任務(wù)的計(jì)算時(shí)間和計(jì)算成本。文中遷移學(xué)習(xí)與預(yù)訓(xùn)練的CNN結(jié)構(gòu)已被用于從IRT圖像數(shù)據(jù)集中提取深層特征。出于特征提取目的,CNN架構(gòu)中的任何完全連接的層或分類器層已被移除,因?yàn)榫矸e層和池層負(fù)責(zé)從圖像中提取特征,而完全連接的層負(fù)責(zé)分類特征。因此,從CNN體系結(jié)構(gòu)中排除完全連接的層將使經(jīng)過調(diào)整的CNN變成特征提取器?；赥L方法的圖像特征提取已被廣泛應(yīng)用于各種問題。在這種方法中,預(yù)訓(xùn)練的CNN結(jié)構(gòu)ResNet50被用于特征提取目的。

2.3 深度殘差網(wǎng)絡(luò)

本研究采用預(yù)訓(xùn)練深度殘差神經(jīng)網(wǎng)絡(luò)(ResNet)進(jìn)行遷移學(xué)習(xí),深度殘差神經(jīng)網(wǎng)絡(luò)(通常稱為ResNet)[18-19],由幾個(gè)剩余塊組成。ResNet在imagenet數(shù)據(jù)庫(kù)上可提供優(yōu)異的性能。ResNet的體系結(jié)構(gòu)使用瓶頸函數(shù)繞過卷積層以獲得快捷路徑。使用快捷路徑,每個(gè)剩余層都會(huì)附著到下一層。它允許網(wǎng)絡(luò)層通過繞過中間權(quán)重層的身份函數(shù)進(jìn)行學(xué)習(xí),從而允許從輸入到輸出的直接路徑。ResNet可消除消失梯度的問題,這是由更深的網(wǎng)絡(luò)造成的。因此,ResNet比其他預(yù)訓(xùn)練的CNN架構(gòu)具有優(yōu)勢(shì),因?yàn)榭墒褂肦esNet構(gòu)建更深層。深度殘差神經(jīng)網(wǎng)絡(luò)ResNet中的深層數(shù)可以不同,即可為18、50、101和152等。本研究采用50層深度殘差神經(jīng)網(wǎng)絡(luò)(ResNet50)被考慮用于特征提取。在通過ResNet50提取特征的過程中,使用了imagenet權(quán)重。ResNet50體系結(jié)構(gòu)中圖像的輸入大小為224×224×3。使用ResNet50架構(gòu),可從單個(gè)圖像中提取2 048個(gè)深度特征。

2.4 特征分析

為了對(duì)提取的深層特征進(jìn)行分類,本研究采用四種著名的機(jī)器學(xué)習(xí)分類器,即k-最近鄰分類器(k-NN)、支持向量機(jī)分類器(SVM)、貝葉斯分類器(NB)和隨機(jī)森林分類器(RF)。下面對(duì)上述分類器進(jìn)行簡(jiǎn)要描述。k-NN分類器是基于實(shí)例的方法,其中測(cè)試樣本根據(jù)到訓(xùn)練數(shù)據(jù)的距離進(jìn)行分類[21]。支持向量機(jī)主要用于二值分類,即對(duì)所有(OAA)的方法已被用于多類分類。支持向量機(jī)的性能在很大程度上取決于核函數(shù)[22]。本研究選擇了徑向基函數(shù)(RBF)核函數(shù)。NB是一種概率分類方法。該分類器假設(shè)特征相互獨(dú)立且相互之間沒有相關(guān)性,本研究采用高斯概率密度函數(shù)已用于NB分類器。

隨機(jī)森林是一種基于決策樹的集成分類器。在RF中,每個(gè)決策樹預(yù)測(cè)輸出,并且基于多數(shù)預(yù)測(cè)做出最終決策[23-31]。

3 仿真結(jié)果分析

本節(jié)將分析所提方法的分類結(jié)果。為此,已通過圖像預(yù)處理步驟獲取不同污染嚴(yán)重程度的IRT圖像。此后,預(yù)處理的IRT圖像被饋送至ResNet50進(jìn)行自動(dòng)特征提取。這里值得一提的是,在饋送到ResNet50之前,預(yù)處理的IRT圖像的大小已經(jīng)調(diào)整為224×224×3。圖5為在canny邊緣檢測(cè)、前景選擇和背景掩蔽之后,兩幅IRT圖像的視覺輸出((a)嚴(yán)重污染嚴(yán)重度和(b)非常嚴(yán)重污染嚴(yán)重度)。提取的深度特征的視覺輸出也如圖5所示。深層特征是從ResNet50的最后一個(gè)池層提取的,從視覺輸出可以看出,兩類IRT圖像的深度特征提取存在差異。為了找到鑒別特征,對(duì)所有IRT圖像提取的深度特征進(jìn)行了單因素方差分析,并選擇了p值≤1e-50 的特征。據(jù)觀察,共有568個(gè)特征顯示p值≤1e-50。最后,FDR校正后的前100個(gè)特征被輸入分類器進(jìn)行污染嚴(yán)重程度分類。

圖5 IRT圖像的輸出可視化Fig.5 Output visualization of IRT images

對(duì)于分類方法,本研究采用了5倍交叉驗(yàn)證技術(shù),即將整個(gè)數(shù)據(jù)集分為5個(gè)子部分。在這5個(gè)子部分中,從數(shù)據(jù)集的4個(gè)子部分提取的深度特征已用于訓(xùn)練分類器,而數(shù)據(jù)集的其余部分已用作驗(yàn)證目的。在任何分類方法中,都必須找到分類器的最佳超參數(shù)。文中網(wǎng)格搜索優(yōu)化技術(shù)被用來調(diào)整k-NN和RF分類器中的超參數(shù)。通過網(wǎng)格搜索方法進(jìn)行超參數(shù)調(diào)諧的條件如下:k-NN的鄰域數(shù)(3∶1∶8)和RF的決策樹數(shù)(50∶10∶250)。對(duì)于支持向量機(jī),通過隨機(jī)搜索優(yōu)化調(diào)整了超參數(shù)C和γ。上述優(yōu)化的條件為,0.1≤C≤100和0.000 1≤γ≤10。經(jīng)過5倍交叉驗(yàn)證技術(shù),可獲得了最佳超參數(shù)。通過準(zhǔn)確度(Acc)、精密度(Pre)、靈敏度(Sen)和假陽(yáng)性率(FPR)4個(gè)指標(biāo)對(duì)分類器的性能進(jìn)行了評(píng)估。上述參數(shù)已通過方程式(1-4)計(jì)算得出:

(1)

(2)

(3)

(4)

在式(1)-(4)中,TP、TN、FP和FN分別代表正確的正預(yù)測(cè)、正確的負(fù)預(yù)測(cè)、錯(cuò)誤的正預(yù)測(cè)和錯(cuò)誤的負(fù)預(yù)測(cè)。因此,基于混淆矩陣,可以計(jì)算上述統(tǒng)計(jì)指標(biāo)。上述統(tǒng)計(jì)指標(biāo)的平均值以及每個(gè)分類器的標(biāo)準(zhǔn)偏差如表4所示。根據(jù)結(jié)果,可以觀察到RF分類器產(chǎn)生最佳平均識(shí)別性能。然而,其他分類器也具有非常好的結(jié)果,這驗(yàn)證了所提方法的魯棒性。圖6顯示了使用RF分類器的擬議框架的詳細(xì)分類結(jié)果。RF分類器的混淆矩陣對(duì)應(yīng)于測(cè)試圖像數(shù)據(jù)集,如表5所示。在混淆矩陣中,P1、P2、P3、P4和P5分別表示非常輕微、輕度、中度、重度和非常嚴(yán)重的污染嚴(yán)重程度。

表4 所提方法的分類結(jié)果Table 4 The classification results of the proposed method

表5 測(cè)試數(shù)據(jù)的混淆矩陣Table 5 confusion matrix of test data

圖6 不同折疊的RF分類器性能Fig.6 Performance of RF classifier for different folds

3.1 不同折疊次數(shù)下的性能分析

在本節(jié)中,通過將提取的深度特征拆分為不同的折疊來評(píng)估所提方法的性能。圖7具有不同折疊的所提方法的性能。根據(jù)圖7,可以觀察到,所提方法的性能隨著折疊值的增加而增加,然后在折疊5倍后趨于平穩(wěn)。因此,本研究采用了5倍交叉驗(yàn)證技術(shù)。

圖7 所提方法在不同折疊次數(shù)下的性能Fig.7 Performance of proposed framework for different number of folds

3.2 計(jì)算時(shí)間

對(duì)于實(shí)際應(yīng)用,計(jì)算時(shí)間非常重要。本研究中所有輸入圖像的預(yù)處理所花費(fèi)的總時(shí)間約為4 min(即單個(gè)圖像約為3.66 ms)。使用ResNet50從IRT圖像數(shù)據(jù)集中提取深度特征所需的時(shí)間約為26 min(即單個(gè)圖像約為31 ms)。k-NN、SVM、GNB和RF對(duì)提取的深度特征進(jìn)行分類所需的時(shí)間分別為5.93 s、8.21 s、2.65 s和10.54 s。RF分類器花費(fèi)的時(shí)間最多,但性能最好。上述數(shù)據(jù)是在8GBRAM的intel i5系統(tǒng)上計(jì)算的。

3.3 與ResNet其他配置的比較

在本節(jié)中,將從ResNet體系結(jié)構(gòu)(ResNet18和ResNet101)的其他配置中提取的深層特征的性能與所提方法進(jìn)行了比較。從ResNet18和ResNet101提取的深度特征數(shù)分別為512和2048。在ANOVA和FDR校正后,對(duì)提取的特征進(jìn)行進(jìn)一步分析,并選擇前100個(gè)特征用于分類,前100個(gè)特征被輸入分類器。結(jié)果表明,從ResNet50中提取的深度特征具有更好的性能。這可以解釋為,在分別對(duì)ResNet50和ResNet101配置進(jìn)行方差分析測(cè)試后,總共568個(gè)和542個(gè)特征顯示p值≤1e-50。因此,ResNet50的性能更好的原因可能是由于比ResNet101更多的鑒別特征。因此,可以說,對(duì)于這個(gè)特定的任務(wù),ResNet50比ResNet101具有更好的辨別能力。

3.4 不同預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)與現(xiàn)有技術(shù)的比較

該方法性能已與從其他8種著名的預(yù)訓(xùn)練CNN架構(gòu)(如VGGNet、MobileNet、DenseNet、Inception、Exception和NasNet)中提取的深度特征進(jìn)行了比較。上述體系結(jié)構(gòu)在imagenet數(shù)據(jù)集上具有非常好的性能。對(duì)于通過上述CNN架構(gòu)進(jìn)行的特征提取,采用了圖像凈重。此外,上述CNN架構(gòu)以及ResNet50已經(jīng)在MATLAB上進(jìn)行了仿真。不同CNN配置的深度、輸入圖像大小和提取的深度特征數(shù)量如表6所示。在通過上述CNN架構(gòu)進(jìn)行特征提取之后,通過ANOVA和FDR校正進(jìn)一步分析提取的深度特征,并將前100個(gè)特征輸入分類器。此外,在5倍交叉驗(yàn)證后,對(duì)分類性能進(jìn)行了評(píng)估。不同預(yù)訓(xùn)練CNN配置的分類結(jié)果如表7所示。

表6 不同預(yù)訓(xùn)練CNN架構(gòu)的參數(shù)Table 6 Parameters of different pre-trained CNN architectures

表7 與其他預(yù)訓(xùn)練的CNN配置進(jìn)行比較Table 7 Comparison with other pre-trained CNN configurations

根據(jù)表7中給出的結(jié)果,可以觀察到不同的基于CNN配置的特征獲得相當(dāng)滿意的性能,這意味著使用TL進(jìn)行特征提取非常有效。根據(jù)結(jié)果,ResNet50和DenseNet201的性能幾乎相當(dāng)。對(duì)于SVM和GNB分類器,DenseNet201的平均性能更好,而對(duì)于k-NN和RF分類器,ResNet50的平均性能更好。然而,具有最佳平均識(shí)別性能的提取器-分類器對(duì)是具有RF分類器的ResNet50體系結(jié)構(gòu)。因此,可以說,對(duì)于這一特定任務(wù),ResNet50 RF提取器-分類器組合更為有效。在其他配置中,InceptionV3的平均識(shí)別性能更好,其次是Exception和NasNet Large。然而,MobileNetV2、VGGNet16、VGGNet19和NasNet Mobile的性能幾乎相似。此外,通過適當(dāng)?shù)念A(yù)處理技術(shù)去除了IRT圖像的背景。因此,所提方法的性能不會(huì)受到IRT圖像中不同背景的影響。因此,可以說,提出的基于TL的方法非常有效地感知在役MOSA的表面污染狀態(tài)。

4 結(jié)語

提出了一種面向飽和積污基于遷移學(xué)習(xí)的智能檢測(cè)方法,來估計(jì)MOSA的污染狀態(tài)。針對(duì)11 kV MOSA進(jìn)行的實(shí)驗(yàn)研究,驗(yàn)證了所提方法能夠相當(dāng)準(zhǔn)確地感知MOSA的表面污染狀態(tài),該方法不僅準(zhǔn)確而且快速。該方法可從IRT圖像中自動(dòng)提取特征,從而消除了特征提取的手動(dòng)依賴性。因此,可以推斷所提出的基于遷移學(xué)習(xí)的方法可以在實(shí)際生活中實(shí)現(xiàn),用于在役MOSA表面污染狀態(tài)的檢測(cè)。

然而本研究暫未考慮環(huán)境溫度,此外,現(xiàn)場(chǎng)使用中避雷器周邊必然有大量的其他背景,使得紅外圖形的背景剔除相對(duì)困難,因此,本研究后續(xù)將改進(jìn)所提方法,已解決上述問題。