关键词:
牵引变电站
变压器缺陷
计算机视觉
异常检测
DifferNet
摘要:
变压器是负责变电站电压转换的重要设备,受环境的影响,随着使用时间的增加,变压器表面可能出现锈迹、裂纹、划痕、污垢等缺陷。由于现场缺陷样本采集难度较大,同时缺陷具有类型多样,位置随机,大小不确定等特征,传统目标检测方法难以实现缺陷的鲁棒检测。研究无缺陷样本情况下的变电站变压器表面缺陷检测算法可以规避建立缺陷数据集困难的问题,具有一定的现实意义。
论文在总结国内外相关研究内容的基础上,设计并实现了一种基于归一化流的变电站变压器表面缺陷检测方法,通过建立无缺陷变压器样本到指定分布的双映射,实现缺陷检出,论文的主要工作有两点。
(1)由于背景干扰可能导致缺陷误判,在进行变压器缺陷检测前需要对图像中的变压器进行提取。同时,考虑到对完整变压器建立映射模型可能导致特征过拟合,进而使缺陷特征也被错误地映射到正常范围。针对这些问题,论文将变压器分解成若干部件,设计了一种三阶段的变压器部件提取方法,将变压器部件作为变压器缺陷检测算法的输入。该方法包括基于Dense ASPP的变压器部件粗分割,基于Cascade PSP的变压器部件分割结果细化和分割结果后处理三个阶段,分步实现了部件分割掩膜边缘细化、噪点滤除、异常空洞填充、进行自适应裁剪等功能。实验显示,该方法在变压器部件提取数据集上m AP达到了97.26%,m Io U达到可92.20%,该实验结果表明,该方法能够为归一流模型(Differ Net)提供轮廓清晰,干扰较少的变压器部件图像。
(2)由于Differ Net直接应用于变压器缺陷检测效果较差,论文从四个方面对网络进行了改进,设计了基于改进的Differ Net变电站变压器缺陷检测算法。首先,为提升算法特征编码能力,使用Mobile Net v3-large替换Alex Net主干网络;其次,为提升网络对不同尺寸缺陷的检测能力,采用特征金字塔结构提取不同尺度的特征图,利用该金字塔特征图分别训练归一化流模块;再次,将正余弦编码的特征图位置编码作为先验信息,参与归一化流模块训练,提升网络对缺陷的分割效果;最后,将不同尺度的异常得分图进行逐层上采样融合得分,得到融合得分图,减少融合过程的运算量。实验准备阶段,论文使用了图像处理手段从无缺陷样本批量生成伪缺陷样本,用于定量分析缺陷检测算法的性能。实验显示,论文所提出的方法缺陷检测准确率达到了93.69%,缺陷定位分割准确率达到了91.22%,综合效果优于其他参与对比的算法。实验结果表明,本文设计的检测方法是有效的,能够在缺少缺陷样本的情况下检出缺陷。
论文设计的变压器缺陷检测方法能够在缺少缺陷样本的情况下完成变压器缺陷检测任务,并且在训练和应用的过程中对硬件存储资源的占用较少,具有一定的实用价值。