关键词:
超高压变电站
智能巡检图像
故障识别
低照度图像增强
YOLOv5网络
摘要:
为进一步提高对超高压变电站设备图像故障识别的精度和速度,提出一种基于VGG(Visual Geometry Group)网络+Retinex-Net和改进YOLOv5网络的图像故障识别方法。首先利用归一化层的改进VGG网络判别巡检图像中的低照度图像和正常照度图像;然后采用Retinex-Net网络对低照度图像进行增强;最后采用损失函数改进、卷积改进和引入卷积注意力机制模块(Convolutional Block Attention Module,CBAM)注意力机制对YOLOv5网络进行改进,对增强后的低照度图像和正常图像进行故障识别。结果表明,所提方法可对超高压变电站设备的图像故障进行识别,且不受低照度图像的影响,具有较高的故障识别性能,其中识别精确率、召回率和平均精度均达90%以上,检测速度达30帧/s以上,网络参数量小于15M,浮点运算次数小于20。由此得出,所提方法可提高超高压变电站设备图像故障识别的精度和速度。