基于CNN和DUL的电力设备低质量X射线图像分合闸识别

摘要：

电力巡检机器人系统在对电力设备分合闸X射线图像采集过程中,往往存在图像失真、模糊、低分辨率等低质量问题,对于X射线图像分合闸状态的识别造成了困难.基于此,提出一种基于数据不确定性学习DUL的深度学习识别方法.首先,分别使用三种卷积神经网络BaseNet、ResNet18与MobileNetV3设计识别算法.然后,通过融合DUL模块,卷积神经网络将图像空间映射到一种服从高斯分布的不确定的特征空间,以自适应学习低质量X射线图像中的噪声.最后,设计三组对比实验模拟理想环境、恶劣环境及正常环境下的不同质量数据对模型识别性能的影响.实验结果表明,融合DUL模块的算法模型性能优于确定性模型,X射线图像分合闸平均识别精度提升2.64％;ResNet18+DUL表现最好,精度高达100％,适用于在线识别;MobileNetV3+DUL表现次之,精度高达97.83％,适用于离线识别.

关键词：低质量X射线图像、分合闸识别、数据不确定性学习、卷积神经网络

所属期刊栏目：40

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2023-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共18页

页码：681-698