基于嵌入式深度学习的电力设备红外热成像故障识别
随着大型图像集的出现以及计算机硬件尤其是GPU的快速发展,在有限计算资源的嵌入式设备上部署卷积神经网络(CNN)模型成为具有挑战性的问题.电力设备过热故障可以通过采集的红外热成像进行识别.由于红外辐射在空气中传播衰落,红外测温结果低于实际温度值.本文提出一种基于嵌入式设备的高效卷积神经网络用于电力设备热故障检测,将SSD算法中的骨干网络替换为MobileNet,同时Batch Normalization与前一卷积层合并,以减少模型参数、提升推理速度、使之能够在轻量级计算平台上运行.针对红外辐射在空气中传播损失的问题,提出一种基于BP神经网络的红外测温修正单元.基于上述创新设计了一种电力设备热故障检测系统,实验以及现场应用表明,该方法具有较高的准确性以及推理速度.
深度学习、红外热成像、轻量级、故障检测、电力设备
29
2020-07-01(万方平台首次上网日期,不代表论文的发表时间)
共7页
97-103