任 丽

(常州科技经贸技工学校，江苏 常州 213000)

电气设备系统的全面检测和故障测试日益重要，能够针对异常发热等现象，具体检测故障点。因此本文的设计采用红外热成像技术，检测系统是否存在漏磁、漏油、接触电阻过大、设备锈蚀、部件松动和断裂等现象。在传统电气设备中，技术人员手持红外设备进行检测，检测过程依赖经验，效率降低，容易存在误区，加之红外图像数据的逐渐增多，必须要带智能设备代替传统人工设备，结合神经网络技术，基于图像分类技术，建立红外图谱库，实现电气设备故障检测的自动化和智能化。

1 电气设备智能检测系统的技术基础

1.1 红外热成像技术及温度提取

红外线是物体向外热辐射而产生的，不同的物体由于温度不同，所以向外辐射的能量密度也不相同。这样传感器就能接收到不同的信号，在具体测试中有2种方式，一种是比色条提取信息，另一种是传感器数据计算温度。前者根据比色条像素值和温度值之间的关系确定温度图像，热力学公式进行计算得到温度。从精确度上来看，传感器数据的精确程度要远远高于比色条的温度。

1.2 图像预处理

首先是图像灰度化处理，对传统RGB图像模型进行灰度处理，这样图像仅包含亮度信息，存储空间大大减少，运算速度相应增加。其次是图像去噪，去除干扰因子，以值滤波、中值滤波和高斯滤波等方式进行处理。再次是图像增强，采用微分方法、Butterworth高通滤波、高低帽变换的方法进行处理。

1.3 图像分割

利用域内相似性和域间差异性，根据图像的纹理特征提取内容中的重点目标，比如某设备的某个部位因为温度一致而具有相同颜色，而另一个部位因为温度差异显示出不同的颜色。此时可以将一致的部分分割出去，减少干扰，一般的提取方法有基于阈值的提取算法、基于边缘的提取算法、基于区域的提取算法。除此之外，还可以利用非经典方法，即基于K-means聚类算法的电气设备红外图像提取方法，该方法需要大量实验确定统计的K值。

1.4 图像识别

采用模板匹配算法进行测试，设计一个相似性函数，进行匹配。其次，采用卷积神经网络方法，建立基于统计学和信息学的数学模型，引进由卷积核构成的卷积层，在模拟的过程中不断提升其精确性。通过局部感知、权值共享、池化等方式降低参数数目。

2 系统的设计与实现

2.1 系统需求

满足电网等电气设备的检测需要，采集巡检机器人、无人机等先进设备拍摄的照片，降低人力查看的消耗量，提升智能化水平。同时通过图像灰化处理降低存储空间，改变过去定时巡检任务工作效率较低以及没有完善的设备红外信息数据库的局面。系统的功能性需要主要包括以下几个方面：红外诊断功能描述、红外图像数据管理功能描述、红外数据统计分析功能描述、红外任务安排功能描述、用户权限管理功能描述等。系统涉及的岗位主要包括巡检、维修、管理员模块管理、普通用户图像上传等。软件方面能够适用于Windows、麦金塔、Linux系统，采用PHP开发环境，使用TensorFlow和keras深度学习框架，使用MySQL数据库进行存储。系统硬件采用web服务器，内存64g，cpu采用因特志强系列，硬盘空间至少10T以上，客户端的配置要求较低，一般机器皆可以满足。

2.2 系统设计

以先进性、智能化、实用性、经济性、易维护为原则，重点考虑系统的安全性，杜绝黑客攻击和病毒侵入，系统能够兼容市面上主流操作系统，具有可维护性和可拓展性。系统模块包括图像预处理、温度提取、图像分割、设备识别四个方面。在系统设计中，要充分考虑电气设备的特性，根据电气设备不同的温度差异进行特定设计，提升系统的功能性。

2.3 系统实现

比较不同滤波器的滤波效果，提升传感器的性能，抑制噪声，提升其清晰度。在设备出现异常时，系统不仅要能够向工作人员发出警告，及时提醒维修，而且要具有继电保护功能，在发生故障时，切换到备用工作的线路和设备。同时系统要能够识别多种故障模式，实施对电气设备的故障进行诊断。

3 结语

电气设备智能检测系统要本着智能化的原则，充分使用红外线温感原理，不断深化设计，创新图像识别、模型分析和传感器技术。