裴泽林 赵曙光 王建强

摘 要：随着我国经济发展，高质量的稳定电网变得愈发重要。在负荷逐渐加重的今天，对变压器红外图像识别已经成为一个研究方向。本文基于小样本学习方法Meta-Network（即MetaNet），通过微调原理改进VGG19模型，使用GRU替代传统的LSTM网络，增强了小样本情况下的学习效果。其中数据集包含600多张变压器红外图像，初步实现了减少训练样本与时间、提升分类器性能的效果。

关键词：图像识别;小样本学习;微调原理;Meta-Network;GRU;LSTM

1 绪论

社会经济不断发展，巨大的用电压力下，为了满足供电需求，各种变电站中的变压器将长时间处于大负荷乃至超负荷运转中，极易出现非人为故障，这将对电力系统安全平稳运行产生巨大挑战。因此，寻找一个可以及时发现故障的方法就显得尤为重要。

针对这个问题，传统解决办法是采用定期人工巡检的方案，每隔一段时间人工检查变压器运行状态，从20世纪50年代开始，国内企业就开始对电力设备进行定期检修维护。

20世纪末开始，随着传感器技术的不断发展，电力设备红外检测方法开始在我国得到广泛应用，利用红外图像识别技术对电力设备温度异常的故障进行诊断也逐渐成为行业内研究的新方向。

本文所研究的红外图像故障主要针对变压器温度异常，这是变压器最基本，最常见的故障类型。传统的图像识别通常采用监督学习方法，基于大量的训练数据对模型进行训练，例如k近邻算法（k-Nearest Neighbors，KNN），决策树（Decision Trees）等;或者使用无监督学习方法，例如经典的k均值聚类算法。……