一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法与流程
本发明属于电力设备绝缘状态检测,具体涉及一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法。
背景技术:
1、变压器作为电力系统的核心枢纽设备,其运行状态的稳定性直接关系到电网的安全供电能力。矿物绝缘油在变压器内部承担着绝缘和冷却的双重关键职能,其理化性能与电气强度是评估变压器健康状态的重要指标。在长期运行过程中,受电场、热场及机械应力等多重因素耦合影响,绝缘油中不可避免地会产生或混入各类固体杂质颗粒,包括金属磨损颗粒、绝缘纤维以及由局部放电或过热产生的游离碳颗粒等。目前,行业内普遍采用光学显微镜计数法、自动颗粒计数法以及重量分析法等手段对油中颗粒污染度进行检测,这些方法依据相关标准规定了颗粒的数量限值和粒径分级,构成了变压器油质监督的基础技术路线,广泛应用于入网验收及例行试验环节。
2、近年来微流成像技术开始应用于油品检测,但在变压器油检测场景中,仍存在三大技术瓶颈:一是变压器油液背景不均匀、色差波动大,常规阈值分割算法易出现颗粒漏检、误分割;二是油中气泡与固体颗粒成像特征相似,易被误判为固体杂质,导致检测结果偏高;三是针对游离碳、金属、纤维等不同类型杂质,尤其是5μm以下微小颗粒,分类识别准确率低,无法支撑绝缘风险的精准研判。
3、因此,开发一种高精度、高效率、可现场应用的变压器油微小固体杂质识别检测方法,是行业内亟待解决的技术问题。
技术实现思路
1、本发明的目的在于克服现有技术的不足,提供一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法,实现微小固体杂质的快速精准检测,可有效区分游离碳颗粒、金属颗粒、绝缘纤维颗粒并排除气泡干扰,无需复杂油样预处理,兼顾实验室检测、现场快速检测与长期连续监测场景,为变压器绝缘状态评估与潜伏性故障预警提供可靠技术支撑。
2、为实现上述目的,本发明的第一方面提供了一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法,所述方法包括:
3、包括以下步骤:
4、s1、采集待测变压器油样,利用微流成像系统实时捕捉所述待测变压器油样中固体杂质颗粒的动态过程,获取多帧微流成像图像;
5、s2、对所述微流成像图像进行预处理,所述预处理包括图像去噪和非均匀背景校正;
6、s3、对预处理后的微流成像图像采用自适应阈值分割算法进行处理,分离油液背景区域与颗粒目标区域,提取所述固体杂质颗粒对应的颗粒图像;
7、s4、对所述颗粒图像进行特征提取,获得所述固体杂质颗粒的特征参量,所述特征参量包括尺寸特征、形态特征和光学透射特征;
8、s5、将所述颗粒图像和对应的特征参量融合输入预先训练完成的杂质分类模型,通过所述杂质分类模型识别所述固体杂质颗粒的类型,并排除所述微流成像图像中的气泡干扰;
9、s6、根据识别出的固体杂质类型,按预设的粒径区间分别统计各类型固体杂质颗粒的数量,计算各类型固体杂质颗粒的颗粒浓度和粒径分布参数,输出所述待测变压器油样的固体杂质检测结果。
10、进一步地,步骤s1中,所述获取多帧微流成像图像具体包括:
11、将所述待测变压器油样注入所述微流成像系统的检测流道中;
12、通过流体泵驱动所述待测变压器油样以恒定流速流经所述检测流道的显微成像区;
13、采用窄带脉冲光源对所述显微成像区进行透射式照射,并控制图像采集单元与所述窄带脉冲光源同步触发曝光,连续采集流经所述显微成像区的油样图像,获得所述多帧微流成像图像。
14、进一步地,步骤s3中,所述自适应阈值分割算法具体步骤包括:
15、s3.1、对预处理后的微流成像图像进行等尺寸分块处理,计算每个子块图像的局部灰度均值和局部灰度标准差;
16、s3.2、根据变压器油液背景的灰度分布特性设置阈值修正系数,结合所述局部灰度均值和所述局部灰度标准差,计算每个子块图像的自适应分割阈值;
17、s3.3、根据各子块的所述自适应分割阈值对所述微流成像图像进行二值化处理,分离油液背景区域与颗粒目标区域,获得颗粒目标区域的初始二值图像;
18、s3.4、对所述初始二值图像依次进行形态学开运算和闭运算处理,提取所述固体杂质颗粒对应的颗粒图像。
19、进一步地,步骤s4中:
20、所述尺寸特征包括颗粒的等效直径、颗粒面积、颗粒周长和长轴长度;
21、所述形态特征包括颗粒的长宽比、圆度、凸度和形状因子;
22、所述光学透射特征包括颗粒区域的平均灰度值、灰度标准差和透射光强衰减率。
23、进一步地,步骤s5中,步骤s5中,所述杂质分类模型为基于mobilenetv3-small改进的轻量型卷积神经网络,所述改进的轻量型卷积神经网络模型包括依次连接的输入层、轻量型骨干网络、全局平均池化层、全连接层和输出层,所述轻量型骨干网络包含深度可分离卷积层和注意力层。
24、进一步地,所述杂质分类模型通过以下步骤预先训练获得:
25、s5.1、制备标准油样样本集,所述标准油样样本集中包含气泡样本和多种固体杂质样本,所述多种固体杂质至少包括游离碳颗粒、金属颗粒和纤维颗粒;
26、s5.2、利用所述微流成像系统分别获取各类别样本的微流成像图像,并对获取的图像进行预处理和自适应阈值分割,获得各样本的颗粒目标图像;
27、s5.3、提取各样本的颗粒目标图像的特征参量,并标注对应的类别标签,构建训练数据集和验证数据集;
28、s5.4、采用迁移学习方式,以预训练的轻量型卷积神经网络权重作为所述轻量型骨干网络的初始参数,利用训练数据集对所述全连接层进行训练;
29、s5.5、利用验证数据集对训练后的所述改进的轻量型卷积神经网络模型进行分类精度验证,当所述模型对固体杂质类型及气泡的分类准确率达到预设精度阈值时,完成模型训练。
30、进一步地,步骤s6中,所述固体杂质检测结果包括:各类型固体杂质颗粒的颗粒浓度、各类型固体杂质颗粒在各预设粒径区间内的粒径分布数据、各类型固体杂质颗粒的形态特征统计信息,以及所述待测变压器油样的清洁度等级。
31、本发明的第二方面提供了一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测系统,所述系统包括:
32、微流成像采集模块,用于实时采集待测变压器油样中固体杂质颗粒的动态过程,获取多帧微流成像图像;
33、图像预处理模块,用于对所述微流成像图像进行预处理操作,包括图像去噪和非均匀背景校正;
34、图像分割模块,内置自适应阈值分割算法,用于对预处理后的微流成像图像进行分割,以分离油液背景区域与颗粒目标区域,提取固体杂质颗粒对应的颗粒图像;
35、特征提取模块,用于提取所述固体杂质颗粒的特征参量,所述特征参量包括尺寸特征、形态特征和光学透射特征;
36、颗粒识别模块,加载有预先训练完成的杂质分类模型,用于根据所述颗粒图像和对应的特征参量识别所述固体杂质颗粒的类型,并排除气泡干扰;
37、结果输出模块,用于根据识别出的固体杂质类型,按预设的粒径区间分别统计各类型固体杂质颗粒的数量,计算各类型固体杂质颗粒的颗粒浓度和粒径分布参数,并输出所述待测变压器油样的固体杂质检测结果。
38、本发明的第三方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上述任意一项所述的一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法。
39、本发明的第四方面提供了一种存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述任意一项所述的一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法。
40、本发明的有益效果是:
41、本发明提供了一种基于轻量级卷积神经网络的变压器油中微小固体杂质识别检测方法,采用微流成像技术,可精准定量传统方法无法有效检测的5μm以下杂质颗粒,填补了变压器微小危害杂质检测的技术空白。
42、本发明采用自适应阈值分割结合形态学处理,可有效抵消油液色度变化、光照不均带来的背景干扰,颗粒分割准确率高,保证粒径与浓度统计的可靠性。
43、本发明构建融合深度可分离卷积的轻量型分类网络,结合迁移学习训练,可精准进行固体杂质分类并剔除气泡干扰,微小颗粒分类准确率满足工程要求,模型轻量化设计支持部署于便携式设备。
44、本发明无需过滤、稀释等复杂预处理,提高检测效率;同时支持实验室精准检测、现场便携式快速检测、长期在线连续监测三种模式,可为变压器状态检修与故障预警提供全场景数据支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com