基于改进YOLO和ResNet的变电设备热缺陷智能诊断

"这篇文章是《重庆理工大学学报（自然科学）》2023年第37卷第9期刊登的一篇科研论文，由郑文杰等人撰写。研究得到了国网山东省电力公司科技项目和国家自然科学基金重点项目的资助。文章探讨了一种基于改进YOLOv4-Tiny和ResNet的变电设备热缺陷识别及诊断方法，旨在解决红外图像背景干扰大、故障种类多以及现有诊断方法效率低的问题。" 本文主要介绍了一种新颖的变电设备热缺陷识别和诊断技术，该技术结合了深度学习中的YOLO (You Only Look Once) 目标检测算法的改进版和ResNet (Residual Network) 深度神经网络。YOLO算法以其实时性和高效性在目标检测领域广泛应用，而ResNet则通过引入残差块解决了深度网络训练时的梯度消失问题，提高了特征提取的能力。 针对变电设备红外图像中常见的背景干扰和多样的热缺陷故障类型，研究者首先构建了一个典型的变电设备红外图像数据集。他们对YOLOv4-Tiny模型进行了优化，利用卷积核分解技术减小模型复杂度，同时通过多层特征融合提升模型的识别能力，从而能更准确地定位发生故障的设备并提取出设备的边界框。 接下来，研究中提出了融合密集连接的Res_DNet网络结构，该结构能够提取先验框内的局部图像数据的多尺度特征。这种设计增强了模型对设备故障类型的分类精度，有助于区分不同类型的热缺陷。 为了进一步提升模型的诊断效率和准确性，研究者运用了贝叶斯算法来优化模型的超参数，例如学习率和卷积核数量。通过寻找这些关键参数的最佳组合，他们实现了模型在识别和诊断过程中的高性能表现，使得该方法更适合实际巡检应用需求。 该研究提供了一种创新的方法，有效地解决了变电设备热缺陷识别的挑战，提升了诊断效率，对于电力系统的安全运行和维护具有重要意义。其技术应用不仅限于变电设备，还可以推广到其他领域中存在类似问题的设备监测。