电力论文哪里有？本文首先提出利用Zernike矩提取红外图像特征值和基于ResNet模型识别相结合的电缆故障识别方法。针对采集到的电缆故障图像存在噪声的情况，本文使用三种不同的滤波算法对图像进行降噪，通过主观和客观指标对比分析，得出引导滤波在红外图像降噪方面具有良好的效果。
1 绪论
1.2 国内外研究现状
1.2.2 国外研究现状
国外在红外图像处理技术方面具有较深的研究积累，尤其在电力设备故障检测领域有着广泛的应用。研究者们探索了不同类型电缆故障的红外特征提取方法和分析技术，例如基于红外成像的热异常检测和图像分割算法的应用[32]。国外学者们早在深度学习技术兴起之初就开始将其应用于电力设备故障诊断领域[33]。他们利用卷积神经网络和深度残差网络等模型，对电力设备的红外图像进行分类、识别和故障分析，取得了显著的成果[34]。一些国外研究团队已经开展了基于深度学习和ResNet模型的电缆故障红外图像监测系统的实验研究。他们通过构建大规模数据集、优化网络结构和算法，有效提高了电缆故障识别的准确性和鲁棒性，为实际应用提供了可靠的技术支持[35-37]。尽管国外已经取得了一定的研究成果，但电缆故障红外图像监测系统仍面临数据集获取、模型泛化能力以及实际工程应用中的挑战。未来的研究方向可能包括多传感器数据融合、跨领域合作以及深度学习算法的进一步优化和推广，以提高系统的可靠性和实用性[38-40]。
3 基于ResNet模型的电缆故障红外图像识别
3.1 电缆红外图像获取
太阳光的形成主要是由于太阳内部的核聚变产生的，人的肉眼可以观察到的物体的波长范围在400nm-760nm之间，光按照波长的分类方法可以分为可见光和不可见光，其中可见光的波长范围在390nm-780nm之间，红外线属于不可见光，是一种热辐射，其波长大于780nm[74-76]。红外图像具有信噪比低、成像效果模糊、抗干扰能力强和图像边缘模糊这几种特点。外界环境干扰因素以及红外相机采集过程带来的干扰组成了红外图像中的噪声来源，背景噪声、放大器噪声、热噪声、1/f噪声、散粒噪声是红外图像中的主要噪声类型[77]。
在基于ResNet模型的电缆故障红外图像监测系统研究中，红外热像仪成像单元扮演着决定性角色，其效能直接影响整个系统的实用价值[78]。
温度计工作的灵敏度受到波长的影响，温度计处在短波环境中的时候，其具有很高的抗干扰能力和灵敏度[80]。
对于采集到的电缆红外图像往往存在图像质量不高的问题，图像的对比度以及亮度都比较差，需要对这些图像进行预处理，以便于后续对于红外图像的特征提取和分析，在电缆故障红外图像预处理过程中，降噪滤波扮演着重要的角色。它不仅可以有效地消除图像中的噪声，还可以强化或弱化图像中的特定特征，从而有助于更好地识别和检测电缆的热缺陷[82]。在红外图像的降噪过程中，常用的图像降噪方法包括高斯滤波、双边滤波和引导滤波， 在将红外图像输入到ResNet模型之前，通常会先进行降噪滤波处理，以提高后续特征提取和识别的效果。
5 系统测试
5.1 功能测试
在基于ResNet模型的电缆故障红外图像监测系统的开发过程中，功能测试是必不可少的一部分。功能测试的目标是验证系统各个功能模块的正常工作和相互配合的可靠性。本节将对远程监控系统与巡检机器人系统的无线通信可靠性测试进行详细介绍。为评估远程监控系统与巡检机器人系统的无线通信稳定性，进行一系列实验。实验布局描述如下：远程操作站被配置在距离机器人巡检隧道起点1000米的位置，而机器人则驻留在距离控制中心最远的点。实验包含15轮独立的数据传输测试，每轮测试中传输1000组数据代码，各组之间保持200毫秒的发送间隔。
在每次测试中，记录了上位机和巡检机器人端检测出的错误报文，并对错码的次数进行统计。最后总结了实验结果，如表10所示。
5.2 性能测试
性能测试是评估系统在各种工作负载下的性能和效率的过程。在基于ResNet模型的电缆故障红外图像监测系统的开发中，进行了一系列性能测试，以评估系统的处理能力、响应时间、资源利用率以及模拟短路、断线、老化故障的准确率。
考虑到图像采集环境温度的不同将会影响到系统的性能，本文选择在环境温度为10.5℃和31.3℃时采集的图像对系统性能分别进行测试，环境温度为10.5℃时的性能测试结果如表11所示。
根据上表的测试结果，可以得出系统在环境温度较低时，处理红外图像速度较快，数据传输速率达50Mbps，响应时间仅100毫秒，CPU利用率80%，内存利用率70%，模拟短路、断线、老化故障的准确率分别为100%、95%、90%，验证了系统在性能方面的优异表现，满足实际需求。
6 总结与展望
6.1 总结
随着智能电网的快速发展，电缆作为电力传输的重要载体，其运行状态的安全性和稳定性对于电力系统的整体运行至关重要。电缆故障的传统检测方法大多依赖于人工巡检和离线测试，这些方法不仅耗时费力，而且难以实时准确地发现故障。红外成像技术作为一种非接触式的检测方法，能够实时获取电缆的热状态信息，为电缆故障检测提供了新的思路。然而，传统的红外图像处理技术往往依赖于人工特征提取，存在效率低、误判率高等问题。因此，将红外成像技术与深度学习技术相结合，特别是ResNet模型，对电缆故障红外图像进行智能化识别，对实现降低巡检人员工作负担的目标以及确保电力系统运行的安全性和可靠性上具有重要意义。
本文首先提出利用Zernike矩提取红外图像特征值和基于ResNet模型识别相结合的电缆故障识别方法。针对采集到的电缆故障图像存在噪声的情况，本文使用三种不同的滤波算法对图像进行降噪，通过主观和客观指标对比分析，得出引导滤波在红外图像降噪方面具有良好的效果。其次，为了使ResNet模型能够更好的识别出不同类型的电缆故障，对电缆红外图像进行特征分割，并对分割后的图像进行矩特征值提取，发现Zernike矩特征值在电缆图像中具有良好的旋转、尺度和平移不变性。针对三种不同类型的电缆故障进行介绍，通过搭建实验平台，验证了本文所提ResNet模型算法在电缆故障识别上具有较高的识别准确率，其准确度、精度、F1分数和召回率均优于其他三种常用卷积神经网络模型。其次，本文给出电缆故障红外图像监测系统设计方案，通过对系统进行硬件和软件部分各模块的设计，实现了隧道内电缆故障的实时监控与传输。最后，本文对基于ResNet模型的电缆故障红外图像监测系统进行了功能测试和性能测试，功能测试中，验证了远程监控系统与巡检机器人系统之间的通信可靠性，性能测试中，对系统各项指标以及检测三种不同类型的电缆故障的准确率进行验证。
参考文献（略）
