電力系統(tǒng)的安全穩(wěn)定運行一直是中國電力工業(yè)的重中之重，電纜隧道的安全也是電網(wǎng)安全運行的重要組成部分。本文中，電纜隧道檢測系統(tǒng)拍攝的圖像用于根據(jù)卷積神經(jīng)網(wǎng)絡算法（R-CNN）和地圖定位圖像中的異常條件點。
　　紅外圖像。析電纜和連接器的溫度，及時發(fā)出異常情況，以保持電源的安全并延長電纜的使用壽命。了滿足電纜隧道檢測圖像的執(zhí)行速度要求，采用垂直和水平重疊算法（CSO）來優(yōu)化圖像的分割閾值，便于快速定位異常位置。纜隧道;溫度異常;卷積神經(jīng)網(wǎng)絡;垂直和水平交叉優(yōu)化算法中圖分類號：TP391.41; TP183文件編號：A產(chǎn)品號：2096-4706（2019）02-0046-05摘要：安全穩(wěn)定運行在中國，電纜隧道的安全性也是網(wǎng)絡運行安全的重要組成部分該文件描述了電纜隧道的控制系統(tǒng)。卷積神經(jīng)網(wǎng)絡方法中，將電纜連接器放置在圖像中并將其映射到紅外圖像。析電纜連接器的溫度及時觸發(fā)報警，在異常情況下，可以保持電源的安全，延長電纜的使用壽命：鑒于采集的樣品圖像數(shù)量少，采用遷移學習方法，降低訓練強度，確保更好的定位和識別效果。鍵詞：電纜隧道;溫度異常;卷積交叉神經(jīng)元網(wǎng)絡;交叉開關優(yōu)化算法引言地下電纜隧道中的電纜線路和各種通信設備數(shù)量逐漸增加，電纜隧道結構因現(xiàn)場等原因復雜，維護地下電纜變得越來越復雜。[1]越難。于電纜連接處的處理水平的限制，連接不良的問題可能導致對連接的過度阻力，這可能在由電流產(chǎn)生的熱效應下產(chǎn)生熱量到電纜連接器。纜，可能會損壞電纜絕緣層。漏甚至可能導致火災[2]。未連接區(qū)域，熱故障通常不是由低電阻值引起的。
　　此，監(jiān)控電纜連接器的溫度對于減少電纜故障和延長其壽命非常重要。用常用的溫度傳感器，例如熱敏電阻，礦用電纜熱電偶，溫度控制的晶閘管等，會產(chǎn)生無法解決的問題。于電纜護套的存在，接觸溫度傳感器具有高滯后，并且所產(chǎn)生的溫度是小面積。
　　了獲得整體溫度，必須安裝大量傳感器，這增加了電纜隧道維護的難度[3]。著電纜檢測機器人的推廣，用于維護電纜隧道的設備的使用正變得越來越流行。本文中，使用配備有可見光高清攝像機和紅外攝像機的電纜隧道檢測機器人來收集圖像。纜接頭的位置基于R-CNN網(wǎng)絡結構。后確定是否發(fā)出異常高溫警告。
　　積神經(jīng)元網(wǎng)絡（CNN）是一種直接響應神經(jīng)網(wǎng)絡，其人工神經(jīng)元可以響應部分覆蓋范圍的周圍區(qū)域，并具有處理大圖像的優(yōu)異性能[4]。5]。]。積神經(jīng)網(wǎng)絡（CNN）的主要結構由卷積層，激活函數(shù)，聚類層，完全連通層和分類器（softmax）組成。積層實驗結果的分析圖1說明了R-CNN網(wǎng)絡結構的網(wǎng)絡結構。域建議網(wǎng)絡（RPN）被添加到用作預選區(qū)域生成的基本神經(jīng)網(wǎng)絡的特征層的輸出。
　　獲得RPN網(wǎng)絡的預選區(qū)域后，分組層將特征圖上對應的預選區(qū)域的特征整合為固定長度的特征向量，并連接到softmax分類層和回歸層。過完全連接的雙層層后的邊界[11]。本的神經(jīng)網(wǎng)絡可以選擇不同的結構，如GoogleNet [12]和ZFNet [13]。

　　文選擇使用ZFNet，因為網(wǎng)絡很小，程序運行合理。
　　使訓練數(shù)據(jù)基于較小的CNN網(wǎng)絡結構作為網(wǎng)絡的基本訓練參數(shù)，仍然需要大量訓練樣本。廣東省珠海市食品局的幫助下，實驗隊在橫琴地區(qū)的秦琴和B線上收集了數(shù)千分鐘的視頻數(shù)據(jù)和1，500張正常或異常情況的圖像。
　　上所述獲得的樣品分為學習集和測試集。域推薦網(wǎng)絡（RPN）使用通過CNN網(wǎng)絡上的先前訓練獲得的網(wǎng)絡參數(shù)進行初始化。R-CNN目標檢測網(wǎng)絡參數(shù)由RPN網(wǎng)絡初始化，并且預選的訓練區(qū)域目標檢測網(wǎng)絡由RPN網(wǎng)絡檢索。用經(jīng)過培訓的目標檢測網(wǎng)絡重置RPN網(wǎng)絡，更正網(wǎng)絡卷積層并對其進行微調。定目標檢測網(wǎng)絡的卷積層利用優(yōu)化的RPN網(wǎng)絡提取的預選區(qū)域精確調整目標檢測網(wǎng)絡。圖2所示。
　　個網(wǎng)絡的輸出對應于有線接口的位置信息。個參數(shù)（x，y，w，h）是左上角的水平和垂直坐標。面區(qū)域，以及區(qū)域的寬度和高度。驗過程可以在形成R-CNN目標檢測網(wǎng)絡后獲得電纜接頭的溫度，以獲得可見光下照片上電纜連接器的位置。體步驟如下：由R-CNN和可見隧道機器人可見光攝像機獲得的關節(jié)紅外攝像機設置可用于將可見光照片的電纜連接區(qū)域映射到紅外照片。所選擇的紅外照片區(qū)域上搜索最高溫度值以獲得最高溫度值。據(jù)電纜芯的溫度校正公式和防爆外殼的溫度進行校正后，可獲得電纜連接處的最大芯溫。最高溫度與標準電纜連接器檢查溫度閾值進行比較，以確定是否存在異常高溫并決定觸發(fā)警報。果與分析兩個電纜接頭的識別和定位結果如圖3，圖1和圖4所示。中，（a）是可見光下的原始圖像，（b）是定位后可見光中的圖像。（c）是相應的紅外圖像。據(jù)對應于定位框架的紅外圖像，也就是說，尋求關節(jié)區(qū)域的最高溫度，關節(jié)1的最高溫度為31.63℃，關節(jié)2的最高溫度為在29.31°C，均在正常溫度范圍內。于Faster-R-CNN的有線鏈路定位算法可以精確定位，識別速度快，統(tǒng)計結果表明識別精度高達80％，時間到僅在CPU模式下識別小于10秒。外，密封溫度識別結果與現(xiàn)場檢查結果一致，溫差不超過5％。論在本文中，深度學習和圖像處理技術被應用于功率隧道圖像的識別和分析，以及最先進的識別算法。
　　度基于數(shù)字圖像處理技術和卷積神經(jīng)網(wǎng)絡。高壓危險環(huán)境中，礦用電纜可以使用檢測機器人代替人工檢測電纜的溫度狀況，減少操作維護人員的工作量，提高智能化水平檢查機器人和使用現(xiàn)有檢查機器人在電纜隧道中的檢查。查設備收集，定位和識別電纜連接器的溫度狀態(tài)。算法適用性廣，識別質量好，識別速度快，為智能電力隧道和無人值守服務提供重要技術支持。
　　本文轉載自
　　電纜價格 http://www.ktio.cn