基于多特征与DCNN的红外SF6泄漏检测方法研究

徐守坤 符心宇 封晓晨 王雨生 石 林

(常州大学信息科学与工程学院 江苏 常州 213164)

0 引 言

六氟化硫(SF6)是一种被广泛应用于电力、化工行业的绝缘气体，且具有无色无臭的性质，其泄漏会对设备与环境都造成巨大的损害，寻找一种及时、有效的SF6泄漏检测方法尤为重要。传统的SF6泄漏检测方法很多，但大多利用其物理性质，借助设备进行检测，这些方法不仅需要大量人力，且无法自动检测。相关工作者利用SF6能够较好吸收红外光波的原理，提出了基于红外成像技术的SF6泄漏检测方法[1]，在红外技术支持下，SF6呈现出黑色烟雾状。过去几年中，很多图像烟雾检测算法被提出。文献[2-3]提出几种烟雾检测方法，如结合聚合Gabor核和局部二值模式(LBP)的烟雾识别方法、结合Gabor网络与纹理特征的烟雾识别方法。Yin等[4]提出一种用于烟雾检测的归一化卷积神经网络，在提取特征的同时对数据进行归一化处理，获得了不错的检测精度。卫鑫等[5]针对采样的每帧烟雾特征具有极大的相似性，提出一种深度卷积长短期记忆网络的火灾烟雾检测模型。

本文针对传统SF6泄漏检测方法准确性不高且耗时耗力等问题，将红外成像技术与机器学习结合，提出一种新的SF6泄漏检测方法，提取红外技术下SF6泄漏的颜色及运动特征，利用加入膨胀卷积[6]的改进卷积神经网络进行分类，在增大感受野的同时，可以避免空间信息的丢失，在实际对SF6的检测中具有比经典CNNs更好的检测效果。实验证明，本文方法不仅能够对SF6气体进行全天候、多角度自动检测，而且具有较高的检测准确率。……