融合知识迁移和改进YOLOv6的变电设备热像检测方法

摘要: 针对变电设备热像检测中存在复杂背景样本不足和设备定位困难的问题，提出了融合知识迁移和改进YOLOv6的变电设备热像检测方法。针对复杂背景样本不足问题，使用扩散模型从域外数据中提取背景知识来生成背景图像，将设备样本迁移到背景图像中生成人工热像；针对设备难以被精准定位的问题，将多头注意力机制和显示视觉中心模块融入YOLOv6模型，改善模型的特征提取能力。实验结果表明，该方法对设备的平均检测准确率达到86.4%，召回率达到89.4%，相较于基线模型分别提升了3.1%和1.5%，为变电设备热像检测提供了新的实现方法。

• 关键词: 
• 变电设备  /  
• 热红外图像  /  
• 知识迁移  /  
• 样本生成  /  
• 目标检测  /  
• 扩散模型  /  
• 数据扩增  /  
• 深度学习  

在“双碳”和“新基建”双重背景下，智能电网在促进中国经济发展与能源绿色转型中发挥着重要作用[1]。近年来，快速发展的人工智能技术为电力设备运行状态的评价提供了新的理论与关键技术支撑，如何利用人工智能等数字化技术实现对新型电力系统的高效运维这一问题亟待解决[2]。变电站作为电力系统重要组成部分，其运行状态直接关系到整个电网的安全可靠运行，为了及时并准确获取反应变电设备运行状态的图像信息，必须完成对其图像的智能处理[3]。红外热像检测技术因具有不接触和操作简单的优势，在变电设备温度状态监测领域中有着广泛应用。随着无人值守变电站的普及，远程图像监测系统、无人机和巡检机器人等设备已经被大量应用，这些设备在运行时会产生大量红外图像，仅依靠人工对图像进行处理，