基于DeepLabv3+網絡的電流互感器紅外圖像分割方法

袁 剛，許志浩，康 兵，羅 呂，張文華，趙天成

基于DeepLabv3+網絡的電流互感器紅外圖像分割方法

袁 剛1，許志浩1，康 兵1，羅 呂1，張文華1，趙天成2

（1. 南昌工程學院 電氣工程學院，江西 南昌 330099；2. 國網吉林省電力有限公司電力科學研究院，吉林 長春 130021）

紅外圖像智能分析是變電設備故障診斷的一種有效方法，目標設備分割是其關鍵技術。本文針對復雜背景下電流互感器整體分割難的問題，采用基于ResNet50的DeepLabv3＋神經網絡，用電流互感器的紅外圖像訓練語義分割模型的方法，對收集到的樣本采用限制對比度自適應直方圖均衡化方法實現圖像輪廓增強，構建樣本數據集，并運用圖像變換擴充樣本數據集，搭建語義分割網絡訓練語義分割模型，實現電流互感器像素與背景像素的二分類。通過文中方法對420張電流互感器紅外圖像測試，結果表明，該方法的平均交并比（Mean Intersection over Union, MIoU）為87.5%，能夠從測試圖像中精確分割出電流互感器設備，為后續電流互感器的故障智能診斷做鋪墊。

紅外圖像；電流互感器；ResNet50；DeepLabv3＋；語義分割

0 引言

在變電設備紅外圖像分析的過程中，高質量的圖像能簡化故障診斷算法流程。然而，真實的變電站場景復雜，背景干擾大，拍攝的紅外圖像成像質量低；此外，某些紅外熱像儀還自帶標記，紅外圖像中的比色條、熱像儀logo、溫度標簽等覆蓋了圖像中部分溫度信息，造成數據污染，增加了變電設備故障診斷難度[1]。當前基于紅外圖像變電設備故障自動診斷主要分為3步：查找感興趣區域（Region of Interest，ROI）、特征提取和狀態分類[2]。其中查找ROI的目的主要是縮小目標對象分析范圍，主流方法包括目標分割與目標檢測兩種手段。該類方法在實施過程中可分為兩種思路，即一步定位熱點區域法和多步定位熱點區域法。

一步定位熱點區域是用一些分割算法或目標檢測算法直接從變電設備的紅外圖像中分割或界定過熱區域。康龍等[3]利用紅外圖像灰度直方圖確定聚類中心和聚類個數，用遺傳算法來確定最優聚類中心，最后用模糊C均值（Fuzzy C-means）來分割過熱區域；曾亮等[4]用大津（OTSU）算法和區域生長法分割過熱區域；Hui Zou等[5]利用均值聚類算法（k-means clustering algorithm）將灰度圖像分割成個區域，計算個區域中的平均值，將其作為聚類中心不斷迭代來分割最終的過熱區域。隨著深度卷積網絡在圖像處理領域取得突破性進展，目標檢測算法定位故障區域的方式也取得了較好的成績。王旭紅等[6]利用Single Shot MultiBox Detector（SSD），林穎等[7]利用You Only Look Once（YOLO），劉云鵬等[8]利用Faster Region-based CNN等目標檢測網絡實現紅外輸變電設備異常發熱區域界定。

然而，上述方法難以自動規避數據污染和背景熱源干擾，處理結果都缺少對象語義表達，且主要適用于發熱較大的電流致熱型故障；而對于發熱較小的電壓致熱產生的熱點區域卻難以做到準確定位，甚至失敗。此外，用神經網絡直接實現變電設備故障區域界定的算法需要大量的訓練數據集，紅外故障數據集樣本量不足是限制該方法的主要問題。

綜上所述，用一步定位熱點區域方法實現局部過熱區域定位難以滿足變電設備故障檢測需求，利用多步定位熱點區域可以提高故障分析準確率。這類方法的主要思想是：先將目標設備整體從復雜背景中進行分割，減少數據污染和背景干擾，再進一步分割可疑熱區域，保證后續提取的熱特征量的空間位置信息是來自被分析的變電設備本體[1]。

圖像語義分割是一種能讓計算機理解圖像的技術，在一個網絡中同時實現圖像中的物體類別識別和高精度的圖像分割。近年來，該技術在可見光的圖像語義分割已經取得不俗的效果[9]，而對變電設備紅外圖像的場景理解的研究還處于初級階段。本文用電流互感器作為訓練樣本，DeepLabv3＋網絡訓練模型[10]，從復雜背景中分割設備整體，結合圖像形態學方法對語義分割結果進行后處理，以提高最終分割的精度，為后續變電設備不同致熱因素導致的故障預判做鋪墊。

1 算法理論

語義分割技術是利用計算機將圖像中的像素按照圖像表達的語義信息進行分類[10]。在以往的分類網絡中，會將圖片進行降維處理，丟棄圖片原有的空間信息。而圖像的語義分割算法需要分類每個像素并將分類結果還原成帶有語義信息的與原圖同等大小的圖片。因此，保留像素的空間信息對于圖像語義分割而言尤為重要。隨著全卷積神經網絡（Fully Convolutional Networks，FCN）的提出，Long[11]等人將AlexNet，VGGNet和GoogLeNet等主流分類網絡中的全連接層替換成卷積層，并在最后添加轉置卷積將特征圖恢復到原來的尺寸[12]，圖像像素的空間位置特征得以保留，語義分割才有了突破性發展。本文利用近年來在公共數據集中測試MIoU得分最高的DeepLabv3＋作為訓練變電設備語義分割模型的網絡。

1.1 DeepLabv3＋網絡結構

編碼解碼（Encode-Decode）結構[13]是語義分割網絡中的主流結構，所謂的編碼過程是通過特征提取網絡提取變電設備的特征，再經過解碼實現特征信息重組，在這個過程中，網絡根據圖像的標簽信息不斷修正參數，最終實現監督式學習的對像語義分割。

DeepLabv3＋的特征提取主干網絡為殘差神經網絡ResNet[14]。深度殘差網絡的設計是為了克服由于網絡深度加深而產生的學習效率變低與準確率無法有效提升的問題。該網絡允許一部分輸入不經過卷積網絡傳到輸出，保留了部分淺層信息，避免了因特征提取網絡的加深而導致特征細節的丟失[15]，殘差模塊的引入可以使網絡在加深的同時保證較高的準確率，且更易于網絡的優化，提高網絡收斂速度。

ResNet殘差網絡原型如圖1(a)所示，網絡結構主要由卷積殘差塊（Conv-block）和恒等殘差塊（Identity-block）兩部分基本塊組成，如圖1(b)(c)所示。以ResNet50為例，其中Conv-block共4個，是用來調整輸入的長、寬及通道數；Identity-block共12個，是用來串聯網絡，增加網絡層數。殘差網絡的計算公式如下：

y＝(x)＋(x,W) (1)

x＋1＝(y) (2)

式(1)、(2)中：x，y分別表示第個殘差網絡的輸入和輸出；x＋1表示第＋1層殘差網絡的輸入；W表示卷積操作；(x,W)表示殘差函數；表示Relu激活函數。其中(x)表示殘差邊的輸出，在Conv-block網絡中殘差邊的輸出需要調整輸入圖像的大小并進行歸一化，而在Identity-block結構中殘差邊的輸入和輸出恒等，這兩種網絡結構輸出計算公式為：

式中：g(m, n)為卷積核。

在整個編碼網絡結構中為了獲得更加高級的圖像特征，在ResNet50網絡末端添加空洞卷積空間金字塔模塊（Atrous Spatial Pyramid Pooling, ASPP）[16]，它接受基網絡提取的高級特征圖作為輸入，經過具有不同空洞速率的空洞卷積，最后將結果輸出進行堆疊，達到覆蓋多尺度感受野的目的。

上述兩部分構成了DeepLabv3＋網絡的編碼模塊。將編碼模塊輸出的特征圖與編碼模塊中的淺層特征相結合，經過上采樣步驟構成解碼模塊，該模塊的功能是利用轉置卷積將特征圖像進行逐層放大最終還原成與輸入圖像尺寸同等大小的圖像，最后經過Softmax Layer求出輸出圖像的像素所在類別的概率，Pixel Classification Layer對像素進行分類[17]，輸出網絡預測的label。網絡結構如圖2所示。其中softmax函數定義為：

式中：zi表示第i個節點輸出的像素值；K表示網絡分類的分類個數；pk(zi)表示zi屬于第k個類別的概率。

1.2 數學形態學運算

考慮到訓練的模型難以準確無誤地完成對輸入圖像像素分類，或多或少會有一些與設備本體顏色相近的像素點被分割出來。因此本文采用數學形態學中的開閉運算對分割后的圖片進行處理。利用開運算對分割后的圖像進行腐蝕，之后做膨脹運算，平滑分割后圖像的輪廓，同時刪除一些誤分割的像素塊，該運算的數學表達式為：

利用閉運算對圖像做膨脹之后再進行腐蝕處理，填充一些圖像中出現的孔洞或裂口，其表達式為：

以上兩式中為待處理圖像；是單個結構化元素對象。

2 電流互感器紅外圖像數據集預處理

由于拍攝設備紅外圖像的熱像儀型號各異，拍攝環境復雜，部分熱攝像儀拍攝的圖片噪點多，此外，當有設備表面溫度與環境溫度相差較小時，設備特征被淹沒在環境中，丟失了大量細節特征，不利于圖像標注和網絡提取設備的輪廓特征。因此需要對收集到的圖像做增強處理。

2.1 基于對比度限制自適應直方圖均衡化的圖像增強算法

由于紅外圖像反應的是設備溫度和環境溫度的高低分布，當環境溫度與設備本體溫度相近時或在拍攝時設置較大的溫度區間，將使設備輪廓與背景環境混為一體，邊界模糊。如采用直方圖均化（Histogram Equalization，HE）方法對全局圖像進行增強，直方圖大峰值可能落在背景噪聲或非感興趣區域；在這種情況下，直方圖均衡化會導致圖像背景和設備灰度值提高，對比度降低。處理效果圖和直方圖如圖3(b)，(e)所示。

與上述方法相比，使用自適應直方圖均衡化（Adaptive histogram equalization，AHE）[18]改進的對比度限制自適應直方圖均衡化（Contrast limit adaptive histogram equalization，CLAHE）[19]算法能夠在一定程度上抑制噪聲的放大，這主要是通過限制AHE算法的對比提高程度來達到的。CLAHE通過在計算累積直方圖函數前用預先定義的閾值來裁剪直方圖以達到限制放大幅度的目的。在處理過程中，對于給定的輸入圖像，CLAHE算法將圖像分割為互不重疊的圖像塊，對劃分后的每一個子塊計算其對應的直方圖，使用預先設定的閾值對每個子塊直方圖進行裁剪，同時統計整個直方圖中超過上限閾值的像素數，并將這些像素數重新分布到對應子塊的直方圖中。最后，通過使用雙線性插值來消除邊界偽影，在子矩陣上下文區域內實現像素的新灰度級分配的計算。處理效果圖和直方圖如圖3(c)、(f)所示。

2.2 數據集制作與劃分

在制作訓練數據集時，使用圖像標注軟件將上一步預處理好的圖像中占據主體像素的設備進行精細標注，其余區域都視作背景。此外電流互感器的常見故障為電流致熱型故障，常發生于導線與設備的連接處，在標注時應把導線與設備連接處也視為設備的一個特征包含到設備本體當中，如圖4所示。

圖3 圖像增強及對應直方圖

圖4 數據集中原圖與標簽圖

數據擴充是一種常見的技術，已被證明有利于機器學習模型的一般培訓，特別是深層架構，要么加速收斂，要么充當正則化器，從而避免過擬合，提高泛化能力[20]。數據量的不足是當前網絡模型泛化能力弱的關鍵因素。本文收集到的電流互感器紅外圖像數量有限，共700張，在訓練時還要從中劃分一部分作為驗證集和測試集，以這些數據來訓練語義分割模型難以達到一個好的分割精度。因此，采取圖像扭曲變換來創建新樣本擴充數據集，以避免訓練過程中出現過擬合。針對電流互感器的紅外圖像數據集采用平移、旋轉、翻轉等圖像變換方式來擴充，如圖5所示，每一張圖片和對應的標簽經過3次變換，最終樣本總數為2100張。將上述處理好的數據集劃分60%作為訓練樣本集，用來建立像素分類器模型；劃分20%作為驗證集，用來驗證訓練效果并且做超參數調整；劃分20%作為測試集，用來測試模型的泛化能力。

3 實驗過程與分析

3.1 實驗流程

本文中通過構建電流互感器紅外圖像作為訓練語義分割模型的數據集，該數據集中包含了多種不同電壓等級的電流互感器，同時也包含了不同拍照角度，不同背景和不同氣候條件下的圖像，這些圖像能夠真實反映變電站內的復雜環境。訓練模型的網絡是以ResNet50為基網絡的DeepLabv3＋。此外，本文還設計了多組對比實驗，第一組是基于ResNet50的DeepLabv3＋模型和基于ResNet18的DeepLabv3＋模型對比；第二組是用上述兩個模型和FCN-8s、SegNet模型對比；第三組是在DeepLabv3＋（基網絡為ResNet50）網絡之后加入形態學開閉運算對比。

圖5 原圖像數據集與擴充數據

由于實驗過程需要進行大量的圖像計算，對電腦的內存和GPU性能要求都比較高。因此本文在工作站平臺上以Matlab的深度學習工具箱作為實驗軟件平臺，搭建了FCN-8s，SegNet，DeepLabv3＋（基網絡為ResNet50）和DeepLabv3＋（基網絡為ResNet18）網絡進行分別訓練。電腦的硬件參數為：CPU為intel(R)Xeon(R) Gold5120T, 128G內存，配備QuadorP2000顯卡。

在訓練過程中，首先對數據集進行擴充，然后將數據集分批送入網絡訓練。設置訓練最小批次為10，迭代次數為9800次，學習率采用分段調整，設置初始學習率為0.01，每迭代10輪低0.1，這允許網絡以更高的初始學習率快速學習，而一旦學習率下降，能夠求得接近局部最優的解。通過設置‘Vidation Data’參數，在每輪都對照驗證數據對網絡進行測試。'Validation Patience'設置為4，在驗證準確度收斂時提前停止訓練，這可以防止網絡對訓練數據集進行過擬合。采用帶動量的隨機梯度下降（Stochastic Gradient Descent with Momentum，SGDM）算法，動量參數為0.9。利用交叉熵計算預測誤差，進行反向傳遞，更新網絡參數。損失函數為：

式中：wk為類別k的損失權重；pk(zi)為像素zi屬于真實類別k的概率。訓練過程如圖6所示，隨著學習率的下降，最終訓練6850次，驗證準確度為95.49%，驗證損失為0.1189。

3.2 評估指標

在實驗中用MIoU[21]作為分割結果評價指標，它計算兩個集合的交集和并集之間的比值的平均值，可以反應分割結果和真實標簽的重合程度。假設為像素分類類別總數，p和p分別表示預測結果為實際結果為的像素總數和預測結果為，實際結果為的像素總數，而p表示預測結果為，真實結果也為的像素總數。計算公式如(8)所示。

3.3 測試數據集分析

表1是基于ResNet50的DeepLabv3＋，基于ResNet18的DeepLabv3＋，SegNet和FCN-8s等模型在420張測試數據集上測試的結果。

表1 多種模型測試數據表

在測試過程中數據集中依然使用多種不同電壓等級的電流互感器進行測試，測試結果如圖7所示，其中(a)表示測試圖，(b)表示測試圖的標簽圖，(c)表示基于ResNet50的DeepLabv3＋模型的預測圖，(d)表示基于ResNet18的DeepLabv3＋模型的預測圖，(e)表示SegNet模型的預測圖，(f)表示FCN-8s模型的預測圖。從實際的測試結果可以看出，4種模型都能夠從復雜背景中預測設備空間位置和部分輪廓，但是依然難以避免地會出現部分不屬于電流互感器的像素被分類到該類別中，屬于電流互感器類別的像素卻被預測成背景，其中SegNet模型誤分割和漏分割程度更高，FCN-8s模型次之，與DeepLabv3＋的兩個模型相比，SegNet和FCN-8s模型分割結果較為粗糙；而基于ResNet18的DeepLabv3＋模型的分割結果能較大程度上接近原標簽圖像，但與基于ResNet50的DeepLabv3＋模型相比而言，基于ResNet50的DeepLabv3＋模型對圖像分割的細節控制更好。

對比實驗結果可以看出使用殘差網絡和ASPP模塊的DeepLabv3＋相比于以VGG-16為特征提取網絡的SegNet和FCN-8s網絡結構能夠提取更加高級的特征，同時DeepLabv3＋在進行上采樣時能夠融合大量的淺層信息特征，對于后期的像素分類和分割結果能夠保留更多細節。由于本文用于訓練的圖像數量小，因此，選擇合適的網絡結構和網絡可訓練參數量是訓練模型的關鍵。經本文實驗得出，基于ResNet50的DeepLabv3＋網絡能夠滿足在小樣本條件下訓練語義分割模型從復雜背景環境下分割電流互感器設備的要求。

對于基于ResNet50的DeepLabv3＋模型誤分割的情況，采用形態學中的開運算去除誤分割產生的小區域像素，同時處理分割邊緣，使電流互感器邊緣變得平滑。根據統計，單個電流互感器在圖像中的面積均大于1200，而誤分割區域通常較小，因此可以設置一個面積閾值為1200，當面積小于1200時刪除該區域，其余像素保留；開運算操作后進行閉運算，使圖像中的孔洞封閉。加入數學形態學運算處理后在測試數據集中的表現如表2所示，處理圖像如圖8所示，其中(a)表示基于ResNet50的DeepLabv3＋模型的預測圖，(b)表示預測圖經過后處理的圖像。

表2 基于ResNet50的DeepLabv3＋模型加入后處理前后測試對比

圖8 語義分割后處理圖像

4 總結

本文以電流互感器為研究對象，針對復雜背景和圖片中數據污染的電流互感器設備分割問題，采用了基于ResNet50的DeepLabv3＋神經網絡，利用電流互感器紅外圖像訓練語義分割模型。通過實驗表明：基于ResNet50的DeepLabv3＋神經網絡訓練的語義分割模型能夠較為精細地從紅外圖像中分割出電流互感器，并且結合圖像的開閉運算能夠處理誤分割的像素點，最終在測試集上的MIoU為0.875，有效地提高了分割精度，最終實現電流互感器設備像素與背景像素的分類。

限于文章篇幅有限，本文僅研究了深度學習方法用于電流互感器紅外圖像場景理解的問題，僅是分割出目標設備。在后續的工作當中，逐步實現可疑故障區域的分割以及故障類型分類，最終實現電流互感器設備故障自動診斷。

[1] 王小芳, 毛華敏. 一種復雜背景下的電力設備紅外圖像分割方法[J].紅外技術, 2019, 41(12): 1111-1116.

WANG Xiaofang, MAO Huamin. Infrared Image Segmentation Method for Power Equipment in Complex Background[J]., 2019, 41(12): 1111-1116.

[2] GONG X, YAO Q, WANG M, et al. A deep learning approach for oriented electrical equipment detection in thermal images[J]., 2018: 1-1. Doi: 10.1109/ACCESS.2018.2859048.

[3] 康龍. 基于紅外圖像處理的變電站設備故障診斷[D]. 北京: 華北電力大學, 2016.

KANG Long. Substation equipment fault diagnosis based on infrared image processing[D]. Beijing: North China Electric Power University, 2016.

[4] 曾亮. 基于紅外圖像的變電站設備故障精準定位方法的研究[D]. 重慶: 重慶理工大學, 2019.

ZENG Liang. Research on precise fault location method of substation equipment based on infrared image[D]. Chongqing: Chongqing University of Technology, 2019.

[5] ZOU H, HUANG F. A novel intelligent fault diagnosis method for electrical equipment using infrared thermography[J]., 2015, 73: 29-35.

[6] 王旭紅, 李浩, 樊紹勝, 等. 基于改進SSD的電力設備紅外圖像異常自動檢測方法[J]. 電工技術學報, 2020, 35(S1): 302-310.

WANG Xuhong, LI Hao, FAN Shaosheng, et al. Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J]., 2020, 35(S1): 302-310.

[7] 林穎, 郭志紅, 陳玉峰. 基于卷積遞歸網絡的電流互感器紅外故障圖像診斷[J]. 電力系統保護與控制, 2015, 43(16): 87-94.

LIN Ying, GUO Zhihong, CHEN Yufeng. Convolutional-recursive network based current transformer infrared fault image diagnosis[J]., 2015, 43(16): 87-94.

[8] 劉云鵬, 裴少通, 武建華, 等. 基于深度學習的輸變電設備異常發熱點紅外圖片目標檢測方法[J]. 南方電網技術, 2019, 13(2): 27-33.

LIU Yunpeng, PEI Shaotong, WU Jianhua, et al. Deep learning based target detection method for abnormal hot spots infraredimages of transmission and transformation equipment[J]., 2019, 13(2): 27-33.

[9] 王晨. 基于深度學習的紅外圖像語義分割技術研究[D]. 上海: 中國科學院大學（中國科學院上海技術物理研究所）, 2017.

WANG Chen. Research on infrared image semantic segmentation technology based on deep learning[D]. Shanghai: University of Chinese Academy of Sciences (Shanghai Institute of Technical Physics，Chinese Academy of Sciences), 2017.

[10] 鄺輝宇, 吳俊君. 基于深度學習的圖像語義分割技術研究綜述[J]. 計算機工程與應用, 2019, 55(19): 12-21, 42.

KUANG Huiyu, WU Junjun. Survey of image semantic segmentation based on deep learning[J]., 2019, 55(19): 12-21, 42.

[11] LONG J, Shelhamer E, Darrell T. Fully convolutional net-works for semantic segmentation[C]//, 2015: 3431-3440.

[12] 袁銘陽, 黃宏博, 周長勝. 全監督學習的圖像語義分割方法研究進展[J]. 計算機工程與應用, 2021, 57(4): 43-54.

YUAN Mingyang, HUANG Hongbo, ZHOU Changsheng. Research progress of image semantic segmentation based on fully supervised learning[J]., 2021, 57(4): 43-54.

[13] Badrinarayanan V, Kendall A, Cipolla R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation[C]//, 2017, 39(12): 2481-2495, DOI: 10.1109/TPAMI.2016. 2644615.

[14] Garcia-Garcia A, Orts-Escolano S, Oprea S, et al. A review on deep learning techniques applied to semantic segmentation[J/OL]., 2017.https://arxiv.org/ abs/1704.06857.

[15] Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, inception-ResNet and the impact of residual connections on learning[J/OL]., 2016. https://arxiv.org/abs/1602.07261.

[16] CHEN L C, Papandreou G, Kokkinos I, et al. DeepLab: Semantic Image Segmentation with Deep Convolutional Nets, Atrous Convolution, and Fully Connected CRFs[J]., 2018, 40(4): 834-848.

[17] 劉致驛, 孫韶媛, 任正云, 等. 基于改進DeepLabv3+的無人車夜間紅外圖像語義分割[J]. 應用光學, 2020, 41(1): 180-185.

LIU Zhiyi, SUN Shaoyuan, REN Zhengyun, et al. Semantic segmentation of nocturnal infrared images of unmannedvehicles based on improved DeepLabv3+[J]., 2020, 41(1): 180-185.

[18] 于天河, 趙樹梅, 蘭朝鳳. 結合視覺特性的紅外圖像增強方法[J]. 激光與紅外, 2020, 50(1): 124-128.

YU Tianhe, ZHAO Shumei, LAN Chaofeng. Infrared image enhancement method combining visual characteristics[J]., 2020, 50(1): 124-128.

[19] Zuiderveld Karel. Contrast Limited Adaptive Histograph Equalization[J]., 1994: 474-485.DOI: 10.1016/B978-0-12-336156-1. 50061-6.

[20] WONG S C, Gatt A, Stamatescu V, et al. Understanding data augmentation for classification: when to warp?[C/OL]//(DICTA)., 2016.https://arxiv.org/pdf/1609.08764.pdf.

[21] Csurka G, Larlus D, Perronnin F. What is a good evaluation measure for semantic segmentation?[C/OL]//, 2013.http://www.bmva.org/ bmvc/2013/Papers/paper0032/abstract0032.pdf.

DeepLabv3+ Network-based Infrared Image Segmentation Method for Current Transformer

YUAN Gang1，XU Zhihao1，KANG Bing1，LUO Lyu1，ZHANG Wenhua1，ZHAO Tiancheng2

(1.,330099,;2.,130021,)

Infrared image intelligent analysis is aneffective method forthe fault diagnosis of transformer equipment, and its key technology is target device segmentation. In this study, aiming to address the difficulty in overall segmentation of current transformers with complex backgrounds, the DeepLabv3+ neural network based on ResNet50 was applied to train the semantic segmentation model with infrared image of CT. The collected samples were enhanced by the limited contrast adaptive histogram equalization method, and a sample dataset was constructed. The sample dataset was expanded by image distortion, and a semantic segmentation network was built to train the semantic segmentation model to realize the binary classification of current transformer pixels and background pixels. The test results of 420 current transformer infrared images showed that the MIOU of this method is 87.5%, which can accurately divide the current transformer equipment from the test images and lay a foundation for the subsequent intelligent fault diagnosis of current transformers.

infrared image, current transformer, ResNet50, DeepLabv3+, semantic segmentation

TN219；TM452

A

1001-8891(2021)11-1127-08

2021-08-02；

2021-10-16.

袁剛（1997-），男，貴州盤州人，碩士研究生，研究方向為電力設備故障檢測與診斷。E-mail:862635457@qq.com。

許志浩（1988-），男，湖北武漢人，講師，博士，碩導，研究方向為電力設備智能檢測與人工智能應用。E-mail:zhxuhi@whu.edu.cn。

吉林省電力科學研究院有限公司科技項目（KY-GS-20-01-07）。