Resumen

La detección de equipos de subestación puede descubrir de manera pronta y efectiva defectos por sobrecalentamiento y prevenir fallas en los equipos. Los métodos tradicionales de diagnóstico manual son difíciles de manejar con las masivas imágenes infrarrojas generadas por la inspección autónoma de robots y drones de subestación. Actualmente, la mayoría del reconocimiento de defectos en imágenes infrarrojas se basa en algoritmos tradicionales de aprendizaje automático, con baja precisión de reconocimiento y poca capacidad de generalización. Por lo tanto, este documento desarrolla un método para identificar defectos infrarrojos en equipos de subestación basado en la mejora de los métodos tradicionales. Primero, basado en el Faster RCNN, se realiza la detección de objetivos en 6 tipos de equipos de subestación, incluyendo boquillas, aisladores, cables, transformadores de voltaje, pararrayos e interruptores automáticos, para lograr un posicionamiento preciso de los equipos. Posteriormente, se identifican diferentes clases basadas en la clasificación basada

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Detección; Equipo de subestación; Imágenes infrarrojas; Defectos; Precisión de reconocimiento; Fallas de equipos
• Keywords:Detection; Substation equipment; Infrared images; Defects; Recognition accuracy; Equipment failures