基于多任务学习的变电站设备腐蚀检测

王志高; 兰新生; 张文瑄; 王方强; 王玫

doi:10.16527/j.issn.1003-6954.20250212

欢迎来到能源电力期刊网！

English Version 读者登录期刊登录

您当前的位置：

首页 >

文章列表页 >

基于多任务学习的变电站设备腐蚀检测

电力运检技术 | 更新时间：2026-02-13

- 基于多任务学习的变电站设备腐蚀检测
- 基于多任务学习的变电站设备腐蚀检测
- 四川电力技术 2025年48卷第2期页码：81-86
- 作者机构：
  
  1. 国网四川省电力公司电力科学研究院
  2. 电力物联网四川省重点实验室
  3. 四川大学机械工程学院
- 作者简介：
- 基金信息：
  
  国网四川省电力公司科技项目(521997230012)
- DOI：10.16527/j.issn.1003-6954.20250212
  中图分类号： TM63;TP18;TG172
- 纸质出版：2025
- 稿件说明：
移动端阅览
王志高, 兰新生, 张文瑄, 等. 基于多任务学习的变电站设备腐蚀检测[J]. 四川电力技术, 2025,48(2):81-86.

王志高, 兰新生, 张文瑄, et al. 基于多任务学习的变电站设备腐蚀检测[J]. 2025, 48(2): 81-86.
王志高, 兰新生, 张文瑄, 等. 基于多任务学习的变电站设备腐蚀检测[J]. 四川电力技术, 2025,48(2):81-86. DOI： 10.16527/j.issn.1003-6954.20250212.

王志高, 兰新生, 张文瑄, et al. 基于多任务学习的变电站设备腐蚀检测[J]. 2025, 48(2): 81-86. DOI： 10.16527/j.issn.1003-6954.20250212.

摘要

变电站设备的工作状态直接影响到电力系统的稳定性、可靠性、安全性及抵抗事故的能力。而在众多变电站设备故障原因中，金属材料腐蚀是十分常见的一种。于是提出了一种基于深度学习的变电站腐蚀检测方法，可以直接通过图像检测变电站设备的腐蚀位置以及腐蚀程度，有效完成变电站设备的巡视和实时监控工作，及时排除腐蚀风险，从而保障变电站稳定运行。为了验证所提出方法的有效性，采用经过裁剪、旋转、镜像扩充后的变电站设备腐蚀数据集对网络进行训练。最终结果表明，所提出的网络能够准确地对变电站设备进行腐蚀区域检测以及腐蚀程度检测。

Abstract

The operational status of substation equipment directly influences the stability

reliability

safety and ability against accidents of power grid. Among numerous causes of substation equipment faults

corrosion of metal materials is a common issue. A method for substation corrosion detection based on deep learning is proposed

which can directly detect the corrosion location and corrosion degree in substation equipment through image detection

which can effectively accomplish the inspection and real-time monitoring of substation equipment

promptly eliminate potential hazards and ensure the stable operation of substation. In order to validate the effectiveness of the proposed method

the corrosion data set of substation equipment

which has been augmented through cropping

rotation and mirroring

is used to train the network. The results show that the proposed network can accurately detect the corrosion areas and corrosion degree of substation equipment.

关键词

Keywords

references

王守琰.金属材料自然环境腐蚀的图像识别[D].天津大学,2003(04).

Flávio Felix Feliciano,Fabiana Rodrigues Leta,Fernando Benedicto Mainier.Texture digital analysis for corrosion monitoring[J].Corrosion Science,2015.

Margarita R. Gamarra Acosta,Juan C. Vélez Díaz,Norelli Schettini Castro.An innovative image-processing model for rust detection using Perlin Noise to simulate oxide textures[J].Corrosion Science,2014.

Xue Wu Zhang.Evaluation of Material Surface Corrosion Based on Image Recognition[J].Advanced Materials Research,2014.

Heng-Kuang Shen,Po-Han Chen,Luh-Maan Chang.Automated steel bridge coating rust defect recognition method based on color and texture feature[J].Automation in Construction,2013.

Po-Han Chen,Ya-Ching Yang,Luh-Maan Chang.Automated bridge coating defect recognition using adaptive ellipse approach[J].Automation in Construction,2008(5).

王达磊,彭博,潘玥,陈艾荣.基于深度神经网络的锈蚀图像分割与定量分析[J].华南理工大学学报(自然科学版),2018(12).

刘浩宇,梁小峰,邵亚薇,孟国哲,张涛,王福会.静水压力下Q235钢环氧涂层在3.5%NaCl溶液中的失效过程[J].中国腐蚀与防护学报,2010(05).

周立新,程江,杨卓如.有机涂层防腐性能的研究与评价方法[J].腐蚀科学与防护技术,2004(06).

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

融合BiFPN和注意力机制的电力设备异常检测算法

电力负荷预测研究综述