Vikaantuneen sähkölaitteen tunnistus lämpökamerakuvasta konvoluutioneuroverkolla

Abstract

Lämpökamerat soveltuvat hyvin sähkölaitteiden kunnon valvontaan. Suomessakin sähköasemien kuntoa valvotaan lämpökameroiden kanssa ulkona vaihtelevissa sääolosuhteissa. Yleisesti valvonnassa on hyötyä, jos sitä pystytään suorittamaan automaattisesti, ilman ihmisen vuorovaikutusta. Automaattista valvontaa lämpökameralla on vaikeampi toteuttaa, kun sääolosuhteet ja yleiset lämpötilat vaihtelevat paljon. Tässä työssä tutkittiin konvoluutioneuroverkon soveltamista lämpökamerakuvasta tehtävään vikaantuneen sähkölaitteen tunnistukseen. Kolme erilaista konvoluutioneuroverkkoarkkitehtuuria koulutettiin luokittelemaan lämpökamerakuvia eri luokkiin kuvan yleisen laadun ja mahdollisten vikaantuneiden laitteiden perusteella. Koulutusaineistona oli Suomesta neljältä eri sähköasemalta otettuja lämpökamerakuvia. Kuvia, joissa olisi vikaantunut laite, ei ollut, vaan niitä muokattiin erikseen muista kuvista. Tuloksista voitiin todeta, että konvoluutioneuroverkko soveltuu hyvällä koulutuksella ja riittävällä koulutusaineistolla käytettäväksi lämpökamerakuvasta tehtävään tunnistukseen. Eri verkkoarkkitehtuurien välillä ei havaittu merkittäviä eroja käytetyllä aineistolla.

Thermal cameras are well suitable for monitoring the condition of electrical devices. In Finland the condition of power stations is monitored with thermal cameras. It is generally useful if monitoring can be done automatically without human interaction. Automatic monitoring is harder to implement when weather conditions and temperatures change a lot. In this thesis the use of convolutional neural networks for recognizing a faulty electrical device from a thermal image was studied. Three different architectures for convolutional neural networks were trained to classify thermal images based on the general quality of the picture and if there are possible faulty devices. The training data was thermal pictures taken from four different substations in Finland. There were no images with faulty devices so they had to be made from other images. The results show that with good training and proper training data a convolutional neural network is suitable for recognition made from thermal images. The study showed no notable difference between the used network architectures with the training data used.