Machine Translated by Google

Phân loại tính kỵ nước của lớp phủ cao su silicon RTV

Chất cách điện sử dụng thuật toán Deep Learning

qua

Farook Abdalla Hussein Mustafa

Một luận án

trình bày cho Đại học Waterloo

để đáp ứng các

luận văn yêu cầu về trình độ

Thạc sĩ khoa học ứng dụng

TRONG

Kỹ thuật Điện & Máy tính

Waterloo, Ontario, Canada, 2022

© Farook Abdalla Hussein Mustafa 2022

Machine Translated by Google

Tuyên bố của tác giả

Tôi xin cam đoan rằng tôi là tác giả duy nhất của luận án này. Đây là bản sao thật của luận án, bao gồm mọi

yêu cầu sửa đổi lần cuối, được chấp nhận bởi các giám khảo của tôi.

Tôi hiểu rằng luận án của tôi có thể được cung cấp dưới dạng điện tử cho công chúng.

ii
Machine Translated by Google

trừu tượng

Chất cách điện polyme ngoài trời gốc cao su silicon được sử dụng rộng rãi trong năng lượng điện

mạng lưới truyền tải và phân phối để thay thế các chất cách điện gốm thông thường, do

đến hiệu suất vượt trội của chúng trong môi trường bị ô nhiễm và ẩm ướt. Cao su silicon (SIR)

chất cách điện cung cấp một số ưu điểm như tính kỵ nước cao, chi phí thấp, khả năng chống phá hoại

và trọng lượng nhẹ. Tuy nhiên, khi tiếp xúc với điện (phóng điện vùng khô và phóng điện cục bộ)

và những căng thẳng về môi trường (độ ẩm, bức xạ cực tím, mưa axit và ô nhiễm) mà họ phải chịu

từ các hình thức lão hóa khác nhau. Hình thức lão hóa đầu tiên là mất đi tính kỵ nước theo thời gian.

Tuy nhiên, chất cách điện SIR có thể phục hồi đặc tính kỵ nước do sự khuếch tán của

trọng lượng phân tử thấp (LMW) từ phần lớn vật liệu cách điện đến chất cách điện'

bề mặt. Do đó, điều quan trọng là phải phân loại trạng thái kỵ nước của chất cách điện SIR như một

dấu hiệu của mức độ lão hóa. Các phương pháp khác nhau đã được thực hiện để phân loại các

tính kỵ nước của bề mặt cách điện bao gồm đo góc tiếp xúc tĩnh, đo góc động

đo góc tiếp xúc và lớp kỵ nước (HC). Kỹ thuật sau này là tốt nhất

phương pháp thực tế có thể được sử dụng tại hiện trường và có thể đánh giá diện tích bề mặt rộng. Bề mặt

xu hướng làm ướt được phân loại thủ công bằng cách sử dụng một trong sáu loại, tức là HC1-HC6, trong đó HC1

đề cập đến bề mặt kỵ nước hoàn toàn và HC6 là bề mặt hoàn toàn kỵ nước. Các

Mục tiêu chính của luận án này là tự động đánh giá các lớp kỵ nước của các chất không

chất cách điện bằng gốm trong nhiều điều kiện khác nhau bằng cách sử dụng kỹ thuật học sâu. Một tập dữ liệu của

các lớp kỵ nước (HC1-HC6) đã được tạo và chuẩn bị bao gồm 4197 hình ảnh mỗi lớp

có kích thước 2242×24 pixel để huấn luyện mô hình được đề xuất. Một số kỹ thuật học sâu,

iii
Machine Translated by Google

bao gồm Mạng thần kinh chuyển đổi (CNN), Học chuyển giao (TL) và Đối tượng

Phương pháp phát hiện (OD) được sử dụng trong luận án này để phân loại và đánh giá các lớp kỵ nước của

chất cách điện bằng gốm được phủ cao su silicon lưu hóa ở nhiệt độ phòng (RTV-SIR).

Mô hình MobileNet được đánh giá là có độ chính xác cao nhất và thời gian huấn luyện ít hơn sau

so sánh với các mô hình tiền huấn luyện khác của CNN. Mô hình này sau đó được huấn luyện và thử nghiệm dưới

một số điều kiện, bao gồm điều kiện ánh sáng trong nhà, sáng và tối, và đã đạt được

độ chính xác lần lượt là 97,77%, 89,44% và 95%. Hơn nữa, mô hình đề xuất đạt được

tỷ lệ nhận dạng là 96,11% khi thử nghiệm trên chất cách điện cao su silicon toàn diện. Các

mô hình phát triển sau đó được triển khai dưới dạng ứng dụng web để thuận tiện cho việc đánh giá

các lớp kỵ nước. Mô hình đề xuất có thể được sử dụng để đánh giá chất cách điện SIR

điều kiện bề mặt một cách hiệu quả và tự động trong các điều kiện khác nhau.

Từ khóa: Phát hiện vật thể, Cao su silicon, Phân loại kỵ nước, Bộ dữ liệu, Sâu

học, Xử lý hình ảnh, CNN, Học chuyển giao.

iv
Machine Translated by Google

Sự nhìn nhận

Trước hết, tôi xin cảm ơn và ca ngợi Allah đã giúp đỡ và hướng dẫn tôi thực hiện công việc này

và cho tôi sự kiên nhẫn và sức khỏe cần thiết để hoàn thành bằng thạc sĩ.

Tôi xin gửi lời cảm ơn và đánh giá cao sâu sắc nhất tới người hướng dẫn của tôi, Giáo sư Ayman El-Hag, vì sự kiên nhẫn của ông,

sự giúp đỡ, hướng dẫn, truyền cảm hứng, hỗ trợ, giám sát tuyệt vời và trên hết là tình bạn. Cảm tạ

tới bố mẹ, gia đình và bạn bè của tôi vì sự giúp đỡ và hỗ trợ của họ.

v
Machine Translated by Google

Mục lục

Lời tuyên bố của tác giả.................................................................. ................................................................. ............. ii

Trừu tượng ................................................. ................................................................. ...................................iii

Sự nhìn nhận................................................. ................................................................. ......................v

Danh sách các hình................................................................................. ................................................................. ......................viii

Danh sách các bảng................................................................................. ................................................................. .................................x

Chương 1 GIỚI THIỆU .................................................................... ................................................................. ............1

1.1 Bối cảnh................................................................................. ................................................................. .................................1

1.1.1 Đường dây trên không (OHL)................................................................ ................................................................. ............1

1.1.2 Chất cách điện bằng gốm................................................................. ................................................................. ......................2

1.1.3 Chất cách điện bằng composite hoặc không bằng gốm (NCI) ...................................... .................................7

1.1.4 Lão hóa và xuống cấp của NCI................................................................. ................................................................. số 8

1.1.5 Hậu quả của sự xuống cấp ................................................................. ................................................................. ..12

1.2 Đánh giá tài liệu.................................................................. ................................................................. ......................14

1.2.1 Đánh giá tính kỵ nước................................................................. ................................................................. 0,14

1.3 Mục tiêu luận án và hình thành vấn đề.................................................. .................................22

Chương 2 VẬT LIỆU VÀ PHƯƠNG PHÁP................................................................. ...................................23

2.1 Bộ dữ liệu................................................................................. ................................................................. .................................23

2.2 Thuật toán học sâu.................................................................. ................................................................. ..........25

2.3 Mạng di động................................................................. ................................................................. .................................27

2.4 Học chuyển giao .................................................... ................................................................. ......................30

2.5 Phát hiện đối tượng.................................................................. ................................................................. ............31

2.6 Triển khai mô hình.................................................................. ................................................................. ......................33

Chương 3 KẾT QUẢ VÀ THẢO LUẬN................................................................. ...................................35

vi
Machine Translated by Google

3.1 So sánh giữa các kiến trúc CNN khác nhau....................................................... ............35

3.2 Hiệu suất MobileNet trong các điều kiện khác nhau.................................................. ............38

Chương 4 KẾT LUẬN................................................................................................. ................................................................. ............46

Người giới thiệu................................................. ................................................................. ...................................48

vii
Machine Translated by Google

Danh sách các hình

Hình 1. Tháp trên cao điển hình [2]................................................ ................................................................. ..........2

Hình 2. Mũ sứ và chốt cách điện [3]................................................ .................................................4

Hình 3. Chất cách điện loại gốm thanh dài [3] ........... ..................................4

Hình 4. Các chất cách điện dạng đĩa khác nhau [5] ...................................... ................................................................. ........6

Hình 5. Chất cách điện làm bằng vật liệu polyme [5]................................................ .................................7

Hình 6. Vết phấn nhìn thấy trên chất cách điện không phải bằng gốm [8]................................ ...................................13

Hình 7. Sét nhìn thấy trên chất cách điện không phải bằng gốm [8].......................................... .................................13

Hình 8. Cắt Corona [8] ................................................. ................................................................. ......................14

Hình 9. Sự xuống cấp của chất cách điện polyme do dòng LC: (a). Theo dõi và (b). Xói mòn. 14

Hình 10. Bề mặt sứ SIR chuyển từ điều kiện kỵ nước sang kỵ nước [8] 15

Hình 11. Góc tiếp xúc của giọt nước đối với bề mặt phẳng và nghiêng [20]...................16

Hình 12. HC 1 đến HC 6 [20]................................................ ................................................................. ......................17

Hình 13. Sự khác biệt giữa Học máy và Học sâu.................................................. .......21

Hình 14. Các loại HC với tỷ lệ phần trăm dung dịch ABV khác nhau................................................. ............24

Hình 15. tiền xử lý.................................................................. ................................................................. ......................25

Hình 16. Kiến trúc CNN [39]................................................ ................................................................. ............26

Hình 17. Các ứng dụng của MobileNets [40] ...................................... .................................................27

Hình 18. Tích chập với sự phân tách độ sâu [41]................................................ ...................................29

Hình 19. (a) Lớp tích chập thông thường với chuẩn hóa hàng loạt và ReLU. (b) Chiều sâu

tích chập có thể tách rời với các lớp theo chiều sâu và điểm, sau đó chuẩn hóa hàng loạt và ReLU. [40].30

Hình 20. Kiến trúc MobileNet SSD phân lớp [43] .................................... ...................................32

Hình 21. Các bước của mô hình Phát hiện đối tượng.................................................. ................................................................. .32

viiii
Machine Translated by Google

Hình 22. Giao diện người dùng đồ họa.................................................. ................................................................. .......34

Hình 23. Đầu ra GUI .................................................... ................................................................. ............34

Hình 24. Hiệu suất huấn luyện cho các mô hình.................................................. ...................................36

Hình 25. Kiểm tra hiệu suất của các mô hình................................................................. ...................................................37

Hình 26. (a) Ma trận nhầm lẫn MobileNet. (b) Ma trận nhầm lẫn MobileNetV2. (c) VGGNet16

ma trận hỗn loạn. (d) Ma trận nhầm lẫn AlexNet................................................................. ......................................38

Hình 27. Ma trận nhầm lẫn điều kiện trong nhà.................................................. .................................39

Hình 28. Mẫu ở điều kiện ánh sáng mạnh.................................................. .................................................41

Hình 29. Mẫu trong điều kiện ánh sáng tối.................................................................. ...................................41

Hình 30. Ma trận nhầm lẫn trong điều kiện ánh sáng mạnh.................................................. ......................42

Hình 31. Ma trận nhầm lẫn trong điều kiện ánh sáng tối.................................................. ......................42

Hình 32. Biểu đồ so sánh độ chính xác trước và sau đào tạo lại......................43

Hình 33. Chất cách điện polyme kích thước đầy đủ.................................................. .................................................44

Hình 34. Mẫu vật liệu cách điện hoàn chỉnh.................................................. ................................................................. ........44

Hình 35. Ma trận nhầm lẫn của chất cách điện hoàn toàn ...................................... ...................................45

ix
Machine Translated by Google

Danh sách các bảng

Bảng 1. Chất cách điện bằng gốm so với NCI [10]................................................ ................................................................. ....số 8

Bảng 2. Tiêu chí đánh giá HC [20] .................................... ................................................................. ........17

Bảng 3. So sánh VGG16 với MobileNets về kích thước [40].................................. ...................28

x
Machine Translated by Google

Chương 1

GIỚI THIỆU

Chương này sẽ bao gồm các thông tin cơ bản, chẳng hạn như đường dây trên không, các loại

chất cách điện và sự khác biệt, lão hóa và xuống cấp của chúng. Ngoài ra, nghiên cứu trước đây cho rằng

các học giả đã thực hiện cũng như mục tiêu của luận án này.

1.1 Bối cảnh

1.1.1 Đường dây trên không (OHL)

Mạng lưới điện bao gồm ba phần khác nhau: phát điện,

truyền tải điện năng và phân phối điện năng. Hệ thống truyền tải điện

thường vận chuyển năng lượng điện từ phát điện đến phân phối điện

mạng sử dụng dây dẫn truyền tải trên không ở điện áp hệ thống lớn hơn

33kV. Mặt khác, mạng lưới phân phối điện phân phối điện năng từ

hệ thống truyền tải tới người tiêu dùng bằng cả đường dây trên không và đường dây ngầm

cáp. Do đó, đường dây trên không mang phần lớn năng lượng điện trong năng lượng điện

mạng và được coi là một cách truyền năng lượng điện thích hợp hơn

cáp ngầm vì chi phí thấp hơn, dễ lắp đặt và kiểm tra,

phát hiện lỗi và định vị. Một đường dây trên không điển hình bao gồm một tháp tiện ích,

dây dẫn nhôm, chất cách điện và các phụ kiện khác nhau như mô tả trong Hình 1.

Chất cách điện ngoài trời đóng vai trò quan trọng trong quá trình vận hành hệ thống điện vì chúng

giữ các dây dẫn một cách cơ học và cách điện chúng khỏi đất

1
Machine Translated by Google

tòa tháp. Chủ yếu có hai loại chất cách điện ngoài trời khác nhau, đó là gốm và

chất cách điện không bằng gốm [1].

Hình 1. Tháp trên cao điển hình [2]

1.1.2 Chất cách điện bằng gốm

Chất cách điện bằng gốm đã được sử dụng trong OHL hơn 100 năm. Hai loại chính

cách điện bằng gốm thường được sử dụng trong OHL: nắp và chốt và thanh dài [3] như minh họa

trong Hình 2 và 3 tương ứng. Các chất cách điện bằng gốm và sứ truyền thống có

đã trải qua nhiều cải tiến trong vài năm qua để tăng cường

2
Machine Translated by Google

độ tin cậy, tính toàn vẹn cơ học và hiệu suất trường lâu dài [4]. Ví dụ, như

được mô tả trong Hình 4, các dạng khác nhau của chất cách điện bằng gốm đã được giới thiệu.

có thể được sử dụng ở các mức độ và loại ô nhiễm khác nhau. Tuy nhiên, chất cách điện gốm bị ảnh hưởng

khỏi những nhược điểm khác nhau như nặng, dễ bị vỡ và ưa nước

tính chất bề mặt. Tính chất sau này dẫn đến sự tích tụ ô nhiễm trên

bề mặt chất cách điện có thể dẫn đến sự phát triển của dòng điện rò rỉ dưới điều kiện ẩm ướt

điều kiện. Nếu không có hành động khắc phục nào được thực hiện, hiện tượng phóng điện sắp xảy ra dẫn đến dòng điện

gián đoạn. Vì vậy, nhiều giải pháp khác nhau đã được đề xuất nhằm cải thiện tình trạng ô nhiễm

hiệu suất của chất cách điện gốm bao gồm [6]:

• Giặt thường xuyên

• Mở rộng khoảng cách đường dây

• Lớp phủ mỡ silicon trên chất cách điện

• Chất cách điện bằng men bán dẫn

• Ứng dụng lớp phủ trên chất cách điện cao áp

3
Machine Translated by Google

Hình 2. Chất cách điện có nắp và chốt bằng gốm [3]

Hình 3. Chất cách điện loại gốm thanh dài [3]

4
Machine Translated by Google

Rửa thường xuyên là một quy trình có thể được sử dụng để đảm bảo hiệu suất cách nhiệt trong

môi trường bị ô nhiễm, nhưng phải xem xét hai yếu tố quan trọng, đó là xác định

khoảng thời gian làm sạch tốt nhất và chi phí tài chính, đặc biệt nếu việc giặt trực tiếp không thể

được sử dụng [7]. Mặc dù việc rửa có thể được sử dụng để ngăn chặn hiện tượng phóng điện nhưng đây là một giải pháp rất tốn kém,

đặc biệt là ở những khu vực bị ô nhiễm nặng. Ngoài ra, bộ mở rộng đường dây đã được sử dụng để

ngăn ngừa hiện tượng phóng điện ô nhiễm. Mỗi bộ mở rộng được gắn kín vào chất cách điện bằng sứ hoặc thủy tinh

và thêm 6" (150 mm) đường dây vào khoảng cách đường dây hiện có của chất cách điện.

Sự gia tăng tổng thể khoảng cách đường rò của chất cách điện này dẫn đến giảm điện áp

căng thẳng và do đó LC. Mặc dù có hiệu quả chống ô nhiễm, việc sử dụng dây leo

bộ mở rộng bị hạn chế vì nó được coi là một giải pháp đắt tiền và có thể tăng

khả năng xảy ra hiện tượng phóng điện cục bộ do sự biến dạng của điện trường

bằng cách sử dụng các đặc điểm bề mặt khác nhau giữa bộ mở rộng đường dây và thiết bị ngoài trời

chất cách điện [8]. Một cách tiếp cận khác để cải thiện hiệu suất ô nhiễm của gốm sứ

chất cách điện đang thay đổi tính chất bề mặt của chúng. Ví dụ, một loại men bán dẫn

đã được sử dụng để cho phép cường độ dòng điện nhỏ đi qua bề mặt của nó do

đặc tính bán dẫn của nó, hạn chế tác động của sương mù và tích tụ ô nhiễm

và cải thiện sự phân bố điện trường dọc theo chiều dài của chất cách điện.

Tuy nhiên, do đặc tính bán dẫn của nó, men có thể chịu nhiệt

bỏ chạy và mất điện. Hơn nữa, việc sử dụng công nghệ này trên các thiết bị đã được cài đặt trước đó

chất cách điện là không thực tế.

5
Machine Translated by Google

Một sửa đổi khác đối với bề mặt cách điện gốm là việc sử dụng mỡ silicon

lớp phủ (SGC). SGC làm giảm khả năng phóng điện và rò rỉ quá mức

dòng điện bằng cách bao bọc chất ô nhiễm và do đó giảm thiểu tác động của ô nhiễm

tích lũy. Tuy nhiên, cần phải thường xuyên loại bỏ SGC cũ.

tốn kém và tốn thời gian [8]. Ngoài ra, lưu hóa ở nhiệt độ phòng (RTV)

lớp phủ được áp dụng cho chất cách điện bằng gốm. Lớp phủ RTV ngăn chặn sự hình thành rò rỉ

dòng điện khi nó thay đổi tính chất bề mặt của chất cách điện gốm từ ưa nước sang ưa nước

kỵ nước. Tuy nhiên, do sự lão hóa và tích tụ ô nhiễm, lớp phủ RTV có thể

mất đi tính chất kỵ nước ưu việt của nó. Tuy nhiên, lớp phủ RTV có thể lấy lại được

mất đặc tính kỵ nước do sự di chuyển của dạng trọng lượng phân tử thấp (LMW)

phần lớn vật liệu lên bề mặt cách điện. Tuổi thọ của lớp phủ RTV là

ước tính khoảng 10-15 năm mới có nhu cầu sử dụng lại.

Hình 4. Các chất cách điện dạng đĩa khác nhau [5]

6
Machine Translated by Google

1.1.3 Chất cách điện composite hoặc không gốm (NCI)

Nói chung, chất cách điện không phải bằng gốm (NCI) được tạo thành từ một thanh gia cố bằng sợi thủy tinh, một

vật liệu cách điện vỏ polyme và các phụ kiện đầu cuối bằng kim loại. Thanh cung cấp

độ bền cơ học của chất cách điện được liên kết bằng polyme hình dạng đổ

vật liệu cách điện vỏ (cao su silicon (SIR), monome ethylene propylene diene

(EPDM)) [5]. Một NCI điển hình được mô tả trong Hình 5.

Hình 5. Chất cách điện làm bằng vật liệu polyme [5]

Chất cách điện không bằng gốm có một số ưu điểm so với chất cách điện bằng gốm

bao gồm trọng lượng nhẹ, khả năng chống phá hoại và tính chất bề mặt kỵ nước do

năng lượng bề mặt thấp. Tuy nhiên, các khuyết tật khác nhau như vết nứt, lỗ rỗng không khí và tạp chất

có thể có trong GFR hoặc vật liệu polyme do xử lý sai, lão hóa hoặc

các khiếm khuyết sản xuất. Mặc dù phần lớn các sai sót nghiêm trọng được xác định trong quá trình

giai đoạn cài đặt, vẫn còn một số sai sót khó xác định. Dưới cơ khí liên tục

và điều kiện tải điện, những khiếm khuyết này có thể tiến triển và lan truyền theo thời gian

dẫn đến hư hỏng cách điện. Lão hóa được coi là nguyên nhân chính gây ra tình trạng không sứ

7
Machine Translated by Google

hư hỏng cách điện và sẽ được thảo luận ở phần 1.1.4. Tóm tắt nội dung chính

sự khác biệt giữa chất cách điện bằng gốm và không bằng gốm được thể hiện trong Bảng 1 [10].

Bảng 1. Chất cách điện bằng gốm so với NCI [10]

CÁC NHÂN TỐ GỐM SỨ NCI

1 Có khả năng chống phóng điện ô nhiễm. Thấp Cao

Hiệu suất
2 Ô nhiễm và ô nhiễm Bị ảnh hưởng đáng kể
bị ảnh hưởng từ từ
3 tính kỵ nước ưa nước kỵ nước
Do khả năng kỵ
Bởi vì kính và độ
4 Khả năng tự làm sạch nghiêng của
nước được phục
nhà kho
hồi
Cần bảo trì như Không cần bảo
5 BẢO TRÌ làm sạch, rửa trì Thông
và bôi trơn. thường
10%-35% của
6 Cân nặng Cao thông thường
chất cách điện gốm

Vỡ và vỡ thành
7 Chống phá hoại và chống gãy từng mảnh do sự Không thể phá vỡ

phá hoại

1.1.4 Lão hóa và xuống cấp của NCI

Do tính chất hữu cơ của chúng, các chất cách điện được phủ NCI và RTV sẽ cũ đi theo thời gian. Các

Điện trở bề mặt của NCI giảm theo tuổi tác, làm cho bề mặt cách điện trở nên cứng hơn.

dễ bị lắng đọng ô nhiễm và độ ẩm có thể làm giảm

độ ẩm của bề mặt cách điện [11]. Có hai yếu tố ảnh hưởng có thể

đẩy nhanh đáng kể sự lão hóa của NCI. Bắt đầu từ ứng suất điện,
số 8
Machine Translated by Google

bao gồm dòng rò (LC) và phóng điện cục bộ (PD). Những căng thẳng này thường xảy ra

là kết quả của sự phát triển các dải khô, sự lắng đọng ô nhiễm nghiêm trọng, độ ẩm,

và do ứng suất quá điện áp. Căng thẳng môi trường bao gồm nhiệt, tia cực tím

(UV), mưa, gió, tuyết, mưa axit, muối ven biển và suy thoái do hoạt động sinh học

sinh vật [9]. Tác dụng hiệp đồng của các ứng suất này dẫn đến độ nhám bề mặt,

nứt, xói mòn, tạo phấn, tạo vết, mất tính kỵ nước và tính đàn hồi cùng với nhau

chúng góp phần làm giảm độ bền cơ và điện của vật liệu không phải gốm

chất cách điện [11]. Khi áp lực môi trường ngoài trời được áp dụng cùng một lúc

với ứng suất điện, nó có thể gây mất siloxan LMW cũng như

Sự khử polyme của vật liệu polyme do sự phân cắt chuỗi hoặc quá trình oxy hóa.

• Dòng rò (LC)

Chất cách điện polyme gốc cao su silicon có độ bền bề mặt cao và,

do đó, sức căng bề mặt thấp. Cả hai tính năng này đều cần thiết để ngăn chặn

hình thành màng nước và do đó hạn chế sự phát triển LC. Với sự hiện diện của độ ẩm,

sương mù hoặc sương mù, khi chất ô nhiễm dẫn điện đọng lại trên bề mặt, nó sẽ tạo ra chất dẫn điện

vết khô trên bề mặt chất cách điện [9]. Điều này dẫn đến sự phóng điện bề mặt khiến

dẫn đến việc tạo ra màng nước, điều này có thể dẫn đến sự phát triển LC. Bởi vì

sự phân bố mật độ LC không đồng đều, một số điểm nhất định sẽ phải chịu nhiều joule hơn

nóng hơn các loại khác dẫn đến hình thành các dải khô rải rác và ngẫu nhiên [11].

Kết quả là, các dải khô này kéo dài đến cả điện cực cao áp và điện cực nối đất trên khắp

9
Machine Translated by Google

chiều dài của chất cách điện dẫn đến sự phát triển của hồ quang vùng khô [10]. Điều này sẽ dẫn

đến sự gia tăng nhiệt độ bề mặt chất cách điện dẫn đến suy giảm nhiệt.

• Phóng điện cục bộ (PD)

Phóng điện cục bộ (PD) là một trong những loại ứng suất điện chính gây ra bởi

sự gia tăng điện trường do mất tính kỵ nước do

hình thành màng nước liên tục trên bề mặt. Việc tăng cường điện

trường tại điểm ba được cho là do sự khác biệt về độ thấm điện môi của

chất cách điện (ε= 2-3), nước (ε=80) và không khí (ε=1) [12]. Khi điện trường vượt quá

điện áp khởi động cho sự cố không khí (30 kV/cm), hoạt động PD có thể được bắt đầu [6].

Năng lượng nhiệt bị tiêu tán do quá trình phóng điện liên tục làm giảm chất lượng của chất cách điện

bề mặt, gây mất tạm thời tính kỵ nước ở những khu vực đó. Một nguồn khác của

bề mặt PD là chất cách điện nằm gần với các điện cực nhọn do

phần cứng bị lỗi. Cả hai loại PD bề mặt đều gây mất tính kỵ nước tạm thời

do quá trình khử trùng hợp do sự phân cắt của chuỗi polyme hoặc do

phản ứng oxi hóa. Tuy nhiên, một khi những sự phóng điện này tồn tại, SIR có thể lấy lại

một số hoặc tất cả các đặc tính kỵ nước của nó [13]. Hơn nữa, sự phân cắt chuỗi hoặc quá trình oxy hóa

được kích hoạt bởi các hoạt động PD tạo ra các sản phẩm phụ có tính axit dẫn đến sự cạn kiệt nguồn năng lượng thấp

các loại siloxan có trọng lượng phân tử. Điều này gây ra các phản ứng hóa học hình thành liên kết

sự đứt gãy chuỗi phân tử của vật liệu polymer, tạo ra silanol và carbonyl

các nhóm, các oligome silicon dễ bay hơi theo chu kỳ và các lực liên phân tử trong polyme

ma trận. Những lực như vậy ngăn chặn các oligome cao su silicon dễ bay hơi tái tạo bề mặt.

10
Machine Translated by Google

Ngược lại, điều này sẽ làm giảm khả năng phục hồi tính kỵ nước của SIR [11]. Các

việc áp dụng đồng thời các ứng suất có thể gây ra sự xuống cấp hoàn toàn và

mất tính kỵ nước trên bề mặt cách điện SIR.

• Căng thẳng về môi trường

Các điều kiện môi trường bao gồm tia cực tím, độ ẩm và/hoặc ô nhiễm có thể góp phần gây ra

sự lão hóa của các chất cách điện không phải bằng gốm hoạt động riêng lẻ hoặc phối hợp với ứng suất điện.

Ví dụ, các thành phần UV có thể gây ra sự phân cắt liên kết CH và Si-C trái ngược với

với các liên kết Si-O (siloxane và chuỗi chính). Mặc dù việc phân tách chuỗi chính khó có thể xảy ra,

các sự kiện liên kết ngang có thể xảy ra nếu liên kết Si-C và CH bị hỏng. Kết quả là LMW

chuỗi, đặc biệt là những chuỗi có n = 3 đến 15 đơn vị lặp lại, sẽ tăng hoặc giảm.

Các sản phẩm phụ như hydrocarbon cũng sẽ được tạo ra [14]. Ngoài ra, mưa axit có thể

gây ra sự xói mòn đáng kể của SIR dẫn đến sự xuống cấp của

bề mặt cách điện. Bề mặt trở nên gồ ghề do mưa axit gây xói mòn

và hư hỏng, do đó làm giảm tính kỵ nước bề mặt. Hơn nữa, ô nhiễm

sự tích tụ trên bề mặt chất cách điện là nguyên nhân làm giảm đáng kể

các cấp độ kỵ nước tùy thuộc vào loại, kích thước và cấu trúc hóa học của

sự ô nhiễm. Hơn nữa, sự phát triển của nấm mốc trong môi trường ẩm ướt cũng có thể làm giảm

tính chất kỵ nước của SIR dẫn đến sự phát triển LC [11]. Cuối cùng, độ ẩm có thể

góp phần tăng cường điện trường ở bề mặt chất cách điện dẫn đến sự phát triển

hoạt động PD dẫn đến phá hủy tính kỵ nước bề mặt của SIR

chất cách điện [15].

11
Machine Translated by Google

1.1.5 Hậu quả của sự xuống cấp

Do áp lực về điện và môi trường, các dạng lão hóa khác nhau có thể xảy ra

đặt trên bề mặt chất cách điện bao gồm sự đổi màu, mất tính kỵ nước, rạn nứt,

xói mòn, theo dõi, phấn hóa, độ nhám, cá sấu, thủng và cắt hào quang [13].

Sự đổi màu và mất tính kỵ nước thường là hiện tượng đầu tiên và dễ thấy nhất

dấu hiệu của sự lão hóa. Sau đó, dựa trên mức độ nghiêm trọng của các yếu tố lão hóa, một số loại

thoái hóa có thể được hình thành. Phóng điện cùng với bức xạ UV trên SIR

bề mặt thường mang lại cho chất cách điện vẻ ngoài có răng cưa và bụi màu trắng.

được gọi là phấn hóa [8], có thể được minh họa trong Hình 6. Phấn hóa làm cho chất cách điện bị

hấp thụ một lượng nước đáng kể và ô nhiễm, làm tăng tốc độ suy thoái của

chất cách điện SIR. Các vết nứt bề mặt trên chất cách điện là do các ứng suất điện như

PD và hồ quang. Rạn nứt [11] là thuật ngữ dùng để mô tả các vết nứt có kích thước nhỏ hơn 0,1 mm

sâu, như thể hiện trong Hình 7 [8]. Cá sấu là một hình thức điên cuồng tồi tệ nhất trong đó

độ sâu vết nứt vượt quá 0,1 mm có thể dẫn đến lộ thanh. Như trước đây

đã thảo luận, sự phóng điện liên tục của quầng sáng, đặc biệt là ở gần các đầu nối bằng kim loại hoặc

do kết nối lỏng lẻo giữa thanh và lớp cách điện vỏ polymer, có thể

gây ra hiện tượng cắt corona, gây ra sự suy giảm đáng kể về điện và hóa học

của chất cách điện [8], được mô tả trong Hình 8. Do tính chất hữu cơ của

vật liệu vỏ polyme, chúng mất khả năng thấm ướt gây ra sự phát triển

dòng điện rò rỉ và cuối cùng là sự theo dõi và xói mòn vĩnh viễn [9]. Theo dõi

là kết quả của các hoạt động phóng điện bề mặt được coi là nghiêm trọng hơn

12
Machine Translated by Google

xói mòn vì nó xuất hiện trên bề mặt dưới dạng cacbon dẫn điện

dấu vết, trong khi xói mòn không dẫn điện và phân hủy với tốc độ chậm hơn như thể hiện trong

Hình 9 [8].

Hình 6. Vết phấn xuất hiện trên chất cách điện không phải bằng gốm [8]

Hình 7. Rớt nhìn thấy trên chất cách điện không phải bằng gốm [8]

13
Machine Translated by Google

Hình 8. Cắt Corona [8]

Một. [16] b. [số 8]

Hình 9. Sự xuống cấp của chất cách điện polyme do dòng LC: (a). Theo dõi

và B). Xói mòn.

1.2 Đánh giá tài liệu

1.2.1 Đánh giá tính kỵ nước

Sự xuống cấp của vật liệu cách điện vỏ polyme thường kéo theo sự

mất tính kỵ nước của chất cách điện. Như đã nêu trước đây, tính kỵ nước bề mặt của

vật liệu cách điện đề cập đến xu hướng chống lại dòng nước và chống lại sự phát triển

14
Machine Translated by Google

các kênh nước liên tục trên bề mặt của nó. Nếu bề mặt cách điện kỵ nước, nước

giọt nước xuất hiện dưới dạng hạt (giọt nước độc lập) không chảy trên bề mặt

của chất cách điện. Những giọt như vậy có góc tiếp xúc lớn hơn 90°. Khi chất cách điện

bề mặt già đi, góc tiếp xúc giảm cho đến khi bề mặt trở nên ưa nước hoàn toàn và

sự hình thành màng nước. Hình 10 mô tả sự thay đổi tính kỵ nước [8].

Góc tiếp xúc là một kỹ thuật để xác định tính kỵ nước hoặc tính kỵ nước

lớp (HC) của NCI. Những giọt nước được tiêm bằng ống tiêm trong kỹ thuật này và

góc tiếp xúc (của giọt nước) được đo trên một bề mặt phẳng. Khi bề mặt nghiêng,

sự khác biệt giữa góc tiến và góc lùi được đo, như trong Hình 11

[20]. Phương pháp này chỉ có thể áp dụng khi chất cách điện không được cấp điện. và do đó là

không được sử dụng trên thực địa.

Hình 10. Bề mặt sứ SIR chuyển từ kỵ nước sang ưa nước

Điều kiện [8]

15
Machine Translated by Google

Hình 11. Góc tiếp xúc của giọt nước đối với bề mặt phẳng và nghiêng [20]

Một kỹ thuật đo lường nổi tiếng khác là phun nước dưới dạng sương mù.

trên chất cách điện polyme là. Như thể hiện trên Hình 12 [20], độ thấm ướt của bề mặt SIR

được phân thành bảy loại bắt đầu từ bề mặt kỵ nước hoàn toàn (HC 1) đến bề mặt hoàn toàn kỵ nước

bề mặt ưa nước (HC 7). Các lớp này được đánh giá dựa trên sự tiếp xúc của giọt nước

góc, kiểu giọt nước và diện tích bề mặt bị ướt, như trong Bảng 2 [20]. Cái này

kỹ thuật này được gọi là phân loại STRI để đánh giá tính kỵ nước, có thể

cũng được sử dụng để đánh giá toàn diện tình trạng lão hóa và hoạt động của SIR

chất cách điện. Nhược điểm chính của kỹ thuật này là nó phụ thuộc hoàn toàn vào sự đánh giá của

người tiến hành đo.

16
Machine Translated by Google

Hình 12. HC 1 đến HC 6 [20]

Bảng 2. Tiêu chí đánh giá HC [20]

HC Sự miêu tả

1 Nó chỉ tạo thành những giọt riêng biệt. lớn hơn đáng kể đối với hầu hết các giọt.

2 Đối với phần lớn các giọt, chỉ hình thành các giọt riêng biệt.

3 Nó chỉ tạo thành những giọt riêng biệt. cho phần lớn các giọt. Hầu hết thời gian,

chúng không còn hình tròn nữa.

4 Chúng tôi nhìn thấy cả những giọt nước riêng lẻ và những vết ướt do dòng nước để lại. Các

mảng ẩm hoàn toàn nhỏ hơn 2 cm2. Họ cùng nhau thực hiện khoảng 90% bài kiểm tra
khu vực.

5 Hơn 2 cm2 diện tích thử nghiệm bị ướt hoàn toàn, hoặc khoảng 90%.

6 Diện tích bị ngập chiếm hơn 90% diện tích; tuy nhiên, vẫn có thể nhìn thấy những vùng

nhỏ không bị ướt (đốm/dấu vết).

7 Toàn bộ khu vực được thử nghiệm được bao phủ trong một lớp màng nước liên tục.

17
Machine Translated by Google

Một số nỗ lực đã được đề xuất sử dụng xử lý hình ảnh kỹ thuật số (DIP) để phân tích và

đo góc tiếp xúc của giọt nước, từ đó xác định HC và đánh giá

tình trạng của chất cách điện để giảm lỗi của con người. Tính kỵ nước của chất cách điện polyme là

được tính toán và đánh giá bằng DIP trong [21]. Phương pháp đề xuất sử dụng sự can thiệp của con người

trong việc xác định vùng chứa các giọt nước bằng cách loại bỏ những phần vô dụng của

hình ảnh. Việc phân loại có thể được thực hiện dựa trên tỷ lệ giọt nước tối đa

diện tích chia cho tổng diện tích của hình ảnh. Để tính HC, người ta cũng tính đến

hệ số hình dạng của vết nước tối đa. Mặc dù hiệu quả của phương pháp này đối với trực tuyến

đánh giá tình trạng lão hóa của cách điện vẫn phụ thuộc vào sự can thiệp của người sử dụng vào

xác định vùng trên ảnh và xóa nền khỏi vùng được chọn trên

bức hình. Hơn nữa, độ chính xác của phương pháp này phụ thuộc vào kỹ năng của người dùng trong khi

chụp ảnh cũng như khoảng cách từ máy ảnh đến bề mặt cách điện.

Các tác giả trong [22] đã giải quyết vấn đề can thiệp của con người bằng cách phát triển một thuật toán cho

Xử lý ảnh dựa trên việc trích xuất ảnh giọt nước, sau đó ghép các đường viền của nước

giảm bằng cách sử dụng đa thức trực giao và cuối cùng xác định điểm tiếp xúc của giọt nước

góc để đánh giá tính kỵ nước của chất cách điện. Vấn đề chính trong kỹ thuật này là

rằng nó không thể áp dụng cho các điều kiện hiện trường thực tế hoặc việc đánh giá trực tuyến chất cách điện

tính kỵ nước. Các nhà nghiên cứu cho rằng góc tiếp xúc của giọt nước phải là

giới hạn ở mức thay đổi 15° và giọt nước phải ở giữa chất cách điện

bề mặt, điều này không phải lúc nào cũng xảy ra. Hơn nữa, phương pháp đánh giá chất cách điện bằng cách sử dụng

một giọt duy nhất thay vì sử dụng nhiều giọt với kích thước khác nhau để mô phỏng trường hợp thực tế.

18
Machine Translated by Google

Phương pháp này chỉ có thể được áp dụng để đánh giá cục bộ bề mặt cách điện chứ không phải

đánh giá độ kỵ nước bề mặt tổng thể. Các nhà nghiên cứu khác [23-26] đã sử dụng DIP khác

kỹ thuật để đánh giá các lớp kỵ nước của chất cách điện SIR. Chúng bao gồm thông tư

hệ số, phép biến đổi Hough, entropy tỷ lệ, phân đoạn, phân tích biểu đồ,

phân tích kết cấu, năng lượng bề mặt và kích thước fractal đều được sử dụng. Trong khi nhiều nhà nghiên cứu

không thể xác định mối quan hệ rõ ràng với việc phân loại tính kỵ nước, những người khác thì

có thể phát triển mối quan hệ toán học với các lớp chất cách điện kỵ nước.

Tuy nhiên, không có nỗ lực nào thành công trong việc khái quát hóa một bộ phân loại. Các tác giả của [27]

và [28] kết hợp nhiều đặc điểm như hình dạng và diện tích để khắc phục hạn chế của

chỉ sử dụng một tính năng. Việc sử dụng nhiều tính năng để đánh giá HC của chất cách điện

đã loại bỏ độ tin cậy kém liên quan đến việc đánh giá tính năng đơn lẻ. Bất chấp thực tế

rằng những kỹ thuật này đã cải thiện tỷ lệ nhận dạng, chúng vẫn chưa đủ để xác định

HC của chất cách điện trong các điều kiện thay đổi. sự thành công của những phương pháp này phụ thuộc vào

một cấu hình cụ thể về khoảng cách cố định, mức độ ánh sáng, vị trí chất cách điện và hình dạng. Để chính xác

phân loại chất cách điện theo HC, mọi thay đổi đối với điều kiện thí nghiệm đều cần có

cấu hình lại ranh giới của cây quyết định.

Nỗ lực tự động hóa quy trình này bằng kỹ thuật học máy (ML) truyền thống đã mang lại kết quả

độ chính xác phân loại cao. Mạng nơ ron nhân tạo (ANN) được sử dụng rộng rãi so với

đến những cách tiếp cận thông minh khác. Thực tế là NN có khả năng thích ứng rất nhanh và học hỏi nhanh là chìa khóa để

đẩy nhanh hiệu quả của chúng. Các phương pháp ứng dụng NN có thể được chia thành nhiều

phương pháp tiếp cận cho các ứng dụng khác nhau để tạo ra kết quả thử nghiệm hiệu quả. Theo [29] thì

19
Machine Translated by Google

độ chính xác đạt được cao nhất là 96,5% khi sử dụng ANN làm công cụ phân loại và các hình ảnh khác nhau.

dựa trên các tính năng như ma trận xuất hiện mức xám (GLCM), biến đổi Radon, đường viền

biến đổi, biến đổi cosine rời rạc (DCT) và biến đổi wavelet rời rạc (DWT). Các

các tác giả của [30] và [31] đã sử dụng nguyên tắc mạng lưới thần kinh xác suất (PPN) như một

phân loại và một số kỹ thuật trích xuất đặc trưng như phát hiện cạnh và GLCM. Sau đó

đào tạo mở rộng, độ chính xác đạt được tối đa là 95%. Sử dụng Perceptron đa lớp

(MLP) mô tả trong [32], tác giả đạt độ chính xác nhận dạng 93,8%. Ngoài ra,

để xử lý ảnh, họ đã sử dụng phép chuyển đổi thang độ xám của ảnh màu, biểu đồ cục bộ

phép biến đổi và toán tử Prewitt để phát hiện cạnh. Trong [33] bảy số liệu hình học

được chiết xuất và sử dụng để đánh giá HC đó là: số lượng, độ lệch tâm trung bình, nước

tỷ lệ bao phủ giọt nước, tỷ lệ bao phủ, chu vi, hệ số hình dạng và độ lệch tâm lớn nhất

giọt nước. Mạng nơ-ron lan truyền ngược (BPNN) được sử dụng làm bộ phân loại và

đạt độ chính xác 96,6%. Phân tích thành phần chính (PCA) được sử dụng để giảm số lượng

các tính năng cùng với hệ thống suy luận mờ thần kinh thích ứng (ANFIS) như một công cụ phân loại trong

[34]. Họ phát hiện ra rằng các tính năng tốt nhất được PCA lựa chọn là cường độ trung bình, độ tương quan,

độ lệch và tính đồng nhất, với độ chính xác phân loại là 94,85%. Tuy nhiên, những điều này

việc sử dụng các kỹ thuật tốn nhiều thời gian vì người dùng phải chỉ định thủ công những kỹ thuật nào

các tính năng cần sử dụng khi đánh giá hình ảnh. Lựa chọn tính năng không chính xác có thể dẫn đến

phân loại không đạt yêu cầu, điều này tạo thêm một nguồn lỗi khác của con người.

Deep learning (DL) đang được sử dụng thay thế cho các thuật toán ML truyền thống như một xu hướng mới trong

đánh giá SIR. Như được hiển thị trong Hình 13, sự khác biệt giữa các phương pháp ML và DL là

20
Machine Translated by Google

DL đó không yêu cầu lựa chọn tính năng thủ công, giúp việc triển khai dễ dàng hơn và ít gặp rủi ro hơn.

để lựa chọn tính năng không chính xác. Các tác giả của [35] đã sử dụng kỹ thuật DL cho HC và

so sánh kết quả của họ với kết quả của [29] đã sử dụng ML trên cùng một tập dữ liệu. Nó đã được báo cáo

rằng việc sử dụng kỹ thuật DL đạt được độ chính xác tương đương với ưu điểm bổ sung là dễ dàng hơn

thực hiện. Mạng nơ ron tích chập (CNN) đã được sử dụng trong [36, 37] để khắc phục

sự phụ thuộc thủ công vào việc trích xuất tính năng để phát hiện chính xác độ ẩm của chất cách điện.

Thời gian đào tạo CNN đã được giảm bớt bằng cách sử dụng phương pháp học chuyển giao (TL). CNN khác nhau

các kiến trúc đã được nghiên cứu như VGG16, VGG19, GoogleNet, AlexNet và ResNet.

Hiệu suất của tất cả các mô hình đều đạt yêu cầu, mang lại độ chính xác nhận dạng rất cao.

Kết quả là, các phương pháp đề xuất có thể được sử dụng tại hiện trường cho các điều kiện từ xa.

giám sát cách điện đường dây trên không. Tuy nhiên, các phương pháp đề xuất nêu trên có

sử dụng hạn chế vì việc đào tạo và kiểm tra diễn ra trong điều kiện được kiểm soát.

Hình 13. Sự khác biệt giữa Học máy và Học sâu

21
Machine Translated by Google

1.3 Mục tiêu luận văn và hình thành vấn đề

Rõ ràng từ các cuộc thảo luận trước đây là hiện tại chưa có cách tiếp cận toàn diện

để đánh giá HC của SIR. Sự can thiệp của con người, đánh giá cục bộ và chuyên môn

điều kiện cản trở nỗ lực thiết kế một hệ thống mạnh mẽ tự động dựa trên hình ảnh

xử lý. Mục tiêu của luận án này là tạo ra một hệ thống toàn diện dựa trên deep learning

các thuật toán có thể đánh giá tình trạng của chất cách điện SIR tuân theo một số điều kiện

(loại chất cách điện, điều kiện ánh sáng, khoảng cách, v.v.) và không cần con người

sự tham gia. Mục tiêu cụ thể của luận văn có thể tóm tắt như sau:

• Tổng hợp và phân tích 6 loại dữ liệu đánh giá tính kỵ nước khác nhau trong

điều kiện khác nhau.

• Tận dụng mô hình học sâu (MobileNet) trong Python để dự đoán tình trạng

của chất cách điện.

• Nâng cao mô hình sử dụng tính năng phát hiện đối tượng để cải thiện độ chính xác của kết quả.

• Phát triển và triển khai mô hình dưới dạng ứng dụng web để tăng khả năng sử dụng của

dự án.

22
Machine Translated by Google

chương 2

NGUYÊN LIỆU VÀ PHƯƠNG PHÁP

Trong chương này, việc thu thập và chuẩn bị dữ liệu sẽ được thảo luận. Ngoài ra,

các phương pháp và thuật toán đã thực hiện cho HC sẽ được giải thích.

2.1 Bộ dữ liệu

Nắp cách điện bằng gốm và chốt cách điện được phủ điện áp cao lưu hóa ở nhiệt độ phòng (RTV)

lớp phủ được sử dụng để làm mẫu cho nghiên cứu này. Đã thu được hình ảnh của các lớp 1–6

sử dụng phương pháp được đề xuất bởi [21]. Phương pháp này gợi ý phun các mẫu được phủ bằng

dung dịch nước cất và rượu. Có thể tạo ra nhiều loại kỵ nước (HC) khác nhau

theo thể tích cồn (ABV) trong dung dịch nước cất, dao động

từ lớp 1 với 0% ABV đến lớp 6 với 90% ABV. Điều này là do RTV giảm

sức căng bề mặt do tăng nồng độ cồn. Sự giảm bề mặt như vậy

sức căng sẽ bắt chước sự lão hóa của bề mặt RTV. Hình 14 thể hiện hình ảnh HC thu được

với tỷ lệ phần trăm ABV khác nhau.

23
Machine Translated by Google

Hình 14. Các loại HC với tỷ lệ phần trăm dung dịch ABV khác nhau

Tập dữ liệu ban đầu chứa tổng cộng 2043 hình ảnh, tất cả đều được chụp trong nhà và từ

nhiều góc độ khác nhau. Thư viện python katna được sử dụng để cắt từng hình ảnh thành nhiều hình ảnh khác nhau

hình ảnh để tăng tập dữ liệu và cung cấp đủ tập dữ liệu huấn luyện cho các thuật toán DL. BẰNG

kết quả là tập dữ liệu của chúng tôi đã tăng lên 4197 hình ảnh. Điều đáng nói là chỉ có bản gốc

Hình ảnh RGB được sử dụng trong tập dữ liệu huấn luyện mà không có bất kỳ thay đổi nào về màu sắc của chúng. Chúng tôi chia tay

tập dữ liệu thành ba phần: huấn luyện, xác nhận và kiểm tra, theo tỷ lệ 80:10:10. Hình 15

hiển thị bước tiền xử lý.

24
Machine Translated by Google

Hình 15. Tiền xử lý

2.2 Thuật toán học sâu

Một trong những thuật toán học sâu mạnh mẽ là mạng nơ ron tích chập (CNN).

được sử dụng rộng rãi trong thị giác máy tính để trích xuất các tính năng và thực hiện phân loại

hình ảnh. Như mô tả trong hình 16, CNN được tạo thành từ ba lớp, một lớp đầu vào, nhiều lớp ẩn

các lớp và các lớp đầu ra được kết nối đầy đủ.

Lớp chập: Đầu tiên, hình ảnh đưa vào lớp này được xử lý bằng một số bộ lọc

các ngân hàng được gọi là hạt nhân. Trong các đường dẫn phía trước, các bộ lọc như vậy được tích chập theo chiều ngang

với trọng lượng và chiều cao của hình ảnh được nhập riêng biệt. Nó cung cấp một hình ảnh hai chiều (2-D)

bản đồ đặc trưng để phát hiện mẫu. Tiếp theo, lớp đơn vị tuyến tính được chỉnh lưu (ReLU)

tăng tính phi tuyến của mạng bằng cách sử dụng hàm chỉnh lưu [38].

25
Machine Translated by Google

Lớp gộp: Lớp này chịu trách nhiệm giảm kích thước của bản đồ đối tượng

được tạo ra bởi lớp tích chập trong khi vẫn giữ được thông tin cần thiết và hữu ích. TRONG

Ngoài ra, nó cũng điều chỉnh dữ liệu quá khớp thông qua lấy mẫu xuống phi tuyến thông qua nhiều

các nhà khai thác.

Lớp được kết nối đầy đủ: Lớp này là lớp đầu ra cung cấp chức năng của một

bộ phân loại. Lớp này giúp mạng chuyển tiếp bằng cách chuyển đổi các bản đồ đặc trưng 2-D thành 1-D

vectơ đặc trưng trong khi tính toán độ chính xác (điểm) cho mỗi lớp. Lớp SoftMax dự đoán

lớp chính xác từ tập dữ liệu thử nghiệm dựa trên mô hình được đào tạo sau khi chuyển đổi điểm số

vào xác suất.

Hình 16. Kiến trúc CNN [39]

26
Machine Translated by Google

2.3 Mạng di động

Trong luận án này chúng tôi sẽ sử dụng kiến trúc MobileNets được đề xuất trong [40], MobileNets là một

dòng mô hình thị giác máy tính đầu tiên trên thiết bị di động TensorFlow được thiết kế để tối đa hóa

độ chính xác trong khi vẫn lưu ý đến các tài nguyên hạn chế của ứng dụng trên thiết bị hoặc ứng dụng nhúng.

MobileNet là một lớp CNN có nguồn mở bởi Google và nó cung cấp một khởi đầu lý tưởng

điểm để đào tạo bằng cách sử dụng bộ phân loại nhỏ gọn và nhanh chóng. MobileNets có kích thước nhỏ, độ trễ thấp,

các mô hình nguồn có thể được tham số hóa để đáp ứng các hạn chế về nguồn lực trong các trường hợp khác nhau. BẰNG

được hiển thị trong Hình 17, MobileNets có thể được sử dụng để xây dựng phân loại, phát hiện, nhúng,

và hệ thống phân đoạn.

Hình 17. Các ứng dụng của MobileNets [40]

Để hiểu được tính nhỏ gọn của MobileNets, hãy so sánh ngắn gọn về kích thước và

số tham số với một trong những kiến trúc CNN nổi tiếng nhất, VGG16, là

cung cấp. Kích thước đầy đủ của mạng VGG16 là khoảng 553 megabyte. Mặt khác

Mặt khác, kích thước của một trong những MobileNets lớn nhất chỉ khoảng 17 megabyte. Điều này tương đối thấp

27
Machine Translated by Google

kích thước của MobileNets rất quan trọng khi xem xét triển khai mô hình cho ứng dụng di động hoặc

chạy nó trong trình duyệt. Bảng 3 cho thấy sự so sánh giữa VGG16 và MobileNets trong

về mặt kích thước.

Bảng 3. So sánh VGG16 với MobileNets về kích thước [40]

Người mẫu Kích cỡ Thông số

VGG16 553MB 138.000.000

Mạng di động 17 MB 4.200.000

MobileNet đã sử dụng các cấu trúc tích chập có thể phân tách theo chiều sâu để phát triển mạng thần kinh sâu nhẹ

mạng. Khi so sánh với mạng có cấu trúc xoắn đều đặn có cùng độ sâu

nets, nó làm giảm đáng kể số lượng tham số. Có 28 lớp trong MobileNet

có thể giảm bớt bằng cách điều chỉnh thích hợp siêu tham số hệ số nhân chiều rộng. Đầu vào

hình ảnh có kích thước 224×224×3 và như được mô tả trong hình 18, hai thao tác được sử dụng để tạo

một tích chập có thể phân tách theo chiều sâu:

• Tích chập theo chiều sâu:

Tích chập không gian DK×DK theo kênh là tích chập theo chiều sâu. Nếu chúng ta có năm

các kênh trong hình bên dưới, chúng ta sẽ có 5 tích chập không gian DK×DK .

• Tích chập theo điểm:

Tích chập 1×1 được sử dụng để thay đổi kích thước thành tích chập theo điểm.

28
Machine Translated by Google

Hình 18. Tích chập với sự phân tách độ sâu [41]

Sự khác biệt chính giữa kiến trúc MobileNet và kiến trúc CNN truyền thống là

MobileNets đã chia tích chập thành chuyển đổi theo chiều sâu 3x3 và chuyển đổi theo điểm 1x1

thay vì một lớp tích chập 3x3 duy nhất theo sau là định mức lô và ReLU được sử dụng trong

CNN truyền thống, như thể hiện trong Hình 19.

29
Machine Translated by Google

Hình 19. (a) Lớp tích chập thông thường với chuẩn hóa hàng loạt và ReLU.

(b) Tích chập có thể phân tách theo chiều sâu với các lớp theo chiều sâu và điểm, sau đó theo nhóm

chuẩn hóa và ReLU. [40]

2.4 Học chuyển tiếp

Thời gian tính toán cần thiết để huấn luyện mạng từ đầu là một vấn đề quan trọng trong CNN.

Một vấn đề quan trọng khác là sự khan hiếm dữ liệu hình ảnh chất cách điện để phân loại HC. Các

Quá trình học chuyển giao (TL) được sử dụng để giải quyết hai vấn đề này. Trọng lượng của người được đào tạo trước

các mô hình (MobileNet) ban đầu không được đào tạo cho HC sẽ được chuyển sang mô hình của chúng tôi bằng cách sử dụng

TL. Chỉ có một số lớp ẩn cuối cùng của các mô hình được huấn luyện trước MobileNet (cùng với

lớp phân loại) được thay thế bằng các lớp mới của bài toán phân loại HC với

trọng số và tốc độ học tập khác nhau. Vì vậy, thay vì đào tạo toàn bộ mạng từ đầu

với các trọng số ngẫu nhiên, TL giảm đáng kể thời gian huấn luyện của mạng, khiến nó

tính toán nhanh hơn và hoạt động khá tốt đối với các tập dữ liệu nhỏ [37]. Các lớp thấp hơn

30
Machine Translated by Google

cung cấp khả năng trích xuất tính năng thị giác máy tính truyền thống, chẳng hạn như phát hiện cạnh, trong khi

các lớp cuối cùng tập trung vào các tính năng dành riêng cho nhiệm vụ. Hơn nữa, chúng tôi có thể sử dụng những người được đào tạo trước hiện có

các mô hình như VGG16 và AlexNet cho các tác vụ chưa được đào tạo trước đây như chuyển kiểu và khuôn mặt

nhận dạng [42].

2.5 Phát hiện đối tượng

Một vấn đề có thể xảy ra trong quá trình thử nghiệm mô hình là mô hình có thể đã chọn

đối tượng không chính xác, trích xuất các đặc điểm không chính xác hoặc nếu có bất kỳ sự mất tập trung nào trong ảnh gốc.

Để tránh điều này, chúng tôi sẽ sử dụng kỹ thuật phát hiện đối tượng (OD) trong luận án này. OD là một

kỹ thuật máy tính liên quan đến thị giác máy tính và xử lý hình ảnh để phát hiện các trường hợp

các mục ngữ nghĩa của một lớp nhất định (chẳng hạn như cá nhân, tòa nhà hoặc phương tiện) trong ảnh kỹ thuật số

và video. Nhận diện khuôn mặt và phát hiện người đi bộ là hai lĩnh vực phát hiện đối tượng được nghiên cứu kỹ lưỡng.

OD có nhiều ứng dụng khác nhau trong thị giác máy tính, chẳng hạn như truy xuất hình ảnh và video.

giám sát. Có một số kiến trúc OD; trong luận án này, chúng tôi sẽ sử dụng Single Shot

MultiBox Detector (SSD) được đề xuất trong [43]. Kiến trúc SSD là một tổ hợp đơn

mạng học cách dự đoán và phân loại các vị trí hộp giới hạn trong một lần chạy. Như một

kết quả là SSD có thể được huấn luyện từ đầu đến cuối. Mạng SSD được tạo thành từ một

kiến trúc cơ bản (trong trường hợp này là MobileNet) theo sau là nhiều lớp tích chập. Chúng tôi chỉ

cần một lần chụp bằng SSD để nhận dạng một số đối tượng bên trong một hình ảnh, nhưng dựa trên RPN

các kỹ thuật như chuỗi R-CNN yêu cầu hai lần chụp, một lần để tạo đề xuất vùng

và một để nhận biết nội dung của mỗi đề xuất. Kết quả là SSD nhanh hơn đáng kể

hơn các kỹ thuật dựa trên RPN hai lần; Kiến trúc SSD được mô tả trong Hình 20.

31
Machine Translated by Google

API phát hiện đối tượng TensorFlow cung cấp nền tảng để xây dựng mạng học sâu

có thể phát hiện vật thể. Họ đã có sẵn các mô hình được đào tạo trước trong khuôn khổ của mình, được gọi là

Vườn thú kiểu mẫu. Trong số các mô hình được đào tạo trước, MobileNet đã được sử dụng. Như được minh họa trong Hình 21,

chúng tôi đã đào tạo mô hình OD để phát hiện các chất cách điện, cắt chúng và lưu chúng vào một tệp để sử dụng làm

tập dữ liệu thử nghiệm.

Hình 20. Kiến trúc MobileNet SSD phân lớp [43]

Hình 21. Các bước của mô hình Phát hiện đối tượng

32
Machine Translated by Google

2.6 Triển khai mô hình

Triển khai mô hình về cơ bản là quy trình kỹ thuật để tạo ra một mô hình học sâu

có sẵn để sử dụng trong thế giới thực. Việc triển khai thường được sử dụng thay thế cho việc thực hiện

một mô hình có sẵn thông qua API thời gian thực. Nó cũng là quá trình tích hợp máy học

mô hình hóa vào môi trường sản xuất hiện có để đưa ra quyết định kinh doanh thực tế

dựa trên dữ liệu. Đây là một trong những bước cuối cùng của vòng đời máy học. Vì một trong những người của chúng tôi

Mục tiêu của dự án này là sử dụng mô hình đề xuất trong nhiều điều kiện, một trong số đó là sử dụng

mô hình trong lĩnh vực mà các kỹ thuật viên có thể gặp khó khăn khi chạy mã hoặc sử dụng bất kỳ

ngôn ngữ lập trình. Về vấn đề này, chúng tôi đã sử dụng gói python có tên Streamlit để triển khai

mô hình của chúng tôi là một ứng dụng web có giao diện người dùng đồ họa đơn giản (GUI); Hình 22 cho thấy

GUI cho dự án của chúng tôi. Nói chung, bạn có thể tải hình ảnh từ máy tính lên mô hình,

và nó sẽ dự đoán lớp HC cũng như đưa ra xác suất của các lớp khác. Một ví dụ

của đầu ra của GUI được hiển thị trong Hình 23.

33
Machine Translated by Google

Hình 22. Giao diện người dùng đồ họa

Hình 23. Đầu ra GUI 34

Machine Translated by Google

Chương 3

KẾT QUẢ VÀ THẢO LUẬN

3.1 So sánh giữa các kiến trúc CNN khác nhau

Các mô hình CNN được đào tạo trước khác nhau đã được thử nghiệm để phân loại tính kỵ nước,

bao gồm VGGNet16, MobileNet, MobileNetV2 và AlexNet. Ban đầu tất cả các mô hình đều

được đào tạo bằng cách sử dụng tập dữ liệu gốc mà không cần xử lý hình ảnh và do đó chỉ có RGB thô

hình ảnh đã được cung cấp cho các mô hình để đào tạo. Chúng tôi chia tập dữ liệu thành ba phần: đào tạo,

xác nhận và thử nghiệm, được phân phối theo tỷ lệ tương ứng là 80:10:10. Trong số 2043 hình ảnh,

1635 hình ảnh được sử dụng để huấn luyện, 204 hình ảnh để thử nghiệm và 204 hình ảnh để xác thực. Các

các thông số cho các mô hình đã được chọn cho mục đích đào tạo để đạt hiệu suất tối ưu. Các

tốc độ học được chọn là 0,001, kỷ nguyên (lặp) tối đa được đặt thành 50 và

kích thước lô được đặt thành 10. Độ chính xác của quá trình huấn luyện so với kỷ nguyên được hiển thị trong Hình 24. Rõ ràng là

rằng cả MobileNet và MobileNetv2 đều có hiệu suất đào tạo tốt nhất trong số tất cả các mô hình

về thời gian đào tạo, điều này được mong đợi vì hai mạng này có thời gian đào tạo nhỏ hơn

số thông số so với các mô hình khác.

35
Machine Translated by Google

Hình 24. Hiệu suất huấn luyện cho các mô hình

Sau khi huấn luyện mô hình, dữ liệu thử nghiệm được sử dụng để đánh giá độ chính xác của

người mẫu. Độ chính xác tổng thể của 4 mô hình được mô tả trong Hình 25, trong đó rõ ràng là

MobileNet đạt điểm dự đoán chính xác cao nhất. Ngoài ra, trong khi MobileNetv2 có mức cao

tốc độ huấn luyện, độ chính xác tổng thể là kém nhất trong số tất cả các mô hình được chọn.

36
Machine Translated by Google

Hình 25. Kiểm tra hiệu năng của các mô hình

Hơn nữa, ma trận nhầm lẫn cho tất cả các mô hình được hiển thị trong Hình 26. Dựa trên

kết quả ma trận nhầm lẫn, MobileNet cho thấy độ chính xác cao nhất (100%) đối với lớp HC1

với mức thấp nhất (90%) được hiển thị bởi MobileNetV2 và VGGNet16. Ngoài ra, MobileNet

thể hiện tỷ lệ nhận biết tốt nhất (100%) đối với loại HC2 trong khi ít nhất (90%) được báo cáo bởi

cả hai mô hình VGGNet16 và AlexNet. Tương tự, đối với HC3, MobileNet hiển thị mức cao nhất

độ chính xác (86,7%) trong khi AlexNet cho thấy tỷ lệ nhận dạng thấp nhất (80%). Ngoài ra, đối với

lớp HC4 và HC5, tỷ lệ nhận dạng cao nhất được MobileNet và

VGGNet16 tương ứng, trong khi MobileNetV2 có tỷ lệ nhận dạng thấp nhất

và AlexNet tương ứng. Có thể thấy rằng độ chính xác của tất cả các mẫu dành cho loại HC5 là

giảm. Cuối cùng, trong trường hợp của HC6, cả MobileNetV2 và AlexNet đều cho thấy hiệu suất cao nhất

độ chính xác (mỗi loại 90%), trong khi MobileNet hiển thị độ chính xác thấp nhất trong lớp (73,3%). Kể từ đây,

rõ ràng là MobileNet đã đạt được cả tỷ lệ đào tạo và phân loại tổng thể cao nhất

độ chính xác và do đó nó được chọn để kiểm tra HC trong các điều kiện khác nhau.

37
Machine Translated by Google

(Một) (b)

(c) (d)

Hình 26. (a) Ma trận nhầm lẫn MobileNet. (b) Ma trận nhầm lẫn MobileNetV2. (c)

Ma trận nhầm lẫn VGGNet16. (d) Ma trận nhầm lẫn AlexNet.

3.2 Hiệu suất MobileNet trong các điều kiện khác nhau

Mục tiêu chính của nghiên cứu này là đề xuất một mô hình mạnh mẽ có thể phát hiện HC của RTV

chất cách điện bọc cao su silicone trong các điều kiện khác nhau. Để thực hiện được điều này, một

cải thiện độ chính xác của các kết quả được thảo luận trước đó trong điều kiện trong nhà được kiểm soát

điều kiện là cần thiết. Điều này có thể đạt được bằng cách giảm số lượng tham số trong

mô hình, tăng tập dữ liệu đầu vào và thực hiện xử lý hình ảnh như chuyển đổi

tập dữ liệu sang thang độ xám. Tập dữ liệu tăng cường (4197 ảnh), sau khi cắt ảnh, đã được

38
Machine Translated by Google

được sử dụng trong quá trình đào tạo và thử nghiệm bằng MobileNet. Hình 27 mô tả ma trận nhầm lẫn

kết quả. Rõ ràng là độ chính xác phân loại đã tăng từ 89,45% (khi

dữ liệu gốc đã được sử dụng) đến 97,8%. Vì vậy, việc tăng số liệu đã góp phần làm tăng

độ chính xác phân loại.

Hình 27. Ma trận nhầm lẫn điều kiện trong nhà

Dự định sử dụng thuật toán được đề xuất trong hiện trường và do đó một trong những thách thức chính

là tiến hành phân loại trong các điều kiện ánh sáng khác nhau. Vì vậy, hai tập dữ liệu ở hai

các điều kiện ánh sáng khác nhau đã được thu thập, tức là điều kiện ánh sáng sáng và tối.

Mẫu ở cả điều kiện sáng và tối được thể hiện trên Hình 28 và 29

tương ứng. Điều đáng nói là các mẫu ở các điều kiện ánh sáng khác nhau đều

được sử dụng làm mẫu thử nghiệm trên mô hình ban đầu mà không sử dụng bất kỳ bộ dữ liệu nào trong quá trình đào tạo

quá trình. Độ chính xác tổng thể của cả bộ dữ liệu sáng và tối là 89,44% và 95%,

tương ứng. Hình 30 và 31 thể hiện ma trận nhầm lẫn của các kết quả thử nghiệm theo cả hai

39
Machine Translated by Google

điều kiện ánh sáng. Rõ ràng là điều kiện ánh sáng chói có tác động tiêu cực hơn

về độ chính xác phân loại tổng thể so với điều kiện ánh sáng tối. Tuy nhiên, ngoại trừ

trong một số trường hợp, tất cả sự nhầm lẫn giữa các lớp đều xảy ra giữa các lớp liền kề.

giảm thiểu tác động tiêu cực của việc phân loại sai lớp. Các tác giả trong [44] đã sử dụng

thuật toán học sâu để kiểm tra trực tuyến SIR trong các điều kiện ánh sáng khác nhau. Các

mô hình được đào tạo dựa trên các hình ảnh được chụp trong điều kiện được kiểm soát và sau đó được kiểm tra bằng cách sử dụng

hình ảnh được chụp trong điều kiện ánh sáng tối và sáng dẫn đến làm giảm mô hình

độ chính xác khoảng 20%. Độ chính xác của mô hình được cải thiện đáng kể khi lấy mẫu

trong các điều kiện ánh sáng khác nhau đã được thêm vào mô hình đào tạo. Mặt khác,

độ chính xác của mô hình của chúng tôi giảm do thay đổi điều kiện ánh sáng chỉ khoảng 8% trong

Để nâng cao hơn nữa độ chính xác của mô hình, 10 ảnh được chụp trong cả điều kiện sáng và tối

các điều kiện đã được thêm vào mô hình đào tạo dẫn đến tăng độ chính xác tổng thể

cho cả điều kiện ánh sáng sáng và tối lần lượt là 92,77% và 95,55%.

40
Machine Translated by Google

Hình 28. Mẫu ở điều kiện ánh sáng mạnh

Hình 29. Mẫu trong điều kiện ánh sáng tối 41

Machine Translated by Google

Hình 30. Ma trận nhầm lẫn trong điều kiện ánh sáng mạnh

Hình 31. Ma trận nhầm lẫn trong điều kiện ánh sáng tối

42
Machine Translated by Google

97
96
95
94
93

ỰX
ÍÁ
HNCHS
C
92
91
90
89
88
87
86
đào tạo trước Sau khi đào tạo

Điều kiện ánh sáng mạnh 89,44 92,77

Điều kiện ánh sáng tối 95 95,55

Hình 32. Biểu đồ so sánh độ chính xác trước và sau đào tạo lại

Tất cả các thử nghiệm trước đây của mô hình đề xuất đều được tiến hành trên chất cách điện được phủ RTV-SIR trong điều kiện

điều kiện khác nhau. Cao su silicon có thể ở dạng lớp phủ RTV hoặc chất cách điện hoàn toàn.

Để kiểm tra độ bền của mô hình đề xuất, dữ liệu thử nghiệm được thu thập từ cao su silicon hoàn toàn

chất cách điện đã được sử dụng. Hình ảnh được chụp từ kho cách điện như trong Hình

33. Các mẫu của các hình ảnh khác nhau với các lớp kỵ nước khác nhau được hiển thị trong Hình

34. Độ chính xác tổng thể của dữ liệu được kiểm tra là 96,11%, rất gần với dữ liệu gốc

độ chính xác phân loại. Ma trận nhầm lẫn được mô tả trong Hình 35 trong đó rõ ràng là

mỗi lớp riêng lẻ đạt độ chính xác từ 90% trở lên. Hơn nữa, ngoại trừ một trường hợp,

tất cả các trường hợp bị phân loại sai đều là các trường hợp liền kề giúp giảm thiểu tác động tiêu cực của

phân loại sai.

43
Machine Translated by Google

Hình 33. Chất cách điện polyme kích thước đầy đủ

Hình 34. Mẫu cách điện đầy đủ

44
Machine Translated by Google

Hình 35. Ma trận nhầm lẫn của chất cách điện hoàn toàn

Dựa trên những phát hiện này, chúng ta có thể kết luận rằng mô hình đề xuất có khả năng nhận biết

các lớp kỵ nước (HC) trong nhiều điều kiện khác nhau, với tỷ lệ nhận biết cao mà không cần

nhu cầu đào tạo bổ sung.

45
Machine Translated by Google

Chương 4

KẾT LUẬN

Do trọng lượng thấp, chi phí thấp và tính kỵ nước cao, cao su silicone (SIR) và khả năng chịu nhiệt tốt

chất cách điện lưu hóa nhiệt độ (RTV) thường được sử dụng trong truyền tải và

đường dây phân phối trên không thay thế cho chất cách điện gốm truyền thống. Cao su silicon-

vật liệu cách điện dựa trên được ưa chuộng hơn các chất cách điện gốm thông thường vì chúng

tính kỵ nước vượt trội, giúp ngăn ngừa hiện tượng phóng điện do sự lắng đọng chất ô nhiễm trên bề mặt của chúng

bề mặt. Chất cách điện làm từ cao su silicon có bản chất hữu cơ dẫn đến chất cách điện

xuống cấp khi chúng phải chịu áp lực về điện và môi trường. Như trực tuyến

việc giám sát các điều kiện cách điện là rất quan trọng, nhiều công ty điện lực trên toàn thế giới đã

đã thực hiện một số phương pháp để đánh giá và phân tích các điều kiện bề mặt chất cách điện. Hầu hết các

chiến lược dựa vào việc giám sát các hoạt động dòng rò (LC) và phóng điện cục bộ (PD).

Các kỹ thuật khác, như đo góc tiếp xúc và quy trình đánh giá tính kỵ nước,

tập trung hơn vào việc giám sát chất lượng và mức độ lão hóa của chất cách điện không phải gốm.

Lỗi của con người luôn hiện diện trong các quy trình đánh giá tính kỵ nước hiện có, điều này

ảnh hưởng mạnh mẽ đến độ tin cậy của các thủ tục chẩn đoán như vậy. Để vượt qua sự phán xét của con người

khía cạnh, một số nghiên cứu đã được đề xuất sử dụng xử lý hình ảnh kỹ thuật số (DIP) để đánh giá và định lượng

góc tiếp xúc, từ đó xác định lớp kỵ nước (HC) và đánh giá

tình trạng bề mặt của chất cách điện. Hiện tại, chưa có kỹ thuật trực tuyến toàn diện để

đánh giá loại và tình trạng của chất cách điện không bằng gốm (NCI). Đã có những nỗ lực

xây dựng hệ thống xử lý ảnh tự động trên nền tảng trực tuyến. Tuy nhiên, những đề xuất này

46
Machine Translated by Google

hệ thống đã bị cản trở bởi nhiều vấn đề như sự can thiệp của con người, địa phương

đánh giá, các điều kiện chuyên môn và quy định.

Trong luận án này, một nỗ lực được thực hiện để sử dụng Mạng thần kinh chuyển đổi (CNN), Truyền

Học tập (TL) và Phát hiện đối tượng (OD) để phân loại và đánh giá các lớp kỵ nước

(HC) của vật liệu cách điện cao su silicone. Với mục đích đào tạo, một tập dữ liệu của các lớp 1–6

bao gồm tổng cộng 4197 hình ảnh đã được cắt và thay đổi kích thước thành (224×224 pixel)

được thu thập. Mô hình MobileNet đã được huấn luyện trong điều kiện có kiểm soát trong nhà và thử nghiệm trong

các điều kiện khác nhau, bao gồm cả điều kiện trong nhà, ánh sáng rực rỡ và điều kiện ánh sáng tối, dẫn đến

với độ chính xác lần lượt là 97,77%, 89,44% và 95%. Hơn nữa,

mô hình đề xuất đã được thử nghiệm trên chất cách điện cao su silicon quy mô đầy đủ và đạt được sự công nhận

tỷ lệ 96,11%. Mô hình đề xuất được phát triển và triển khai dưới dạng ứng dụng web

nhằm tăng tính khả dụng của dự án. Mục tiêu của luận án này là tạo ra một hệ thống học sâu mạnh mẽ

hệ thống phân loại dựa trên có thể đánh giá tình trạng của chất cách điện SIR theo một số

điều kiện. Phương pháp đề xuất nhằm giảm chi phí và công sức liên quan đến

kiểm tra dựa trên con người truyền thống. Trong khi mô hình đề xuất đạt được kết quả rất cao

tỷ lệ nhận dạng trong tất cả các thử nghiệm, nó có thể được cải thiện hơn nữa bằng cách đào tạo lại mô hình với nhiều

hình ảnh trong các điều kiện khác nhau bao gồm cả ô nhiễm, màu sắc chất cách điện khác nhau và

hồ sơ.

47
Machine Translated by Google

Người giới thiệu

[1] C. Bayliss và B. Hardy, Kỹ thuật điện truyền tải và phân phối, Thứ ba

Phiên bản, 2007, Elsevier Ltd.

[2] F. Alhebshi, H. Alnabilsi, J. Alzebaidi, A. Bensenouci, T. Brahimi và M. Bensenouci,

“Giám sát vận hành đường dây truyền tải trong hệ thống lưới điện thông minh thông qua IoT” 15/15/2018

Hội nghị Học tập và Công nghệ (L&T), 2018, trang 139-146, doi:

10.1109/LT.2018.8368498.

[3] I. Jarrar, Nghiên cứu khả thi: “Triển khai phương tiện hàng không không người lái để kiểm tra và quét

(hồng ngoại) mạng lưới điện (Cáp HV, Đường dây OH, hệ thống LV) và đường ống dẫn nước,”

Thẻ sáng kiến ASTRO-Transco 14, tháng 10 năm 2011.

[4] I.Jarrar, A. El Hag và N. Qaddoumi, “Kỹ thuật trực tuyến để phát hiện khuyết tật trong sản phẩm không phải gốm

Chất cách điện (NCI),” GCC Cigre, Doha, Qatar, tháng 11 năm 2010.

[5] A. El Hag, “Ảnh hưởng của cấu hình chất cách điện đến hiệu suất lão hóa của cao su silicon

Chất cách điện”, Tiến sĩ. luận án, Khoa bầu cử. Tiếng Anh, Đại học Waterloo, 2003

[6] MS Naidu và V. Kamaraju, Kỹ thuật điện áp cao, Ấn bản thứ hai, 1995, Tata

Nhà xuất bản McGraw-Hill Ltd.

48
Machine Translated by Google

[7] Siderakis, K., Pylarinos, D., Thalassinakis, E., Vitellas, I., & Pyrgioti, E. (2011). Sự ô nhiễm

kỹ thuật bảo trì trong lắp đặt điện áp cao ven biển. Công nghệ kỹ thuật &

Nghiên cứu khoa học ứng dụng, 1(1), 1-7.

[8] A. El Hag, Bài giảng Kỹ thuật điện áp cao. [Trực tuyến], Có sẵn:

https://ilearn.aus.edu/webapps/portal/frameset

[9] JL Goudie, MJ Owen và T. Orbeck. "Việc xem xét các cơ chế suy thoái có thể

của chất đàn hồi silicon trong các ứng dụng cách điện điện áp cao." Trong Cách điện và

Hiện tượng điện môi, 1998. Báo cáo thường niên. Hội nghị trên, tập. 1, trang 120-127. IEEE, 1998.

[10] Chất cách điện silicon điện áp cao, Công nghệ năng lượng điện của tương lai, Elkom-

NET ltd, Skopje, Macedonia, Danh mục sản phẩm, tháng 6 năm 2009.

[11] M. Amin và M. Salman, “Sự lão hóa của chất cách điện polyme (Tổng quan),” Nâng cao

Trung tâm nghiên cứu. Rev.Adv.Mater.Sci. Tập. 13, trang 93-116, 2006.

[12] Tính toán điện trường, HVEL, Phòng thí nghiệm Kỹ thuật điện áp cao. [Trực tuyến]

Lấy từ: http://www.power.uwaterloo.ca/HVEL/Research-_Electricfield.htm.

[13] M. Amin, M. Akbar và S. Amin, “Tính kỵ nước của cao su silicon được sử dụng ngoài trời

Cách nhiệt (Tổng quan)”, Advanced Study Center Co. Ltd, Pakistan Taxila,

Rev.Adv.Mater.Sci. 16 (2007) 26-10, 2007.

49
Machine Translated by Google

[14] N. Yoshimura, S. Kumagai và S. Nishimura, "Sự lão hóa về điện và môi trường của

cao su silicon được sử dụng trong vật liệu cách nhiệt ngoài trời," trong Giao dịch của IEEE về Điện môi và Điện

Cách nhiệt, tập. 6, không. 5, trang 632-650, tháng 12 năm 1999, doi: 10.1109/TDEI.1999.9286756.

[15] Souza, AL, & Lopes, IJ (2006, tháng 6). Sự phân bố điện trường dọc theo bề mặt của

chất cách điện polymer điện áp cao và những thay đổi của nó trong điều kiện vận hành. trong hội nghị

Hồ sơ của Hội nghị chuyên đề quốc tế IEEE năm 2006 về cách điện (trang 56-59). IEEE.

[16] S. Gubanski và cộng sự, “Theo dõi trên bề mặt chất cách điện khi có khuyết tật dẫn điện

trong Giao diện Nhà ở với Giao diện Cốt lõi,” INMR World Congress, Số 84 Quý Hai năm 2009

Tập 17 Số 2 Trang 74.

[17] Sử dụng phương pháp đo nhiệt độ hồng ngoại trong tiện ích, FLIR. [Trực tuyến] Lấy từ:

http://www.flir.com/thermography/eurasia/en/content/?id=11430.

[18] I. Jarrar, H. Bashiri và M. Kuheel, “Kỹ thuật phát hiện phóng điện cục bộ,” Cục

Kỹ thuật Điện, dự án thiết kế BS, Đại học Hoa Kỳ Sharjah, UAE, 2008.

[19] M. Muhr, R. Schwarz, S. Pack và B. Koerbler, “Phóng điện một phần độc đáo

đo lường,” Hội nghị báo cáo thường niên về hiện tượng cách điện và điện môi,

2004.

[20] Hướng dẫn STRI: “Chương trình trạng thái cách điện composite: Kiểm tra hiện trường của composite

cách điện”, Hướng dẫn 3, 98/1, 1998.

50
Machine Translated by Google

[21] Z. Linjie và cộng sự, “Đo độ kỵ nước trực tuyến của chất cách điện composite,” Trường

Kỹ thuật Điện, Đại học Điện lực Bắc Trung Quốc, Bắc Kinh, 102206, PRChina.

[22] Y. Liu và cộng sự, “Phương pháp chẩn đoán mới về chất cách điện bằng cách đo góc tiếp xúc,”

Tạp chí Quốc tế về Kỹ thuật và Hệ thống Thông minh, Trường Điện tử

Thông tin, Đại học Vũ Hán, PR Trung Quốc, Tập 2, Số 2,2009.

[23] BX Du và Yong Liu, “Phân tích mô hình đặc điểm phóng điện cho

Đánh giá tính kỵ nước của chất cách điện polymer,” Giao dịch của IEEE về điện môi và

Cách điện, Tập. 18, số 1; Tháng 2 năm 2011.

[24] M. Berg, R. Thottappillil và V. Scuka, “Ước tính tính kỵ nước của HV Polymeric

Vật liệu cách điện: Phát triển phương pháp xử lý ảnh kỹ thuật số,” Giao dịch của IEEE

về Điện môi và cách điện, Tập. 8 số 6, tháng 12 năm 2001.

[25] D. Thomazini, MV Gelfuso và R. Altafim, “Phân loại tính kỵ nước của

Vật liệu polyme dựa trên kích thước phân dạng,” Nghiên cứu vật liệu, Tập. 11, số 4, 415-

419, 2008

[26] T. Tokoro, Y. Omoto, Y. Katayama và M. Kosaki, “Phân tích hình ảnh về tính kỵ nước

và tính chất điện môi của vật liệu cách điện polyme,” Hội nghị báo cáo thường niên của IEEE 2002

về hiện tượng cách điện và điện môi.

51
Machine Translated by Google

[27] S. Yi, L. Qin, T. Liangrui và Y. Qiuxia, “Thuật toán phát hiện mức độ kỵ nước

Dựa trên Toán tử mô-đun tam giác,” Trường Kỹ thuật Điện và Điện tử miền Bắc

Đại học Điện lực Trung Quốc, Bắc Kinh, Trung Quốc.

[28] Y. Sun, Q. Li, L. Tang và Q. Yang, “Thuật toán ước tính tổng hợp của kỵ nước

Cấp độ dựa trên lý thuyết bằng chứng DS,” Trường Kỹ thuật Điện và Điện tử, miền Bắc

Đại học Điện lực Trung Quốc, Bắc Kinh, Trung Quốc.

[29] I. Jarrar, K. Assaleh và AH El-hag, "Sử dụng kỹ thuật dựa trên nhận dạng mẫu để

đánh giá lớp kỵ nước của vật liệu cao su silicon," trong Giao dịch của IEEE trên

Điện môi và cách điện, tập. 21, không. 6, trang 2611-2618, tháng 12 năm 2014, doi:

10.1109/TDEI.2014.004523.

[30] Sun, Q., Lin, F., Yan, W., Wang, F., Chen, S., & Zhong, L. (2018). Ước tính của

tính kỵ nước của chất cách điện tổng hợp dựa trên mạng lưới thần kinh xác suất được cải thiện.

Năng lượng, 11(9), 2459.

[31] Q. Wang và cộng sự, "Việc phát hiện kỵ nước của ống lót cách điện bằng composite của máy biến áp

dựa trên kỹ thuật xử lý hình ảnh kỹ thuật số", Hội nghị quốc tế IEEE 2016 về cao

Kỹ thuật và ứng dụng điện áp (ICHVE), 2016, tr. 1-4, doi:

10.1109/ICHVE.2016.7800844.

[32] Q. Wang và cộng sự, "Nghiên cứu về thuật toán Perceptron đa lớp được cải tiến trên

Nghiên cứu phát hiện tính kỵ nước của ống lót cách điện composite," Quốc tế lần thứ 8 năm 2016

52
Machine Translated by Google

Hội nghị về Hệ thống máy móc thông minh và Điều khiển học (IHMSC), 2016, trang 438-

441, doi: 10.1109/IHMSC.2016.265.

[33] Yang, L., Bi, J., Hao, Y., Nian, L., Chu, Z., Li, L., ... & Zhang, F. (2018). Một sự công nhận

phương pháp phân loại tính kỵ nước của chất cách điện composite dựa trên sự tối ưu hóa các tính năng và

xác minh thực nghiệm. Năng lượng, 11(4), 765.

[34] Jayabal, R., Vijayarekha, K., & Rakesh Kumar, S. (2018). Thiết kế ANFIS cho

Phân loại tính kỵ nước của chất cách điện polyme với tính năng giảm hai giai đoạn

kỹ thuật và triển khai lĩnh vực của nó. Năng lượng, 11(12), 3391.

[35] Y. Fahmy và A. El-Hag, "Ứng dụng Mạng nơ-ron tích chập trong

Phân loại tính kỵ nước," Hội nghị cách điện IEEE (EIC) 2021, 2021, trang 1.

490-493, doi: 10.1109/EIC49891.2021.9612318.

[36] Kokalis, CCA, Tasakos, T., Kontargyri, VT, Siolas, G., & Gonos, IF (2020).

Phân loại tính kỵ nước của chất cách điện composite dựa trên mạng lưới thần kinh tích chập.

Ứng dụng kỹ thuật của trí tuệ nhân tạo, 91, 103613.

[37] Chatterjee, S., Roy, SS, Samanta, K., & Modak, S. (2020). Cảm biến tình trạng ướt

của bề mặt cách nhiệt sử dụng mạng lưới thần kinh tích chập. Chữ cái cảm biến của IEEE, 4(7), 1-

4.

53
Machine Translated by Google

[38] Krizhevsky, Alex, Ilya Sutskever và Geoffrey E. Hinton. "Phân loại Imagenet với

mạng lưới thần kinh tích chập sâu." Những tiến bộ trong hệ thống xử lý thông tin thần kinh 25

(2012).

[39] Alom, MZ, Taha, TM, Yakopcic, C., Westberg, S., Sidike, P., Nasrin, MS, ... &

Asari, VK (2019). Một cuộc khảo sát hiện đại nhất về lý thuyết và kiến trúc học sâu.

Điện tử, 8(3), 292.

[40] Howard, AG, Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam,

H. (2017). Mobilenets: Mạng thần kinh tích chập hiệu quả cho các ứng dụng thị giác di động.

bản in trước arXiv arXiv:1704.04861.

[41] Junejo, IN, & Ahmed, N. (2021). Mạng lưới thần kinh tích chập có thể phân tách theo chiều sâu

để nhận dạng thuộc tính người đi bộ. Khoa học máy tính SN, 2(2), 1-11.

[42] Yosinski, J., Clune, J., Bengio, Y., & Lipson, H. (2014). Các tính năng có thể chuyển nhượng như thế nào trong

mạng lưới thần kinh sâu? bản in trước arXiv arXiv:1411.1792.

[43] Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, CY, & Berg, AC (2016,

Tháng Mười). Ssd: Máy dò đa hộp bắn một lần. Tại hội nghị châu Âu về thị giác máy tính (trang.

21-37). mùa xuân,

[44] El Haj, Y., El-Hag, AH, & Ghunem, RA (2021). Ứng dụng deep learning thông qua

chuyển giao học tập để đánh giá xói mòn bề mặt vật liệu cao su silicon. Giao dịch IEEE trên

Điện môi và cách điện, 28(4), 1465-14.

54