缝隙缺陷太赫兹检测网络

分类准确率98.91%

该网络融合残差收缩与CNN，显著提升绝缘设备内部气隙缺陷的定位与测厚精度。

Zhang, Zhonghao · Peng, Guozheng · 谈元鹏 · 蒲天骄 · 王黎明

CSEE Journal of Power and Energy Systems 2023

参数信息

分类准确率

98.91 %

技术优势

分类准确率高达98.91%

CNN-RSN-SVM模型通过残差收缩网络提取特征并由SVM分类，在调整参数后对气隙厚度分类准确率达到98.91%。

可计算气隙深度

利用小波簇的时频特性，提出气隙深度的计算方法，实现缺陷深度定位。

形成完整3D成像

结合小波分析与分类模型，形成气隙缺陷的3D成像方法，实现可视化检测。

应用场景

• 电力设备无损检测：无需破坏绝缘结构即可定位内部气隙，保障电网安全运行。
• 太赫兹成像系统：提供气隙缺陷的3D成像方法，提升太赫兹检测系统的定量分析能力。
• 缺陷检测与质量评估：自动分类气隙厚度，提高缺陷评估的准确性与效率。