具体实施方式

该装置和系统使得能够通过标识开关设备的红外图像中的热点来检测开关设备中(例如，断路器中和其他电气设备中)的热点，即使在可能异常热的被监测的表面与红外线传感器之间存在遮挡对象。为此，在电气资产组件或子系统上的热点的红外图像中，使用机器学习方法自动去除作为“噪声”数据的对象和元素。这种降噪效果使用相关数据，并且提供有关断路器、开关设备或其他电气设备组件中的结构损坏的精确信息。这是通过使用经过图像训练的机器学习算法来实现的，其中至少有一些图像使用去噪自动编码器来去除红外图像中的遮挡特征。一个模块用于使得操作人员或专家能够标记红外图像上的潜在遮挡元素，学习模块用于学习遮挡的特征并且执行去噪动作。因此，标记机制用于标识去噪特征，以使得具有适当信息的热变化图像得以保留，以在使用机器学习方法检测热点时提供可靠的结果。该解决方案的技术成果允许维护和服务工程师通过基于机器学习模型的检测机制来指示断路器中的任何异常或热点。以这种方式，可以提供图像，以便训练集可以用于考虑红外图像中的遮挡元素，从而使得机器学习算法能够在不同设备类型中、从不同有利位置和在不同情况下标识热点。

因此，这是通过包括输入单元、处理单元和输出单元的装置来实现的。输入单元被配置为向处理单元提供开关设备的监测红外图像。处理单元被配置为实现机器学习分类器算法以分析监测红外图像并且确定开关设备中是否存在一个或多个异常热点。机器学习分类器算法已经基于多个不同训练红外图像被训练。多个训练红外图像包括多个已修改红外图像，多个已修改红外图像由对应的多个红外图像生成，其中已修改红外图像中的每个已修改红外图像已经被修改以去除图像中的遮挡效果。输出单元被配置为输出与一个或多个异常热点相关的信息。

根据示例，多个已修改红外图像的生成包括已训练图像处理算法的使用。

根据示例，已训练图像处理算法是已训练去噪算法。

根据示例，图像处理算法的训练包括修改之前的多个红外图像中的至少一个红外图像中的一个或多个遮挡特征的手动指示和/或与修改之前的多个红外图像中的至少一个红外图像相对应的至少一个可见图像中的一个或多个遮挡特征的手动指示。

根据示例，监测红外图像的分析包括监测红外图像的修改以去除图像中的遮挡效应。

根据示例，监测红外图像的修改包括已训练图像处理算法的使用。

根据示例，已训练图像处理算法是已训练去噪算法。

根据示例，图像处理算法的训练包括修改之前的多个红外图像中的至少一个红外图像中的一个或多个遮挡特征的手动指示和/或与修改之前的多个红外图像中的至少一个红外图像相对应的至少一个可见图像中的一个或多个遮挡特征的手动指示。

根据示例，用于生成多个已修改红外图像的图像处理算法与用于修改监测红外图像的图像处理算法相同。

根据示例，多个训练红外图像包括开关设备的图像数据。

根据示例，多个训练红外图像包括开关设备的图像数据。

根据示例，监测红外图像包括至少一个断路器的图像数据。

根据示例，机器学习分类器算法是神经网络。

根据示例，神经网络是卷积神经网络。

根据示例，处理单元被配置为更新机器学习分类器算法的训练，包括监测红外图像的使用。

根据示例，处理单元被配置为更新机器学习分类器算法的训练，包括已修改监测红外图像的使用。

根据示例，训练更新包括关于监测红外图像不包括异常热点的手动指示或关于监测红外图像包括一个或多个异常热点的手动指示。

根据示例，训练更新包括关于已修改监测红外图像不包括异常热点的手动指示或关于已修改监测红外图像包括一个或多个异常热点的手动指示。

根据示例，关于监测红外图像包括一个或多个异常热点的手动指示包括在一个或多个异常热点的监测红外图像中的一个或多个位置的手动指示。

根据示例，关于已修改监测红外图像包括一个或多个异常热点的手动指示包括在一个或多个异常热点的已修改监测红外图像中的一个或多个位置的手动指示。

如上所述，该装置可以是具有相机的系统的一部分，该相机获取监测红外图像并且通过输入单元将其提供给处理单元。

参考开关设备中的断路器更详细地解释该装置和系统，但这只是示例，该装置和系统可以用于开关设备的其他部分和很多其他类型的电气设备，其中可能出现热点并且有问题。

因此，设置场景很方便。目前，人们对使用红外数据评估断路器的健康情况有着浓厚的兴趣，其中热点指示存在问题，并且这些热点很容易被人类标识和解释。目前，在公用事业中，温度变化的测量是设备和组件的结构健康情况的最常见的测量指标之一。腐蚀的连接、错误的触点、损坏的组件等都可能导致热点。一种常见的做法是使用红外相机捕获热变化图像并手动分析它们以找到热点，然后执行维护操作。然而，例如，覆盖母线的附加元件可能会掩盖通过红外相机检测热点来捕获原始热变化的过程。然而，以这种方式使用熟练的技术人员和工程师是非常昂贵的。这里，使用机器学习算法来实现这一目标，而无需人工干预。然而，机器学习算法需要大量相关数据的训练数据集，而这提供起来既困难又昂贵，并且当存在遮挡元素时，训练集数据本身无法获取。这里描述的装置和系统解决了这种情况。

因此，所描述的装置和系统提供了一种从整体上分析红外图像的方法，并且可以考虑图像中的遮挡元素，否则这些元素会导致红外信号减少和数据中的“噪声”，这否则会导致机器学习模型错误地对情况进行分类。为此，使用机器学习算法(例如，卷积神经网络)。该网络使用已修改红外数据被训练，其中人类已经指出图像中可能出现的遮挡元素，并且通过使用去噪算法减轻这些遮挡元素的影响。

用于去除开关设备、断路器和其他电气系统的红外图像中的遮挡元素的影响的去噪算法如图1所示。它的运行方式与去噪自动编码器方法类似，例如，可以去除水印，如“草稿”或覆盖图像的其他水印。图1示出了图像表示和下面的相关线条图。

因此，可以通过在组件中创建的热点来检测电气系统中的组件(诸如断路器)的结构健康情况。聚焦于这样的组件的红外相机捕获热变化以检测热点。使用神经网络分类器算法来自动化这个过程需要使用正确标记的图像对其进行训练，并且需要大量有问题和没有问题的这样的训练图像来自动检测这样的热点。断路器有若干变体，并且内部结构大不相同，因此使用诸如机器学习等数据驱动方法将具有挑战性，因为相关图像的数量并不多，并且获取这样的图像需要长时间等待为各种断路器获取它们，例如在出现热点时。目前的做法是，由领域专家不时对热图像进行手动检查，以检测组件中的任何损坏，并且如果经过的监测时段足够长以具有同时发生的损坏，则可能是有害的。

然而，上述情况更加复杂，因为遮挡元素可能位于待监测的表面(诸如关节)与红外传感器之间。这样的遮挡元素可以例如是关节上的帽，如图1所示。为实现该目标，提供了以下元件：

标签模块：该元件向专家呈现红外图像和普通图像，并且包含标记元素的功能，这些元素是潜在的遮挡部分，可能会在红外图像中产生噪声数据。

去噪模块：该元件基于由前一模块提供的标签来提取特征并且去除“噪声”以生成干净的红外图像数据。

分类模型生成器：该元件获取由前一模块“去噪模块”生成的去噪图像，并且被训练以为断路器(或其他电气设备)生成机器学习分类模型。这个预训练模型然后可以标识结构损坏。与断路器变体相对应的机器学习模型可以通过对在现场生成的红外图像进行分类来检测断路器是否正在遭受任何结构损坏并且提供技术结果。

因此，总而言之，该装置和系统能够：

1.用于热点标记模板：该装置/系统包含使得领域专家能够标记可能具有热点并且提供噪声的组件的特征。

2.去噪器：该装置/系统提取表示遮挡元素的特征，并且使用去噪自动编码器自动生成干净红外图像。

3.预训练模型生成：该装置/系统基于断路器的综合生成的红外图像来生成相应预训练模型，以自动分类作为带有红外相机的实时系统的输入的图像以检测热点。这里，综合生成是指已经被修改以去除图像中的遮挡效果的红外图像。