[發明專利]一種輸變電線路設備的故障數據庫半自動化建立方法

在審

• 申請號: 201910315522.3
• 申請日: 2019-04-19
• 公開（公告）號: CN110059076A
• 公開（公告）日: 2019-07-26
• 發明（設計）人: 楊罡;蘆竹茂;楊虹;郝麗花;孟曉凱;張興忠
• 申請（專利權）人: 國網山西省電力公司電力科學研究院;山西鴻順通科技有限公司
• 主分類號: G06F16/21
• 分類號: G06F16/21;G06F16/215;G06N3/04;G06N3/08;G06Q10/00;G06Q50/06
• 代理公司: 北京八月瓜知識產權代理有限公司 11543
• 代理人: 馬東瑞

本發明公開了一種輸變電線路設備的故障數據庫半自動化建立方法，包括以下步驟：采集數據：先利用數據采集裝置采集輸變電線路設備的相關數據，并且對數據進行篩選，建立未分類的數據庫。本發明所述的一種輸變電線路設備的故障數據庫半自動化建立方法，首先解決了輸變電線路設備及故障數據庫的自動分類、檢測和存儲問題，完成輸變電線路設備及故障數據庫半自動化建立工作，其次將模型訓練?智能分類?智能測試?模型優化等工作一體化，形成完整閉環，構造出一個可自主優化的數據庫系統，最后可以快速、高效的建立適用于深度學習的輸變電線路關鍵設備及故障數據集，解決了數據集構造難的問題，帶來更好的使用前景。

技術領域

本發明涉及電力系統和計算機視覺領域，特別涉及一種輸變電線路設備的故障數據庫半自動化建立方法。

背景技術

輸變電線路作為電力行業的重要基礎設施，是電網的重要組成部分，輸電線路關鍵部件主要包括絕緣子、金具及桿塔等，若部件出現問題，則會危及整個電網運行的穩定性，深度學習自2006年以來，在某種程度上可以說是引領了一場大數據時代下的科技革命，2012年，更是在圖像識別與目標檢測中取得了非常好的效果，目前，深度學習在人臉識別、特定種類的目標檢測上，大大優于傳統方法，識別效果非常好，但在具體工程應用：例如輸變電線路設備及故障檢測上，識別效果就相差甚遠。

其根本原因在于，缺乏輸變電線路關鍵設備及故障數據集，目前，國際公開的PASCAL VOC、ImageNet、MS-COCO、Open Images Dataset、Sun等數據集中，沒有公開的輸變電線路關鍵設備及故障數據集，這一問題給該領域的研究造成了極大的困難，而在制作數據集過程中，還存在以下兩點問題：

1.人工分類數據，耗時耗力，數據采集后，數據格式，一般為照片或視頻，采集過程中無法保證拍攝內容的高質量，需要人工進行初步質量篩選，其次，數據采集內容為多個部件，而人工在對單目標部件尋找故障時，需要先對所有數據進行人工分類，再針對特定目標部件進行故障尋找工作，整個過程消耗大量人力、物力和財力，嚴重拖延了工作進度；

2.標記工作量大，針對單個部件或故障數據集，沒有一個完備的數據分析方法，導致數據集中存在大量對模型影響小的數據，從而使得需要標記的圖片數量大，加大了標記工作的工作量，延長數據集準備時間，浪費大量人力；

3.針對模型優化工作，還存在模型測試結果利用難的問題，模型優化工作，是深度學習目標檢測的根本，從模型測試結果入手，分析未檢測到的圖像，以模型和數據集重構兩個方向進一步推進，才能完成模型優化工作，而在數據集重構過程中，需要分析得到未檢測到的圖像特征，從所有數據集中重新尋找數據，預處理后，按比例重構數據集，從而優化模型，此過程，需要深入分析圖像特征，并且重復數據尋找和標記工作，給模型優化工作加大了難度。

因此，發明一種基于深度學習的輸變電線路設備及故障數據庫半自動化建立方法，具有非常重要的實用價值，對輸變電線路故障巡檢工作智能化的提升有重要意義。

發明內容

本發明的主要目的在于提供一種輸變電線路設備的故障數據庫半自動化建立方法，可以有效解決背景技術中的問題。

為實現上述目的，本發明采取的技術方案為：

一種輸變電線路設備的故障數據庫半自動化建立方法，包括以下步驟：

(1)、采集數據：先利用數據采集裝置采集輸變電線路設備的相關數據，并且對數據進行篩選，建立未分類的數據庫；

(2)、數據分析：分析獲取目標部件的特征信息，挑選出特征信息明顯且圖片質量高的部分數據，進行目標部件標注工作，標注文件與圖片名一一對應；

(3)、數據分類：基于深度學習目標檢測原理，將標注好的數據集，按照8:2的比例，隨機分為訓練集和測試集，進行模型訓練工作；