[發(fā)明專利]一種基于深度學(xué)習(xí)的變電站紫外圖像智能巡檢方法及裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202010199529.6
• 申請(qǐng)日: 2020-03-20
• 公開（公告）號(hào): CN111415345B
• 公開（公告）日: 2023-09-12
• 發(fā)明（設(shè)計(jì)）人: 王思遠(yuǎn);馬曉斌;劉衍琦;張靜樂;方媛
• 申請(qǐng)（專利權(quán)）人: 山東文多網(wǎng)絡(luò)科技有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/11;G06T7/136;G06T5/00;G06V10/764;G06V10/774;G06V10/82;G06N3/045;G06N3/0464;G06Q50/06;G06Q10/20
• 代理公司: 北京中濟(jì)緯天專利代理有限公司 11429
• 代理人: 馬國(guó)冉

1.一種基于深度學(xué)習(xí)的變電站紫外圖像智能巡檢方法，其特征在于，所述方法包括數(shù)字圖像分類、光斑圖像分類、部件目標(biāo)檢測(cè)方法，具體包括如下步驟：

S1、制定分類標(biāo)簽、部件標(biāo)簽、故障判斷標(biāo)準(zhǔn)；所述故障判斷標(biāo)準(zhǔn)為當(dāng)紫外圖像的光子數(shù)≥300，增益數(shù)≥60，存在光斑，即視為故障；

S2、進(jìn)行圖像級(jí)數(shù)據(jù)輸入，獲取紫外圖像數(shù)據(jù)集D；

S3、對(duì)所述紫外圖像數(shù)據(jù)集D進(jìn)行標(biāo)注，包括數(shù)字、有無(wú)光斑的分類標(biāo)簽的標(biāo)注，部件標(biāo)簽的標(biāo)注；

S4、利用圖像分割技術(shù)及圖像區(qū)域分布技術(shù)進(jìn)行數(shù)字區(qū)域分割、目標(biāo)部件區(qū)域分割，得到0～9的數(shù)字?jǐn)?shù)據(jù)集D1、目標(biāo)部件區(qū)域的有無(wú)光斑數(shù)據(jù)集D2；

S5、利用AlexNet對(duì)所述數(shù)據(jù)集D1進(jìn)行分類訓(xùn)練，得到數(shù)字識(shí)別模型A；

S6、利用AlexNet對(duì)所述數(shù)據(jù)集D2進(jìn)行分類訓(xùn)練，得到光斑識(shí)別模型B；

S7、利用YOLOV3對(duì)所述數(shù)據(jù)集D進(jìn)行目標(biāo)檢測(cè)訓(xùn)練，得到部件檢測(cè)模型C；

S8、對(duì)所述數(shù)字識(shí)別模型A、光斑識(shí)別模型B、部件檢測(cè)模型C進(jìn)行優(yōu)化迭代獲得優(yōu)化后的數(shù)字識(shí)別模型An、光斑識(shí)別模型Bn、部件檢測(cè)模型Cn；所述優(yōu)化后的數(shù)字識(shí)別模型An、光斑識(shí)別模型Bn、部件檢測(cè)模型Cn中的n代表優(yōu)化迭代的次數(shù)，且n≥1；所述優(yōu)化迭代的具體過程為：

S81、選取不包含在S2所述紫外圖像數(shù)據(jù)集D的紫外圖片，從中提取數(shù)字區(qū)域圖片上傳至所述數(shù)字識(shí)別模型A、提取目標(biāo)部件區(qū)域圖像上傳至所述光斑識(shí)別模型B、原圖上傳至所述部件檢測(cè)模型C；

S82、對(duì)S81的識(shí)別結(jié)果進(jìn)行人工篩選核查，將不正確的圖片按步驟S3中的方法進(jìn)行標(biāo)注，得到圖片集X；

S83、將所述圖片集X按照所述步驟S3、S4的操作過程獲得新的訓(xùn)練集，再次進(jìn)行模型訓(xùn)練，并更新得到數(shù)字識(shí)別模型A1、光斑識(shí)別模型B1、部件檢測(cè)模型C1；

S84、重復(fù)所述步驟S81-S83，即重復(fù)優(yōu)化過程，最終獲得數(shù)字識(shí)別模型An、光斑識(shí)別模型Bn、部件檢測(cè)模型Cn；

S9、獲取新的紫外圖片，并從中提取數(shù)字區(qū)域圖片上傳至所述優(yōu)化后的數(shù)字識(shí)別模型An、提取目標(biāo)部件區(qū)域圖像上傳至所述優(yōu)化后的光斑識(shí)別模型Bn、原圖上傳至所述優(yōu)化后的部件檢測(cè)模型Cn；

S10、所述優(yōu)化后的數(shù)字識(shí)別模型An識(shí)別光子數(shù)、增益數(shù)，所述優(yōu)化后的光斑識(shí)別模型Bn識(shí)別是否存在光斑，所述優(yōu)化后的部件檢測(cè)模型Cn識(shí)別部件；

S11、對(duì)S10輸出的結(jié)果進(jìn)行故障判斷，并對(duì)放電故障進(jìn)行人工審核；

S12、對(duì)審核通過的放電圖像進(jìn)行參數(shù)化輸出并預(yù)警。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的變電站紫外圖像智能巡檢方法，其特征在于：步驟S2中所述圖像級(jí)數(shù)據(jù)輸入的對(duì)象為紫外儀器拍攝的變電站紫外圖片，該圖片由數(shù)字區(qū)域、目標(biāo)部件區(qū)域構(gòu)成，且所述圖片大小及區(qū)域分布保持固定。

3.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的變電站紫外圖像智能巡檢方法，其特征在于：步驟S4中所述圖像分割技術(shù)及圖像區(qū)域分布技術(shù)是指利用顏色空間轉(zhuǎn)換，通過通道提取與閾值分割，進(jìn)行圖層分割，結(jié)合紫外圖像的區(qū)域分布將輸入的紫外圖像分割為數(shù)字區(qū)域、目標(biāo)部件區(qū)域。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的變電站紫外圖像智能巡檢方法，其特征在于：所述數(shù)字區(qū)域包括光子數(shù)字區(qū)域、增益數(shù)字區(qū)域。

5.根據(jù)權(quán)利要求1所述一種基于深度學(xué)習(xí)的變電站紫外圖像智能巡檢方法應(yīng)用于對(duì)變電站紫外圖像的智能巡檢。