[發明專利]一種基于深度學習的變電站紫外圖像智能巡檢方法及裝置

有效

• 申請號: 202010199529.6
• 申請日: 2020-03-20
• 公開（公告）號: CN111415345B
• 公開（公告）日: 2023-09-12
• 發明（設計）人: 王思遠;馬曉斌;劉衍琦;張靜樂;方媛
• 申請（專利權）人: 山東文多網絡科技有限公司
• 主分類號: G06T7/00
• 分類號: 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: 北京中濟緯天專利代理有限公司 11429
• 代理人: 馬國冉

本發明提供了一種基于深度學習的變電站紫外圖像智能巡檢算法，通過對大規模的紫外圖像數據，利用CNN進行數字分類識別、光斑分類識別，之后利用目標檢測模型進行部件檢測，融合業務知識到故障研判，實現了對放電狀態的自動化研判。本發明的有益效果在于：采用紫外儀器導出的紫外圖片作為輸入，自動進行區域分割和識別，人工只需結果核驗，處理方式簡便，不額外增加工程成本，降低了人工成本，提高了工作效率；將紫外圖像的分析與深度學習技術相結合，建立識別模型的迭代更新機制，有效的保持和提升了模型的性能，進而實現了對變電站設備故障的精準判別；采用參數化輸出，可直接作為輸出參與其他業務流程。

技術領域

本發明屬于變電站智能巡檢技術領域，涉及一種變電站紫外圖像智能巡檢方法及裝置，具體涉及一種基于深度學習的變電站紫外圖像智能巡檢方法及裝置。

背景技術

隨著高新信息技術的快速發展，以及工業自動化、智能化的推動，變電站智能巡檢進入實施應用階段。運用紫外成像儀進行變電站設備部件的放電檢測，可以及時探測電力設備的放電隱患，并在故障發生的早期進行處置，這對于保障變電站的安全運轉具有重要意義。但是，傳統的紫外圖像的分析大多依賴于業務人員的工程經驗，通過人工判斷光子數、增益數以及放電光斑與目標部件的區域重疊程度來進行研判，對潛在的放電故障容易出現漏判、誤判，也難以達到實時分析，存在較多的局限性。所以，為了應對紫外圖像的智能分析需要，通過智能分析技術進行紫外圖像的自動化識別分析，提高變電站的設備巡檢效率勢在必行。

目標檢測是圖像處理的經典應用之一，傳統的目標檢測大多依賴于特征工程和分類決策，對特征選擇具有較大的局限性，難以在復雜的實際場景進行應用。因此，需要開發一種面對復雜的實際場景也具有良好檢測效果的變電站紫外圖像智能巡檢方法及裝置。

發明內容

本發明旨在克服上述技術缺陷，通過對大規模的紫外圖像數據，利用CNN進行數字分類識別、光斑分類識別，之后利用目標檢測模型進行部件檢測，融合業務知識到故障研判，實現放電狀態的自動化研判。最終，為變電站工作人員進行快速巡檢提供更為直觀的參考依據，降低人工成本，提高巡檢效率。

為實現以上目的，本發明提供了一種基于深度學習的變電站紫外圖像智能巡檢方法，該方法包括數字圖像分類、光斑圖像分類、部件目標檢測方法，具體包括如下步驟：

S1、制定分類標簽、部件標簽、故障判斷標準；

S2、進行圖像級數據輸入，獲取紫外圖像數據集D；

S3、對所述紫外圖像數據集D進行標注，包括數字、有無光斑的分類標簽的標注，部件標簽的標注；

S4、利用圖像分割技術及圖像區域分布技術進行數字區域分割、目標部件區域分割，得到0~9的數字數據集D1、目標部件區域的有無光斑數據集D2；

S5、利用AlexNet對所述數據集D1進行分類訓練，得到數字識別模型A；

S6、利用AlexNet對所述數據集D2進行分類訓練，得到光斑識別模型B；

S7、利用YOLO?V3對所述數據集D進行目標檢測訓練，得到部件檢測模型C；

S8、對所述數字識別模型A、光斑識別模型B、部件檢測模型C進行優化迭代獲得優化后的數字識別模型An、光斑識別模型Bn、部件檢測模型Cn；

S9、獲取新的紫外圖片，并從中提取數字區域圖片上傳至所述優化后的數字識別模型An、提取目標部件區域圖像上傳至所述優化后的光斑識別模型Bn、原圖上傳至所述優化后的部件檢測模型Cn；

S10、所述優化后的數字識別模型An識別光子數、增益數，所述優化后的光斑識別模型Bn識別是否存在光斑，所述優化后的部件檢測模型Cn識別部件；

S11、對S10輸出的結果進行故障判斷，并對放電故障進行人工審核；