[發明專利]一種牽引變電所內隔離開關狀態識別方法

有效

• 申請號: 202011237345.0
• 申請日: 2020-11-09
• 公開（公告）號: CN112329863B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 權偉;盧學民;馮寬;向夢;陳錦雄
• 申請（專利權）人: 西南交通大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06V10/774;G06V10/26;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 葛啟函

1.一種牽引變電所內隔離開關狀態識別方法，包括如下步驟：

步驟一、獲取與制作隔離開關數據集

隔離開關數據集的獲取:首先，將牽引變電所內桿塔搭載的監控攝像頭拍攝的圖像構成圖像庫，共10000張，圖像尺寸大小為1920×1080×3像素，對這些源圖像進行尺度歸一化處理，處理后的圖像統一為256×256×3像素大小；然后是隔離開關數據集的制作，制作分為兩個部分，其一是隔離開關真實標簽分割圖的標注任務，使用LabelMe標注出圖像中的隔離開關區域，得到隔離開關的真實標簽分割圖；另一個是隔離開關狀態標注任務，對所有圖像分別標注為“開”、“半開”、“閉”三種狀態，所有圖像及其標注結果共同構成隔離開關數據集；

步驟二、多任務學習網絡構建

該多任務學習網絡由第一階段的隔離開關分割網絡與第二階段的隔離開關狀態識別網絡構成，其中，隔離開關分割網絡實現隔離開關的精確分割，隔離開關狀態識別網絡實現隔離開關的狀態識別；

第一階段的隔離開關分割網絡包含輸入層、編碼層、解碼層、特征融合模塊和輸出層，將輸入圖像和256×256×3像素的隔離開關真實標簽分割圖同時輸入隔離開關分割網絡，構成輸入層，其中，輸入圖像為256×256×3像素的三維矩陣；編碼層一共分為五層，除了第五層只有一個卷積層外，其余每個編碼層包含一個卷積層和池化層；其中，第一層卷積層和池化層分別輸出包含256×256×64像素、128×128×64像素的兩組特征圖，第二層卷積層和池化層分別輸出包含128×128×128像素、64×64×128像素的兩組特征圖，第三層卷積層和池化層分別輸出包含64×64×256像素、32×32×256像素的兩組特征圖，第四層卷積層和池化層分別輸出包含32×32×512像素、16×16×512像素的兩組特征圖，第五層卷積層輸出16×16×1024像素的特征圖；解碼層也分為五層，除了第十層只有一個卷積層外，其余每個解碼層包含一個卷積層、一個條形池化層和一個反卷積層；其中，第六層的卷積層、條形池化層和反卷積層分別輸出包含16×16×1024像素、16×16×1024像素、32×32×512像素的三組特征圖，第六層反卷積層的輸出結果和第四層卷積層的輸出結果在第三個維度上拼接在一起構成新的特征圖，其維度為32×32×1024像素；第七層卷積層、條形池化層和反卷積層分別輸出32×32×512像素、32×32×512像素、64×64×256像素的三組特征圖，第七層反卷積層的輸出結果和第三層卷積層的輸出結果在第三個維度上拼接在一起構成新的特征圖，其維度為64×64×512像素；第八層卷積層、條形池化層和反卷積層分別輸出64×64×256像素、64×64×256像素、128×128×128像素的三組特征圖，第八層反卷積層的輸出結果和第二層卷積層的輸出結果在第三個維度上拼接在一起構成新的特征圖，其維度為128×128×256像素；第九層卷積層、條形池化層和反卷積層分別輸出128×128×128像素、128×128×128像素、256×256×64像素的三組特征圖，第九層反卷積層的輸出結果和第一層卷積層的輸出結果在第三個維度上拼接在一起構成新的特征圖，其維度為256×256×128像素；第十層卷積層輸出256×256×64像素的特征圖；特征融合模塊一共分為四個步驟，首先，將解碼器得到的256×256×64像素的特征圖輸入通道注意力模塊得到256×256×64像素的新的特征圖，接著經過金字塔池化模塊、條形池化模塊分別得到256×256×64像素、256×256×64像素的特征圖，再將金字塔池化模塊的輸出結果和條形池化模塊的輸出結果在第三個維度上拼接在一起構成新的特征圖，其維度為256×256×128像素；最后經過一層卷積層輸出256×256×3像素的隔離開關分割圖，輸出層直接提取隔離開關分割圖作為輸出；

第二階段的隔離開關識別包含輸入層、特征提取層、全連接層和輸出層；其中輸入層分為三個部分，第一個部分由隔離開關分割網絡中的通過通道注意力模塊得到的256×256×64像素的特征圖和輸出層得到的256×256×3像素的隔離開關分割圖在第三個維度上拼接構成，形成256×256×67像素新的特征圖；第二個部分是256×256×3像素的隔離開關分割圖通過尺寸變換為65536×3像素的特征圖，再分別通過取平均和取最大值操作，得到二個3×1像素的特征圖；第三個部分是隔離開關狀態真實的標簽值；特征提取層一共分為六層，由輸入層的第一個部分作為輸入，前二層分別包含一個最大池化層和一個卷積層，即第一層的最大池化層和卷積層分別輸出128×128×67像素、128×128×8像素的兩組特征圖，第二層最大池化層和卷積層分別輸出64×64×8像素、64×64×16像素的兩組特征圖，第三層卷積層輸出64×64×32像素的特征圖，第四層為全局上、下文模塊，輸出64×64×32像素的特征圖；第五層為通過尺寸變換得到4096×32像素的特征圖，再分別通過取平均和取最大值操作，輸出得到二個32×1像素的特征圖，第六層將輸入層的第二個部分和第五層輸出的二個特征圖在第一個維度上拼接，得到70×1像素的特征圖；再經過神經元個數為三的全連接層，最后由Softmax函數輸出“開”、“半開”、“閉”三種狀態的得分；輸出層提取其中得分最大的一個狀態作為輸出；

步驟三、多任務學習網絡訓練

多任務學習網絡構建完成后，使用步驟一中的隔離開關數據集對多任務學習網絡進行訓練，訓練采用分階段按順序訓練策略，具體是，先訓練隔離開關分割網絡，再訓練隔離開關狀態識別網絡；訓練方法均采用目前廣泛使用的Adam方法，訓練時隔離開關分割網絡的損失函數設置為n表示隔離開關數據集的數量，y_i代表隔離開關的真實標簽分割圖，代表隔離開關分割網絡輸出的分割圖；隔離開關狀態識別網絡的損失函數設置為k代表隔離開關狀態類別的數量，這里的隔離開關狀態類別一共為三類，分別是“開”、“半開”、“閉”三種狀態狀態，所以k＝3，y_i,k代表隔離開關的真實狀態，p_i,k代表隔離開關狀態識別網絡輸出的隔離開關狀態，訓練完成后，隔離開關分割網絡具備對隔離開關分割的能力，隔離開關狀態識別網絡具備對隔離開關狀態識別的能力；

步驟四、圖像輸入

在實時處理情況下，提取牽引變電所內攝像頭采集并保存在存儲區的原始隔離開關視頻圖像，作為待進行隔離開關狀態識別的輸入圖像；在離線處理情況下，將已釆集的隔離開關視頻文件分解為多個幀組成的圖像序列，按照時間順序，逐個提取幀圖像作為輸入圖像，將輸入圖像尺度歸一化為256×256×3像素大小的圖像，如果輸入圖像為空，則整個流程中止；

步驟五、隔離開關分割與狀態識別

使用步驟三訓練得到的多任務學習網絡對步驟四中輸入的隔離開關圖像進行分割和狀態識別，輸入圖像在經過第一階段的隔離開關分割網絡正向處理之后，得到隔離開關的分割圖，然后經過第二階段的隔離開關狀態識別網絡，得到隔離開關狀態結果，當隔離開關的分割圖與真實標簽分割圖的交并比大于0.9且狀態識別正確，跳轉到步驟四，否則，認為當前輸入圖像分割和狀態識別不準確，跳轉到步驟六；

步驟六、多任務學習網絡在線學習

將未分割的隔離開關圖像以及狀態識別不準確的輸入圖像重新人工制作真實標簽分割圖和狀態類別，將輸入圖像及其重新標記的真實標簽分割圖和狀態類別作為在線訓練集，并對多任務學習網絡進行在線學習，然后跳轉到步驟四。