[發明專利]一種變壓器漏油識別方法和系統

有效

• 申請號: 202210526335.1
• 申請日: 2022-05-16
• 公開（公告）號: CN114757938B
• 公開（公告）日: 2023-09-15
• 發明（設計）人: 李旭旭;劉小江;何偉;楊曉梅;肖云;張垚;張文海;胡循勇;肖先勇
• 申請（專利權）人: 國網四川省電力公司電力科學研究院;四川大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/26;G06V10/82;G06V10/80;G06N3/0455;G06N3/0464;G06N3/08;G06T7/00
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 楊浩林

1.一種變壓器漏油識別方法，其特征在于，包括以下步驟：

S1、獲取變壓器漏油圖像；

S2、構建基于融合注意力機制的殘差U-Net深度學習網絡模型，并進行模型訓練；其中構建的基于融合注意力機制的殘差U-Net深度學習網絡模型包括：

編碼器、解碼器和在每一層編碼器與解碼器之間融合注意力機制的跳躍連接；

所述編碼器包括多層結構相同的殘差網絡模塊，相鄰的兩個殘差網絡模塊的輸入特征和輸出特征之間通過最大池化層連接，且輸出特征與輸出特征之間通過殘差連接；

所述解碼器包括多層結構相同的卷積模塊，相鄰的兩個卷積模塊的輸入特征和輸出特征之間通過上采樣操作連接；

其中同一層的殘差網絡模塊與卷積模塊之間通過自注意力機制模塊將殘差網絡模塊輸出的編碼特征與卷積模塊經過上采樣操作后的解碼特征進行融合，得到注意力系數，再通過跳躍連接將殘差網絡模塊輸出的編碼特征與注意力系數進行拼接，得到下一層卷積模塊的輸入特征；

S3、利用訓練后的基于融合注意力機制的殘差U-Net深度學習網絡模型對獲取的變壓器漏油圖像進行識別，得到漏油區域的分割結果。

2.根據權利要求1所述的變壓器漏油識別方法，其特征在于，所述編碼器具體包括：

第一殘差網絡模塊、第二殘差網絡模塊、第三殘差網絡模塊、第四殘差網絡模塊和第五殘差網絡模塊；

所述第一殘差網絡模塊的輸出特征通過最大池化層處理后作為第二殘差網絡模塊的輸入特征，且通過殘差模塊將第一殘差網絡模塊的輸出特征與第二殘差網絡模塊的輸出特征進行連接；

所述第二殘差網絡模塊的輸出特征通過最大池化層處理后作為第三殘差網絡模塊的輸入特征，且通過殘差模塊將第二殘差網絡模塊的輸出特征與第三殘差網絡模塊的輸出特征進行連接；

所述第三殘差網絡模塊的輸出特征通過最大池化層處理后作為第四殘差網絡模塊的輸入特征，且通過殘差模塊將第三殘差網絡模塊的輸出特征與第四殘差網絡模塊的輸出特征進行連接；

所述第四殘差網絡模塊的輸出特征通過最大池化層處理后作為第五殘差網絡模塊的輸入特征，且通過殘差模塊將第四殘差網絡模塊的輸出特征與第五殘差網絡模塊的輸出特征進行連接。

3.根據權利要求1所述的變壓器漏油識別方法，其特征在于，所述解碼器具體包括：

第一卷積模塊、第二卷積模塊、第三卷積模塊和第四卷積模塊；

所述第一卷積模塊通過自注意力機制模塊將第四殘差網絡模塊輸出的編碼特征與第五殘差網絡模塊的解碼特征經過上采樣操作后進行融合，得到注意力系數，再通過跳躍連接將第四殘差網絡模塊輸出的編碼特征與注意力系數進行拼接，得到第二卷積模塊的輸入特征；

所述第二卷積模塊通過自注意力機制模塊將第三殘差網絡模塊輸出的編碼特征與第一卷積模塊的輸出特征經過上采樣操作后進行融合，得到注意力系數，再通過跳躍連接將第三殘差網絡模塊輸出的編碼特征與注意力系數進行拼接，得到第二卷積模塊的輸入特征；

所述第三卷積模塊通過自注意力機制模塊將第二殘差網絡模塊輸出的編碼特征與第二卷積模塊的輸出特征經過上采樣操作后進行融合，得到注意力系數，再通過跳躍連接將第二殘差網絡模塊輸出的編碼特征與注意力系數進行拼接，得到第三卷積模塊的輸入特征；

所述第四卷積模塊通過自注意力機制模塊將第一殘差網絡模塊輸出的編碼特征與第三卷積模塊的輸出特征經過上采樣操作后進行融合，得到注意力系數，再通過跳躍連接將第一殘差網絡模塊輸出的編碼特征與注意力系數進行拼接，得到第四卷積模塊的輸入特征。

4.根據權利要求3所述的變壓器漏油識別方法，其特征在于，所述自注意力機制模塊具體包括：

將編碼特征和上采樣操作后的解碼特征分別進行卷積運算后相加，再通過ReLU激活函數進行激活；然后將融合后的特征再次進行卷積運算后經過Sigmoid激活函數進行激活，得到注意力系數。