[发明专利]一种变电站电力设备红外图像异常实时检测方法及装置

说明书

本发明公开了变电站电力设备红外图像异常实时检测方法及装置，本发明通过对采集的红外图像或者红外视频采用最新的深度学习与计算机视觉算法进行红外数据的自动分析与异常发热检测将极大的提高红外图像或者红外视频检测的效率与准确度。在携带红外成像仪的变电站巡检机器人、变电站定点监测轨道机器人等上位机控制系统中嵌入此类基于深度学习的智能红外异常发热区域与故障设备类型检测算法，进行实时红外图像或视频检测将进一步提高这些智能设备的智能化程度，做到真正的智能巡检。

技术领域

本发明检测技术领域，具体涉及一种变电站电力设备红外图像异常实时检测方法及装置。

背景技术

电力设备是变电站的基本组成模块，对电力设备状态及时检测或者实时监测，能对这些设备高效率管理，使变电站更加高效、安全、可靠运行，最大可能的防范因设备未及时检修等原因造成的停电，从而极大降低停电事故对社会经济生产生活的影响。变电站中绝大部分电力设备异常发热是由于关键部位接触不良、连接部件松动、过负荷、旧设备接头氧化、泄漏电流等原因造成电力设备的部分区域异常发热。红外热像仪检测具有非接触不停电检测电力设备等优点，在各个电力单位广泛使用，并且随着变电站智能巡检与定点监测等智能设备的应用与普及，红外图像数据不断增多，海量的巡检红外图像数据靠人工进行检索分析，将费时费力效率低下。采用对红外图像像素扫描找温度最高点的方法存在温度变化大，温度阈值难调整，保存的数据量大，不能灵敏监测并识别故障设备等缺陷；传统的图像处理特征分析算法如SIFT、SURF、ORB、HOG等较难提取识别红外图像中不规则形状的发热区域图像特征。

以往的红外检测方法往往需要人工去设置红外温度阈值或者人工观测判别异常发热，费时费力，不能不间断监测。应用传统的图像处理技术对电力设备异常发热识别的方法往往任务单一，识别的准确率还有实用性也是一大问题。

发明内容

针对现有技术的不足，本发明的目的旨在提供一种变电站电力设备红外图像异常实时检测方法，以对电力设备红外图像进行高效检测分析。

为实现上述目的，本发明采用如下技术方案：

一种变电站电力设备红外图像异常实时检测方法，包括

S1、采集若干数目的变电站电力设备红外异常发热图像，每幅红外异常发热图像均对不同的红热异常区域类与故障设备类标注不同标签的目标框，将标注好的红外异常发热图像统一裁剪、预处理，以制作成标准数据集；

S2、加载标准数据集与预训练的模型参数并基于改进的SSD深度卷积网络进行训练，训练过程利用带动量的RMSprop自适应学习率优化算法训练优化模型，并对标准数据集进行批归一化处理，不断地进行分类与定位误差反向传播，以获得训练后的电力设备检测神经网络模型；

S3、采用训练后的电力设备检测神经网络模型对未知待测图像进行处理，获得未知待测红外或视频图像中电力设备异常发热区域的位置和故障设备类别的检测结果。

所述步骤S2包括：

S21、将红外异常发热图像进行一系列卷积处理，得到一系列特征图，提取特定的若干层特征图层；

S22、在提取的特征图的每个特征图单元上生成多个默认框；

S23、将每个标注框与默认框匹配，计算匹配的交叠率,保留大于阈值的默认框为正例，其余为负例；

S24、采用带动量的RMSProp算法以实际预测框的标签为训练对象进行迭代运算训练，使得每个网格内的实际预测框逐渐接近目标框并且分类准确，完成训练，获得训练后的电力设备检测网络模型。

所述步骤S24中的迭代运算训练的具体过程包括定位损失函数和分类损失函数：