[发明专利]一种红外电力设备识别和在线诊断方法及其系统

权利要求书

1.一种基于红外的电力设备识别和在线诊断方法，其特征在于，包括如下步骤：

步骤S1、采集不同类型电力设备的红外图像数据，建立虚拟的具有红外特征的电力设备三维模型，渲染生成虚拟训练数据，生成设备边沿轮廓标注，进行电力设备红外识别深度神经网络模型学习，优化电力设备红外识别深度神经网络模型；所述步骤S1包括：步骤S11、采集电力设备的红外图像数据，以该红外图像数据为基础，建立虚拟的具有红外特征的电力设备三维模型，同时由电力设备三维模型制作虚拟训练数据，并对训练样本进行设备及部件轮廓自动标注，建立红外图像的电力设备分类及轮廓标注数据库，包括对不同设备类型图像样本的标记以及对同类型设备的不同部件的图像样本标记，采用虚拟训练数据学习电力设备识别深度神经网络模型；步骤S12、构建基于深度学习的迁移学习框架，将进行过虚拟训练数据学习的虚拟数据学习模型迁移至实际采集的红外图像数据中训练优化电力设备红外识别深度神经网络模型；步骤S13、基于Mask R-CNN算法对电力设备红外识别深度神经网络模型进行训练调优，构建基于空间分布规则的电力设备及其部件关联识别模型；

步骤S2、基于电力行业带电设备红外诊断应用规范，建立分类电力设备及部件的缺陷规则库；

步骤S3：在移动终端进行红外图像数据电力设备识别，基于缺陷规则库进行在线分析诊断，评估电力设备目前运行状态。

2.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，步骤S2包括：

步骤S21、基于带电设备红外诊断应用规范，研究带电设备红外诊断应用规范的机器表达，建立相应的设备及部件缺陷规则库；

步骤S22、研究基于机器学习对不同电气设备及部件的热场分布进行状态诊断算法。

3.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，步骤S3包括：

步骤S31、在移动终端建立移动深度学习框架，对已训练好的电力设备红外识别深度神经网络模型进行部署；

步骤S32、对获取的红外图像进行电力设备及部件识别，按照边沿轮廓进行标注；

步骤S33、基于缺陷规则库，按设备分类及轮廓进行热场分布进行在线分析诊断，评估电力设备的运行状态。

4.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，在步骤S3内，根据电力设备运行状态评估结果的用户反馈，调整优化电力设备红外识别深度神经网络模型、缺陷规则库，对移动终端进行模型实时更新。

5.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，在步骤S11内，所述红外图像数据包括所有类型的电力设备的红外图像数据及电力设备的各个部件的红外图像数据、边沿轮廓标注数据。

6.根据权利要求1所述的一种基于红外的电力设备识别和在线诊断方法，其特征在于，在步骤S12内，基于移动深度学习框架实现迁移学习，先进行虚拟数据学习电力设备红外识别深度神经网络模型，再迁移至实际数据训练进行实际数据学习训练。