[发明专利]局部放电检测方法、装置、系统、设备及可读存储介质

权利要求书

1.一种局部放电检测方法，其特征在于，所述方法包括：

获取待检测区域图像；

通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

根据所述去噪图像，判断待检测区域是否存在局部放电；

若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。

2.根据权利要求1所述的方法，其特征在于，所述加速区域卷积神经网络模型至少包括卷积层、池化层、风险优先数网络、全连接层，所述根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度，包括：

利用所述卷积层和所述池化层提取所述去噪图像的特征图；

根据所述特征图，通过区域建议网络生成建议区域；

通过所述池化层将所述建议区域和所述特征图结合，提取建议特征图；

通过所述全连接层对所述建议特征图进行评估，得到所述待检测区域局部放电的严重程度，并使用边界框回归，得到所述待检测区域局部放电的放电区域。

3.根据权利要求1所述的方法，其特征在于，所述方法还包括：

构建预设加速区域卷积神经网络模型；

对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型。

4.根据权利要求3所述的方法，其特征在于，所述对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型，包括：

获取多种已知放电区域和严重程度的局部放电图像，并标记，得到多个局部放电图像样本；

将所述多个局部放电图像样本输入所述预设加速区域卷积神经网络模型，对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型。

5.根据权利要求1所述的方法，其特征在于，所述上下文聚合网络模型至少包括输入层、多个特征层和输出层。

6.根据权利要求1所述的方法，其特征在于，所述方法还包括：

建立预设上下文聚合网络模型；

对所述预设上下文聚合网络模型进行训练，得到所述上下聚合网络模型。

7.根据权利要求6所述的方法，其特征在于，所述对所述预设上下文聚合网络模型进行训练，得到所述上下聚合网络模型，包括：

获取样本图像集和所述样本图像集对应的双边滤波图像集；

将所述样本图像集和所述双边滤波图像集输入所述预设上下文聚合网络模型，学习所述样本图像集和所述双边滤波图像之间的特征关系，得到所述上下聚合网络模型。

8.根据权利要求1所述的方法，其特征在于，所述方法还包括：

若所述待检测区域存在局部放电，输出报警信息。

9.根据权利要求1所述的方法，其特征在于，所述根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度之后，所述方法还包括：

根据所述待检测区域局部放电的放电区域及严重程度，对所述去噪图像进行标记，得到检测图像样本。

10.根据权利要求9所述的方法，其特征在于，所述方法还包括：

将检测图像样本输入所述加速区域卷积神经网络模型，对所述加速区域卷积神经网络模型进行优化。

11.一种局部放电检测装置，其特征在于，包括：

图像获取模块，用于获取待检测区域图像；

去噪模块，用于通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

局部放电判断模块，用于根据所述去噪图像，判断待检测区域是否存在局部放电；

结果识别模块，用于若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。