[发明专利]一种变电设备接头发热的自动识别方法

说明书

为了解决现有技术中对导电接头等小部件识别的准确性和鲁棒性较低的问题，本发明提供一种变电设备接头发热的自动识别方法，首先采用已标注的变电设备图像，对深度学习目标分割模型Mask R‑CNN和机器学习模型支持向量机进行训练；然后用训练好的模型对待识别的变电设备图像进行导电接头的定位；最后根据相关的缺陷定级标准对导电接头区域进行发热缺陷的判定，并输出接头发热识别结果。本发明方法可以实现变电设备图像中导电接头部位的准确识别和分割，并进行接头发热缺陷的自动判断。相比于同类的目标识别与分割方法，提高了变电设备接头的定位精度，以及接头发热缺陷的识别准确率。

技术领域

本发明涉及变电设备图像识别技术领域，特别涉及一种变电设备接头发热的自动识别方法。

背景技术

相关研究表明，50％以上的电力设备故障都和接触不良、连接松动、漏磁等原因造成的电力部件发热相关。在大量电力设备集中运行的变电站中，各类变电设备的导电接头是承载负荷电流的重要部位，也是容易产生过热缺陷隐患的关键部位。对变电设备的导电接头发热缺陷进行及时监测与识别，是防止接头发生进一步熔焊、烧毁乃至引发更严重电力事故的关键，对保障电力系统的安全稳定运行具有重要的意义。然而，由于目前计算机视觉技术在变电设备图像识别中的应用仍不够深入，大量变电设备图像中的导电接头发热缺陷仍要依靠人工通过肉眼进行的观察和判断，不仅严重降低了缺陷识别的效率，而且影响了缺陷识别的准确性和稳定性。因此，采用计算机视觉技术，尤其是深度学习等人工智能技术代替肉眼进行导电接头位置和缺陷的自动识别，是提升变电设备导电接头发热识别效率和准确率的重要手段。

变电设备接头发热自动识别的关键在于准确识别和分割出变电设备图像中接头的位置。对于变电设备图像中部件目标的分割与识别问题，有研究人员基于分水岭模型和Krawtchouk不变矩设计了一种变电站巡检图像的目标分割与设备识别算法，能有效避免物体遮挡、仿射变换等因素的影响；有研究人员提出了一种基于密度相似因子的电力红外图像分割方法，改善了传统图像分割方法对红外图像中电力设备提取的准确性，并以绝缘子红外图像为例进行了实验验证；有研究人员在关注分割区域连通性的前提下，采用改进的分水岭分割算法对储油柜红外图像的多尺度形态梯度图进行处理，实现储油柜图像中的油位区域分割和自动监测；有研究人员构建了基于形状先验信息的计算机视觉模型，对变电站断路器的字符状态进行识别，提高了对于目标局部遮挡、局部变形和尺度变化的抗干扰能力。

总体而言，这些研究大多采用传统的图像处理方法进行图像特征提取，对于深度学习等前沿的计算机视觉算法应用较少，因而影响了模型对于变电设备部件识别，尤其是导电接头等小部件识别的准确性和鲁棒性。

发明内容

为了解决现有技术中对导电接头等小部件识别的准确性和鲁棒性较低的问题，本发明提供一种变电设备接头发热的自动识别方法。本发明方法可以实现变电设备图像中导电接头部位的准确识别和分割，并进行接头发热缺陷的自动判断。相比于同类的目标识别与分割方法，提高了变电设备接头的定位精度，以及接头发热缺陷的识别准确率。

本发明为了解决上述技术体所采用的技术方案是：包括以下步骤：

S1.收集变电站设备图像，并建立变电设备接头发热缺陷定级标准表；

S2.用不规则轮廓标注出S1步骤中所述的变电设备图像中的导电接头的所在区域，轮廓外的像素为背景像素；同时，根据所标注的不规则轮廓，生成该轮廓的外接矩形，形成训练图像；

其中，上述轮廓内包含的像素为Mask R-CNN模型的目标分割输出标签；生成的外接矩形，作为Mask R-CNN模型的目标检测输出标签；

S3.通过图像裁剪和/或图像翻转和/或图像色彩扰动对S2步骤中的训练图像进行扩展，得到扩展后的训练图像；