[发明专利]基于深度学习的输变电设备紫外放电光斑分割方法及装置

说明书

本发明公开了基于深度学习的输变电设备紫外放电光斑分割方法及装置，包括全卷积神经网络和多尺度特征融合两部分，利用全卷积神经网络模型对紫外图谱中的紫外光斑进行自动提取以及学习光斑的纹理、形状等特征，避免了传统分割模型对于高亮白色背景及分散小光斑无法有效分离的弊端，避免了传统分割算法模型复杂的特征选择过程，通过FCN模型实现了端到端的特征提取的自主化与智能化。在减少人工电力巡检的工作量的同时，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境。该自动分割和诊断方法，极大的减少了误检的情况，使得电气设备异常放电全自动巡检成为可能。

技术领域

本发明涉及输变电设备技术领域，特别涉及基于深度学习的输变电设备紫外放电光斑分割方法及装置。

背景技术

目前，输变电的高压设备的外绝缘如果存在损坏及缺陷，则在运行过程中会持续产生电晕放电现象，电晕放电现象不仅会带来一定的电能损耗，同时还会产生电磁干扰和噪声干扰。随着电力系统的电压等级不断提高，输变电高压设备的电晕放电现象也得到重视与关注。

近年来可以探测到由电晕放电所产生的紫外光的日盲型紫外成像仪开始应用于高压电力设备的放电检测。利用日盲型的紫外成像技术可以实现对放电只检测到放电辐射出的240～280nm波段的紫外光，而屏蔽太阳紫外光的干扰。紫外成像检测技术相比较红外成像、超声波局部放电检测、泄漏电流等检测方式，具备对电晕放电更直观的检测效果，可以在远距离、实时、非接触地快速在安全距离外对带电运行的高压电力设备进行电晕放电状态检测。实际现场的应用表明，日盲型紫外成像仪在现场对高压电力设备进行检测时，由于紫外光散射及固有噪声的存在，在紫外成像仪显示器中会有持续离散的小面积紫外光斑出现，这些噪声小光斑的出现会被计入到紫外成像仪光子技术的区域中，从而会对使用紫外成像仪的巡检人员对放电强度产生误判。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于深度学习的输变电设备紫外放电光斑分割方法及装置，不但减少了人工电力巡检的工作量，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境；而且还极大地减少了误检的情况，使得电气设备异常放电全自动巡检成为可能。

本发明的第一方面，提供基于深度学习的输变电设备紫外放电光斑分割方法，包括以下步骤：

获取输变电设备的紫外图谱；

将所述紫外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；

将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；

将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；

将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对紫外放电主光斑的分割提取。

根据本发明第一方面所述的基于深度学习的输变电设备紫外放电光斑分割方法，所述紫外图谱中所提取的特征包括主光斑的纹理特征和形状特征。

本发明的第二方面，提供基于深度学习的输变电设备紫外放电光斑分割装置，包括以下单元：

紫外图谱获取单元，用于获取输变电设备的紫外图谱；

第一预测特征图输出单元，用于将所述紫外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；