[发明专利]一种基于深度学习的变电站紫外图像智能巡检方法及装置

权利要求书

1.一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于，所述方法包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：

S1、制定分类标签、部件标签、故障判断标准；所述故障判断标准为当紫外图像的光子数≥300，增益数≥60，存在光斑，即视为故障；

S2、进行图像级数据输入，获取紫外图像数据集D；

S3、对所述紫外图像数据集D进行标注，包括数字、有无光斑的分类标签的标注，部件标签的标注；

S4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0～9的数字数据集D1、目标部件区域的有无光斑数据集D2；

S5、利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A；

S6、利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B；

S7、利用YOLOV3对所述数据集D进行目标检测训练，得到部件检测模型C；

S8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn；所述优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn中的n代表优化迭代的次数，且n≥1；所述优化迭代的具体过程为：

S81、选取不包含在S2所述紫外图像数据集D的紫外图片，从中提取数字区域图片上传至所述数字识别模型A、提取目标部件区域图像上传至所述光斑识别模型B、原图上传至所述部件检测模型C；

S82、对S81的识别结果进行人工筛选核查，将不正确的图片按步骤S3中的方法进行标注，得到图片集X；

S83、将所述图片集X按照所述步骤S3、S4的操作过程获得新的训练集，再次进行模型训练，并更新得到数字识别模型A1、光斑识别模型B1、部件检测模型C1；

S84、重复所述步骤S81-S83，即重复优化过程，最终获得数字识别模型An、光斑识别模型Bn、部件检测模型Cn；

S9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；

S10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；

S11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；

S12、对审核通过的放电图像进行参数化输出并预警。

2.根据权利要求1所述的一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于：步骤S2中所述图像级数据输入的对象为紫外仪器拍摄的变电站紫外图片，该图片由数字区域、目标部件区域构成，且所述图片大小及区域分布保持固定。

3.根据权利要求1所述的一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于：步骤S4中所述图像分割技术及图像区域分布技术是指利用颜色空间转换，通过通道提取与阈值分割，进行图层分割，结合紫外图像的区域分布将输入的紫外图像分割为数字区域、目标部件区域。

4.根据权利要求3所述的一种基于深度学习的变电站紫外图像智能巡检方法，其特征在于：所述数字区域包括光子数字区域、增益数字区域。

5.根据权利要求1所述一种基于深度学习的变电站紫外图像智能巡检方法应用于对变电站紫外图像的智能巡检。