[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

说明书

本发明提供了一种基于深度学习的变电站紫外图像智能巡检算法，通过对大规模的紫外图像数据，利用CNN进行数字分类识别、光斑分类识别，之后利用目标检测模型进行部件检测，融合业务知识到故障研判，实现了对放电状态的自动化研判。本发明的有益效果在于：采用紫外仪器导出的紫外图片作为输入，自动进行区域分割和识别，人工只需结果核验，处理方式简便，不额外增加工程成本，降低了人工成本，提高了工作效率；将紫外图像的分析与深度学习技术相结合，建立识别模型的迭代更新机制，有效的保持和提升了模型的性能，进而实现了对变电站设备故障的精准判别；采用参数化输出，可直接作为输出参与其他业务流程。

技术领域

本发明属于变电站智能巡检技术领域，涉及一种变电站紫外图像智能巡检方法及装置，具体涉及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。

背景技术

随着高新信息技术的快速发展，以及工业自动化、智能化的推动，变电站智能巡检进入实施应用阶段。运用紫外成像仪进行变电站设备部件的放电检测，可以及时探测电力设备的放电隐患，并在故障发生的早期进行处置，这对于保障变电站的安全运转具有重要意义。但是，传统的紫外图像的分析大多依赖于业务人员的工程经验，通过人工判断光子数、增益数以及放电光斑与目标部件的区域重叠程度来进行研判，对潜在的放电故障容易出现漏判、误判，也难以达到实时分析，存在较多的局限性。所以，为了应对紫外图像的智能分析需要，通过智能分析技术进行紫外图像的自动化识别分析，提高变电站的设备巡检效率势在必行。

目标检测是图像处理的经典应用之一，传统的目标检测大多依赖于特征工程和分类决策，对特征选择具有较大的局限性，难以在复杂的实际场景进行应用。因此，需要开发一种面对复杂的实际场景也具有良好检测效果的变电站紫外图像智能巡检方法及装置。

发明内容

本发明旨在克服上述技术缺陷，通过对大规模的紫外图像数据，利用CNN进行数字分类识别、光斑分类识别，之后利用目标检测模型进行部件检测，融合业务知识到故障研判，实现放电状态的自动化研判。最终，为变电站工作人员进行快速巡检提供更为直观的参考依据，降低人工成本，提高巡检效率。

为实现以上目的，本发明提供了一种基于深度学习的变电站紫外图像智能巡检方法，该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；

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YOLO V3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；

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；