[发明专利]电网设备异常的检测方法和装置

说明书

本发明公开了一种电网设备异常的检测方法和装置，所述方法包括：利用特征提取网络对待检测的电网设备图像进行特征提取，将所述特征提取网络输出的若干不同尺寸的特征图像分别输入到物体检测器中的各锚点生成层；所述物体检测器中的每个锚点生成层对输入的特征图像根据预设的宽高尺寸进行图像截取，由所述物体检测器中的检测头对于每个截取的图像进行设备异常区域的概率值计算；所述检测头将计算的概率值从高到低进行排序，将概率值排序前N的图像作为检测出的电网设备异常的区域的图像。应用本发明能够直接定位电网设备图像中的异常区域。

技术领域

本发明涉及电网设备异常检测技术领域，特别是指一种电网设备异常的检测方法和装置。

背景技术

随着图像处理技术的发展，为了满足电力运行现场安全监控的要求，减少人身事故，采用图像智能处理方法进行变电站设备等电网设备的异常检测越来越具有高可行性。随着智能巡检设备不断普及发展，在各电力单位广泛使用下，设备异常图像数据不断增多，海量巡检数据靠人工检索分析或传统图像处理设置阈值等方法，效率低下、智能化程度低，不能实时自动监测电力设备并准确识别定位故障设备类别与异常区域。

传统的图像处理特征分析算法如 SIFT、ORB、HOG等较难提取复杂图像中电网设备特征与不规则异常区域特征，传统方法也一直存在着图像配准效果差，异常捕捉率低等诸多技术问题。近年来采用深度学习算法，在安防监控场景取得了很多诸多进展，所以利用新的深度学习技术在电网设备的异常诊断、在线监测和变电站维护等领域具有广泛应用价值。

现有的电网设备的异常检测方法中，一种基于图像对比的方法是利用传统图像配准算法对两个图像分别进行区域分割，将差异度与设定阈值进行比较，判断当前拍摄图像是否为异常图像；但该方法无法定位图像中的异常区域。

现有的另一个方法是基于深度学习的设备异常识别方法，是利用图像分类技术，对数据进行分类器模型训练，最后利用训练好的模型直接进行分类；但此方法也无法直接输出图像中的异常区域。

发明内容

有鉴于此，本发明的目的在于提出一种电网设备异常的检测方法和装置，能够直接定位电网设备图像中的异常区域。

基于上述目的，本发明提供一种电网设备异常的检测方法，包括：

利用特征提取网络对待检测的电网设备图像进行特征提取，将所述特征提取网络输出的若干不同尺寸的特征图像分别输入到物体检测器中的各锚点生成层；

所述物体检测器中的每个锚点生成层对输入的特征图像根据预设的宽高尺寸进行图像截取，由所述物体检测器中的检测头对于每个截取的图像进行设备异常区域的概率值计算；

所述检测头将计算的概率值从高到低进行排序，将概率值排序前N的图像作为检测出的电网设备异常的区域的图像；

其中，由所述特征提取网络和所述物体检测器构成的异常区域检测模型是预先根据标注出真实异常区域的电网设备图像训练得到的。

其中，所述由所述特征提取网络和所述物体检测器构成的异常区域检测模型是预先根据如下方法训练得到：

基于图像网络ImageNet大规模数据样本采用迁移学习方法，对所述特征提取网络进行训练；

对所述特征提取网络的浅层卷积参数进行固定后，利用训练数据集训练所述异常区域检测模型中的物体检测器，并微调所述特征提取网络的高层卷积参数；

其中，所述训练数据集是在真实的电网设备的监控场景获取大量电网设备图像，并针对获取的电网设备图像标注出异常区域后生成的。

进一步，所述异常区域检测模型中还包括：细粒度分类网络；以及

在所述将概率值排序前N的图像作为检测出的电网设备异常的区域的图像后，还包括：