[发明专利]一种基于深度学习模型的变电站设备缺陷识别方法

权利要求书

1.一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，包括如下步骤：

步骤S1：建立缺陷识别库；

步骤S2：构建深度学习模型；

步骤S3：模型训练；

步骤S4：试验验证。

2.根据权利要求1所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述步骤S1中缺陷识别库的建立过程如下：

步骤S11：总结归纳电网长期运行以来各类设备缺陷在不同类型变电站、不同电压等级和不同设备类型上的表现，建立变电站设备缺陷种类族谱；

步骤S12：根据步骤S11建立的变电站设备缺陷种类族谱，通过既往缺陷报告分析、变电站视频截取、现场图像采集和网络爬虫手段获取变电站典型缺陷的图像信息；

步骤S13：对步骤S12获取的图像信息进行预处理，形成缺陷分种类数据集。

3.根据权利要求2所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述步骤S13中预处理的方法包括裁剪、镜像、旋转、缩放、添加噪音、改变色调、阻挡部分和模糊数据增强技术手段。

4.根据权利要求1所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述步骤S2中深度学习模型的构建过程为：在传统神经网络基础上加入卷积层和池化层，降低输入数据处理维度，建立以卷积神经网络为基础的变电站缺陷识别深度学习模型。

5.根据权利要求4所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，降低输入数据处理维度的方法为局部连接、权值共享和池化。

6.根据权利要求4所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，

所述卷积神经网络包输入层、卷积层、池化层和输出层。

7.根据权利要求1所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述步骤S3中模型训练过程如下：

步骤S31：采用变体Adam算法，通过自适应学习率来进行梯度更新，进行模型训练；

步骤S32：使用测试集top(k)的准确率评价模型。

8.根据权利要求7所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述变体Adam算法为梯度下降法的变体Adam算法。

9.根据权利要求1所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述步骤S4中试验验证过程为：通过采集新的变电站设备图片，采用AlexNet卷积网络模型，验证数据增强对解决过拟合问题的有效性，发现缺陷和识别缺陷的种类。

10.根据权利要求9所述的一种基于深度学习模型的变电站设备缺陷识别方法，其特征在于，所述AlexNet卷积网络模型采用Google开源的TensorFlow框架实现。