[发明专利]一种基于深度学习的电力设备缺陷检测识别方法

说明书

本发明涉及一种基于深度学习的电力设备缺陷检测识别方法，其包括对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；对数据集进行数据增强以增加样本丰富度；基于Mobilenet‑SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。本发明在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为变电站设备油液渗漏的机器人巡检提供了新的思路和方法，对边缘计算在变电站运维中的应用具有一定的参考价值。

技术领域

本发明涉及电网故障识别诊断技术领域，具体是一种基于深度学习的电力设备缺陷检测识别方法。

背景技术

目前，国内外对变电站充油设备的渗油和漏油尚未有明确规定。一般地，认为有油迹的为渗油，有油珠下滴的为漏油。变电站充油设备产生油液渗漏的原因很多，其与加工工艺、密封结构设计、环境温湿度、四季温差、材料的材质、设备压力大小、机械振动频率大小等均密切相关。当设备生产、运输、运行或检修中的某一个环节出现问题后，就很有可能引起连锁反应，从而发生油液的渗漏。变电站设备的油液渗漏会导致严重的后果，不仅影响设备的外观，使设备的油位降低，引起低油位告警，严重时还会导致设备绝缘的击穿、短路，甚至起火爆炸。因此对变电站中充油设备进行渗油、漏油的巡检是十分必要的。

当今，智能变电站和无人值守变电站正成为变电站的主要推广和发展模式，因此随着机器人及其相关控制技术的不断发展，机器人代替人工进行变电站巡检成为大势所趋，因此近年来关于机器人在变电站智能巡检中的研究和应用也随之推进。随着现代成像技术的快速发展，图像的质量得到了极大的提高，拍摄的图像和视频已经非常清晰。

传统的检测算法根据变电站设备缺陷特征进行定位需手动选择或设计特征，需要大量人工的先验知识，对特征进行组合或改进，往往需要尝试多种模型，以适用于特定场景下的目标识别任务，电力设备部署环境复杂、设备类别繁多、同种设备类型多样，传统目标识别方法最终选定的特征很可能不具备良好的泛化能力，不能适应多种场景、不同自然条件下的缺陷提取，不利于推广和应用。基于阈值分割方法提取变电站设备缺陷则受背景、光照以及绝缘子材质的影响，难以保证准确率。近年来，基于深度学习的计算机视觉技术不断发展并在多个行业开始应用。与传统的目标识别算法相比，Faster-RCNN、SSD和YOLO等基于深度卷积神经网络的目标识别算法从大量的图像数据中自动学习目标特征，无需人工设计特征提取器。这种端到端的学习策略有效地简化了算法的流程，提升了目标识别算法的效率、准确率以及泛化能力。而针对一般深度卷积神经网络模型复杂，参数过多，无法在嵌入式平台上部署的缺陷，近期针对模型的简化和压缩成为了热门研究方向。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的电力设备缺陷检测识别方法，针对前端计算场景，可以对变电设备缺陷进行快速识别诊断，为基于深度学习的变电站设备油液渗漏检测算法的边缘部署提供了可能。

本发明所采用的技术方案是：

一种基于深度学习的电力设备缺陷检测识别方法，其包括如下步骤：

S1：对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；

S2：对数据集进行数据增强以增加样本丰富度；

S3：基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；

S4：将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。

进一步的，在S1中构建图像数据集时，在变电站中收集设备的油液渗漏图像X张，其中随机选取Y张作为训练集，Z张作为验证集监督训练的流程，A张作为测试集来测试最终训练所得模型的实际效果。

进一步的，X＝Y+Z+A。