[发明专利]基于深度学习技术的变电站接地线状态检测系统及方法

权利要求书

1.一种基于深度学习技术的变电站接地线状态检测系统，其特征是：该系统以深度学习技术为基础的视频识别技术来实现变电站接地线的状态检测，整个系统由工作层、传输层和处理层构成；

工作层包括若干摄像头、视频监控系统、智能接地线装置；摄像头用于实时监视接地线动作情况视频监控系统用于接收摄像头获取的动作情况实时视频数据；智能接地线装置用于识别地线柜内置芯片和地线桩内置芯片编码数据获取状态信息和位置信息；

传输层包括交换机和防火墙，交换机用于摄像头获取的实时视频数据的传输和智能接地线装置获取的芯片编码数据的传输，防火墙用于保证系统安全；

处理层包括服务器，用于处理实时视频数据和芯片编码数据，根据视频数据识别接地线状态信息和位置信息，并与芯片编码数据的状态信息和位置信息共同进行防误逻辑校验及发出告警信息。

2.根据权利要求1所述的基于深度学习技术的变电站接地线状态检测系统，其特征是：所述服务器安装有安全操作系统，系统内由数据存储、基础类库、接地线状态监测模块三个部分构成；接地线状态监测模块搭建在深度学习框架的基础上，包括模型文件、特征提取、特征验证、防误校验、告警输出这五个子模块。

3.一种如权利要求1所述的系统的基于深度学习技术的变电站接地线状态检测方法，其特征是：步骤是：

步骤1摄像头实时采集

布置在变电站内的摄像头实时收集接地线相关的视频数据，视频数据包括接地线的动作情况的整个过程，并将这些视频数据上传到视频监控系统，为后续的特征提取和特征验证提供数据来源；

步骤2接地线装置获取状态信息和位置信息

智能接地线装置通过读取地线柜和接地桩内置的RFID芯片编码数据，将这些芯片编码数据以二进制的形式上报到服务器，提供通过智能接地线采集到的位置和状态信息；

步骤3特征提取

视频监控系统获取的实时视频数据，通过传输层上报到处理层的服务器；将实时视频数据的图片数据输入神经网络，将输入数据在神经网络中逐层传递进行特征提取，产生输出数据，经过反复训练得到的模型文件；

步骤4特征验证

使用模型文件对输入神经网络的图片进行预测；

步骤5汇总变化或动作

将上一步提取的特征验证结果与智能接地线采集到的接地线状态和位置信息汇总后，传输到防误逻辑校验模块中；

步骤6在防误逻辑校验模块，将来源于特征验证结果的接地线的上端挂接状态和来源于智能接地线装置的下端挂接状态，带入到防误逻辑库；通过与或非逻辑运算得出是否符合防误逻辑，若符合防误逻辑则不做出任何干预；若不符合防误逻辑则禁止继续操作，通知告警输出模块，将告警信息以声音和文字的方式发出警告信息通知给用户；同时，获取到的接地线动作情况，实时展示在用户工作站上，提示接地线动作的时间和位置信息，并支持回放接地线动作时的视频文件；所有接地线告警信息记录到数据库，便于事后追溯。

4.根据权利要求3所述的系统的基于深度学习技术的变电站接地线状态检测方法，其特征是：

反复训练得到的模型文件具体过程如下：

1)数据预处理

对每一帧图像进行标注；

2)正向传播

将图片数据输入神经网络，将输入数据在神经网络中逐层传递进行特征提取，产生输出数据；

3)计算损失

将输出数据输入损失函数，进行正则化惩罚，防止过拟合，与期望值比较得到损失值，通过损失值判断识别程度，损失值越小越好；

4)反向传播

利用损失反向求导算出每一个参数的梯度，来确定梯度向量；

5)更新权重

最后通过梯度向量来调整每一个权值，向输出数据与期望值比较得到的误差趋于0或收敛的趋势调节；

6)得到模型文件

重复上述步骤1)-步骤6)过程直到设定次数或损失误差的平均值不再下降，此时训练完成。