[发明专利]一种基于神经网络的电气设备缺陷检测方法及装置

说明书

本发明公开了一种基于神经网络的电气设备缺陷检测方法及装置，采集电气设备缺陷样本图片并做缺陷标注；划分训练集、验证集及测试集；采用基于ResNet50网络框架及FPN金字塔结构的Faster R‑CNN检测算法进行特征提取，并结合交并比的均值及标准差进行自适应样本选择，以搭建缺陷检测网络模型，利用训练集进行目标检测训练，得到初代缺陷检测网络模型；利用验证集测试调整参数优化得到最终模型；利用最终模型对待测的电气设备缺陷测试集图片进行处理。本发明能够实现电气设备缺陷的自动检测识别，具有良好的鲁棒性及较高的准确率，并且稳定性好、抗干扰能力强、通用性高，能够很好地适用于电气设备智能巡检。

技术领域

本发明涉及图像检测技术领域，尤其涉及一种基于神经网络算法的电气设备缺陷检测方法及装置。

背景技术

变电站作为电网的重要组成部分，是承担电能转换和再次分配任务的关键节点，其设备运行状态是决定电网能否安全运行的关键因素之一。然而，由于变电站设备常年暴露在自然环境中，长期遭受强电场、机械应力、污秽及温湿度等恶劣环境的侵蚀，通常会出现很多缺陷，将极大地威胁电网安全。通常，变电站内的设备缺陷主要包括表计损坏、绝缘子破裂、变压器呼吸器破损、硅胶变色、油位异常等。目前，我国的变电站设备巡检还主要以传统的人工巡检方式为主，存在地理位置和环境因素复杂、人力投入和管理成本高等诸多弊端。在电力行业迅猛发展的当下，变电站设备运维巡检工作面临着工作量激增与人员相对短缺的突出矛盾，迫切需要提出一种高效准确的变电站设备缺陷图片检测方法，实现无人智能化运维管控，为变电站巡检工作提质增效。近年来，随着人工智能技术在各个行业，尤其是图像检测技术领域的广泛应用，也出现了通过人工智能算法进行设备缺陷检测的技术方案，但普遍存在缺陷检测的识别率和精确度不高等技术缺陷，漏检、误检现象时有发生。

发明内容

有鉴于此，本发明的目的在于提供一种基于神经网络的电气设备缺陷检测方法及装置，以解决现有检测方式生成样本质量，以及缺陷目标识别率不高，导致电气设备缺陷漏检或误检，给电气设备正常使用带来极大安全隐患的技术问题。

为了实现上述发明目的，本发明具体提供了一种基于神经网络的电气设备缺陷检测方法的技术实现方案，基于神经网络的电气设备缺陷检测方法，包括以下步骤：

S1)采集电气设备缺陷样本图片；

S2)对步骤S1)采集到的电气设备缺陷样本图片进行缺陷标注，生成标签文件；

S3)将步骤S2)得到的电气设备缺陷样本图片数据集按比例划分为训练集、验证集和测试集；

S4)采用基于ResNet50网络框架及FPN金字塔结构的Faster R-CNN检测算法进行特征提取，并结合交并比的均值及标准差进行自适应样本选择，以搭建缺陷检测网络模型，并使用该模型对步骤S3)划分得到的训练集进行目标检测训练，由此得到初代缺陷检测网络模型；

S5)采用步骤S3)划分的验证集测试步骤S4)生成的初代缺陷检测网络模型，调整模型参数，比对测试结果，进而更新优化并得到最终的缺陷检测网络模型；

S6)利用最终得到的缺陷检测网络模型，对测试集中的待测图片进行处理，输出电气设备缺陷检测结果。

进一步的，在所述步骤S5)中，首先将训练集中的电气设备缺陷样本图片统一缩放至相同大小，再采用ImageNet公开数据集对初代缺陷检测网络模型进行预训练，得到初始化参数；然后，将检测对象的数据集投入缺陷检测网络模型中进行训练；训练迭代若干个周期，每个周期内所有样本完成在网络中一次完整的前向计算和反向传播过程；其中，缺陷检测网络模型网络参数采用随机梯度下降的优化策略，按照数据集的实际质量设置合适的初始学习率、动量项和权值衰减系数；在模型训练初期，采用热身方式来保持网络参数稳定，以避免造成振荡。

进一步的，所述步骤S4)包括以下过程：