[发明专利]一种变电站指示灯状态识别方法

说明书

本发明公开了一种变电站指示灯状态识别方法，包括如下步骤：采集原始巡检图像；基于配准技术对所述原始巡检图像进行处理，获取训练图像；对所述训练图像进行数据扩充；对数据扩充后的训练图像进行深度学习训练，获取权重文件和网络结构文件；对所述权重文件和网络结构文件进行量化压缩操作，获取WK权重文件；将所述WK权重文件移植至相机中进行深度学习，得到深度学习网络模型；通过深度学习网络模型对变电站指示灯状态进行识别。在本发明将深度学习网络模型直接移植到相机端，图像的获取、模型预测、结果反馈全部在相机端进行，减少了因网络质量、设备处理能力低所导致的预测实时性低。

技术领域

本发明属于电力技术行业，具体涉及一种变电站指示灯状态识别方法。

背景技术

在电力巡检系统中，指示灯、压板、空气开关是非常重要的巡检对象。其中，指示灯是用来判断对应设备是否进行正常工作。目前，指示灯巡检工作还停留于人力巡检阶段中，由于指示灯相对于压板、空气开关，它的体积小且不易察觉，对巡检人员的要求很高。同时，指示灯出现异常情况占少数，这样就会导致人力资源的浪费。

随着近年来人工智能的快速发展，该技术已经成功运用在各行各业中。在电力系统中，基于深度学习技术可实现自动化巡检，减少了人力成本，提高巡检效率，对变电站稳定安全运行起到了促进作用。

现有技术中，在对指示灯进行智能识别工作时，通常是利用深度学习目标检测网络模型对整个开关柜上所有指示灯进行目标定位、分类识别。但是在实际情况下，大多数还是针对于开关柜上某个特定位置的指示灯进行识别，现有技术中尚未能够实现对特定区域指示灯的智能识别。

现有技术中，利用可移动设备(包括手机，平板，USB摄像头) 进行巡检图像的采集，并通过光缆将其上传至服务器进行模型分析，然后将分析结果再返回至可移动设备。该方法过于依赖于网络质量及传输设备，无法做到实时性检测。

发明内容

针对现有技术的不足，本发明的目的在于提供一种变电站指示灯状态识别方法，以解决现有技术中存在的识别效率低的问题。

为达到上述目的，本发明所采用的技术方案是：

一种变电站指示灯状态识别方法，包括如下步骤：

采集原始巡检图像；

基于配准技术对所述原始巡检图像进行处理，获取训练图像；

对所述训练图像进行数据扩充；

对数据扩充后的训练图像进行深度学习训练，获取权重文件和网络结构文件；

对所述权重文件和网络结构文件进行量化压缩操作，获取WK 权重文件；

将所述WK权重文件移植至相机中进行深度学习，得到深度学习网络模型；

通过深度学习网络模型对变电站指示灯状态进行识别。

进一步的，所述训练图像的获取过程如下：

对所述原始巡检图像进行筛选、归类；

通过配准技术对筛选、归类后图像中的指示灯位置信息进行标注。

进一步的，对所述训练图像进行数据扩充，包括：

对训练图像进行随机变换处理，获取随机变换图像；

对所述随机变换图像进行亮度变换、对比度变换或颜色变换，得到数据扩充后的训练图像。

进一步的，所述随机变换处理包括旋转变换、翻转变换、缩放变换、平移变换和错切变换。

进一步的，所述深度学习训练的过程如下：

对所有数据扩充后的训练图像进行图像尺寸变换；