[发明专利]基于改进孪生网络的电力设备图像缺陷判别方法及系统

说明书

本发明公开了一种基于改进孪生网络的电力设备图像缺陷判别方法，其步骤包括电力设备图像采集、数据清洗、数据增广、构建图像判别数据集、判别模型训练、实时推理和数据集更新与模型迭代。针对因图像训练样本收集难、缺陷特征不一致的设备缺陷类型进行了分析，构建了基于孪生网络结构的缺陷图像判别模型，提出了数据集更新与模型迭代优化策略，利用实时推理后的电力设备图像扩充判别数据库，提升了数据集数量的同时保证了数据集的质量；同时基于更新后的数据集定期重新训练模型，实现模型的迭代优化，设计的联合优化损失函数，综合考虑了类间可分性和类内紧凑性，提升了电力设备图像缺陷判别准确度的同时加快了模型训练收敛速度。

技术领域

本发明涉及一种电力运检方法及系统，尤其涉及一种基于改进孪生网络的电力设备图像缺陷判别方法及系统。

背景技术

变电站、换流站、输电线路等大多地处偏僻、分散较广，日常巡视、表计抄录工作需要频繁往返现场，效率低下，因设备巡视不到位，未能及时发现设备缺陷及异常导致的停电事故时有发生。为提升电力设备巡视效率，机器人、人工智能等技术逐渐应用在电力运检工作中，机器人、高清摄像头和红外测温设备的联合巡视正逐步替代人工巡视，以提高电力设备巡视效率和实时性。

目前电力设备巡检过程中多基于单帧图像完成工作人员吸烟、呼吸器硅胶变色、表计表盘破损等问题的识别，采用的方法主要有以边界提取、区域填充为代表的等形态学图像处理方法和以YOLO、Faster RCNN为代表的图像识别方法。其中，形态学方法缺少多维度特征提取机制，易受复杂背景和环境因素干扰，电力设备运行场景背景复杂，电力设备缺陷影像在不同时间段所表现出的颜色、光照等方面都存在较大的差异，因此算法稳定性差、泛化能力低。以YOLO、Faster RCNN为代表的图像识别方法则建立在大量的训练样本基础上，考虑到电力运行场景复杂以及自然环境的干扰，要求每种缺陷类型的样本数量不低于一定量级。然而电力设备在实际运行中，存在大量的设备变形、移位、异物入侵等缺陷，此类缺陷样本收集难度大且缺陷特征不统一，如电容器鼓肚、膨胀器冲顶属于设备变形缺陷，属于发生情况少、样本难收集但应用价值大的缺陷，一旦发生亟需处理。手套、绝缘杆、外套、手机等作业工具或私人物品遗落现场属于异物入侵缺陷，物品类别不确定且存在多样性，缺少具有推理能力的共性特征；设备倾斜、刀闸开合位置不正确等缺陷图像训练样本收集难、缺陷特征不一致而无法利用目标检测等方法进行识别。

综上所述，电力设备缺陷检测方法基本采用的是基于目标检测来识别缺陷，针对样本量小或缺乏共性特征的缺陷难以准确识别，无法满足现阶段智能电网对变电设备安全稳定运行的要求。

发明内容

发明目的：本发明的目的是提供一种通过检测待判别图像与正常图像之间是否发生变化进而判断设备是否发生异常的方法及系统。

技术方案：本发明的一种基于改进孪生网络的电力设备图像缺陷判别方法，其特征在于，包括以下步骤：

(1)电力设备图像采集：用智能终端控制电力运行场景下的图像采集设备基于巡视要求采集重点设备于同一场景下不同时间的电力设备正常图像和电力设备缺陷图像；

(2)数据清洗：基于图像信息熵和结构相似度从步骤(1)所采集的图像中剔除携带信息量少或重复的图像，提升数据价值密度；

(3)数据增广：采用图像增广手段对步骤(2)中经过数据清洗的图像进行随机改变，作为训练样本加入图像判别数据集；

(4)构建图像判别数据集：将电力设备正常图像和电力设备缺陷图像进行匹配，一张电力设备正常图像匹配多张同一场景下的电力设备缺陷图像；针对匹配后的样本对图像进行标注并将图像与标注文件进行统一存储；

(5)判别模型训练：将电力设备正常图像和电力设备缺陷图像同时输入到孪生网络中，基于残差网络ResNet网络提取正常图像与缺陷图像的多尺度特征，结合二值交叉熵损失与MWP匹配损失设计损失函数，加快训练收敛速度；