[发明专利]基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法

说明书

本发明涉及基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法，与现有技术相比解决了变电设备外观缺陷检测识别率低的缺陷。本发明包括以下步骤：变电设备外观缺陷图像的获取；变电设备外观缺陷图像的再生成；变电设备外观缺陷检测模型的构建；变电设备外观缺陷检测模型的训练；待检测变电设备图像的获取；待检测变电设备图像缺陷问题的检测。本发明提高了变电设备外观图像缺陷检测的速度和准确率。

技术领域

本发明涉及变电设备技术领域，具体来说是基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法。

背景技术

当前变电巡视模式滞后于大数据、云计算、物联网、移动互联、人工智能、三维BIM等一系列新技术的快速发展。变电设备运维、检修日常工作多采用人工就地操作、手动抄录、现场频繁往返等形式，变电站建设的各类在线监测、辅助监控、巡检机器人等业务系统数据相对独立，综合应用程序不高。而随着深度学习飞速发展及其在分类识别方面的优异性能，使其在电力智能巡检领域得到广泛应用。

但是样本的稀缺仍是将深度学习引入变电设备智能巡检中的一大障碍，针对特定场景，收集到大量带有标注的可用样本非常困难；同时，变电站所处的环境非常复杂，变电所设备缺陷中含有许多非刚性缺陷，如设备部件表面油污、地面油污、金属腐蚀等。在不同的场景中，属于同一类的缺陷在外观和形状上有很大的差异。

因此，针对缺陷设备图像数据集样本较少、变电站图像背景复杂以及电力设备缺陷外观差异大等难点问题，如何准确检测出变电设备外观缺陷已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中变电设备外观缺陷检测识别率低的缺陷，提供一种基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于融合数据生成和迁移学习技术的变电设备外观图像缺陷检测方法，包括以下步骤：

11)变电设备外观缺陷图像的获取：获取已有的变电设备外观缺陷图像并进行预处理；

12)变电设备外观缺陷图像的再生成：利用图像转换GAN模型对已有的变电设备外观缺陷图像进行样本再生成，用于数据扩增；

13)变电设备外观缺陷检测模型的构建：基于融合并联型注意力技术构建变电设备外观缺陷检测模型；

14)变电设备外观缺陷检测模型的训练：利用小样本多阶段迁移技术对变电设备外观缺陷检测模型进行训练；

15)待检测变电设备图像的获取：获取待检测变电设备图像，并进行预处理；

16)待检测变电设备图像缺陷问题的检测：将预处理后的待检测变电设备图像输入训练后的变电设备外观缺陷检测模型，得到待检测变电设备图像的缺陷问题。

所述变电设备外观缺陷图像的获取包括以下步骤：

21)变电设备外观缺陷图像的获取：从监控视频图像中筛选出外观具有缺陷的变电设备图像，缺陷主要包括设备外观存在裂纹、锈蚀、油污；

22)变电设备外观正常图像的获取：从监控视频图像中筛选出外观正常的变电设备图像，正常变电设备是指设备外观无明显缺陷；

23)变电设备外观图像的预处理：对所采集到的缺陷图像和正常图像进行包括裁剪为预定大小图像、添加高斯噪声、旋转、翻转的预处理操作；

24)变电设备外观图像的分类：对所预处理后的图像按照有无缺陷分类并组合成变电设备外观缺陷图像数据集D和变电设备外观正常图像数据集N。

所述变电设备外观缺陷图像的再生成包括以下步骤：