[发明专利]基于卷积神经网络的变压器监控方法、装置、系统及介质

权利要求书

1.一种基于卷积神经网络的变压器监控方法，其特征在于，包括：

通过摄像设备获取变压器上各个部件的视频，并从视频中提取帧图片从而获取变压器上监控对象的待识别图像，所述监控对象包括瓦斯继电器、套管油位计和油枕油位计，其中，每间隔一段时间获取视频流，并抽取5-10帧图片获得瓦斯继电器的待识别图像；实时采集、或者每隔固定时间采集、或者固定时间点采集以获取套管油位计的待识别图像和油枕油位计的待识别图像；

通过预训练完成的多分支目标检测网络对所述待识别图像进行识别，得到状态识别结果，其中所述预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络，所述主干网络为YOLOv4-Tiny网络，第一分支网络为MobileNet网络，第二分支网络为ResNet网络；

基于所述状态识别结果对所述变压器进行安全评估，得到安全评估结果；

所述通过预训练完成的多分支目标检测网络对所述待识别图像进行识别，得到状态识别结果，包括：

通过所述主干网络分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位，得到第一观察窗图像、第二观察窗图像和第三观察窗图像；

将所述第一观察窗图像输入到所述第一分支网络，通过所述第一分支网络对所述第一观察窗图像进行特征提取与分类识别，得到第一检测结果；

将所述第二观察窗图像和所述第三观察窗图像输入到所述第二分支网络，通过所述第二分支网络分别对所述第二观察窗图像和第三观察窗图像进行特征提取与分类识别，得到第二检测结果和第三检测结果；

基于所述第一检测结果、所述第二检测结果和所述第三检测结果，确定所述状态识别结果；

其中，所述第二分支网络包括状态分类模型和缺陷分类模型，在采集图像时，对每种监控对象的图形进行标记，根据标记信息将图像输入到第二分支网络对应的分类模型中，同时对两种不同的监控对象进行识别分类。

2.根据权利要求1所述的基于卷积神经网络的变压器监控方法，其特征在于，所述通过预训练完成的多分支目标检测网络对所述待识别图像进行识别，得到状态识别结果之前，所述方法还包括：

对所述预训练完成的多分支目标检测网络进行剪枝处理。

3.根据权利要求1所述的基于卷积神经网络的变压器监控方法，其特征在于，所述通过所述主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位，得到第一观察窗图像、第二观察窗图像和第三观察窗图像，包括：

通过所述主干网络分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位，得到第一定位结果、第二定位结果和第三定位结果；

根据所述第一定位结果、第二定位结果和第三定位结果分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行裁剪，得到所述第一观察窗图像、第二观察窗图像和第三观察窗图像。

4.根据权利要求1所述的基于卷积神经网络的变压器监控方法，其特征在于，所述通过所述第一分支网络对所述第一观察窗图像进行特征提取与分类识别，得到第一检测结果，包括：

通过所述第一分支网络对所述第一观察窗图像进行特征提取，得到所述第一观察窗图像的气体颜色特征；

根据所述气体颜色特征对所述瓦斯继电器进行气体缺陷识别，得到所述第一检测结果，其中，所述第一检测结果包括气体正常和气体异常。

5.根据权利要求4所述的基于卷积神经网络的变压器监控方法，其特征在于，所述通过所述第二分支网络分别对所述第二观察窗图像和第三观察窗图像进行特征提取与分类识别，得到第二检测结果和第三检测结果，包括：

通过所述状态分类模型对所述第二观察窗图像进行特征提取与套管油位计状态分类，得到所述第二检测结果，其中，所述第二检测结果包括状态正常和状态异常；

通过所述缺陷分类模型对所述第三观察窗图像 进行特征提取与油枕油位计缺陷分类，得到所述第三检测结果，其中，第三检测结果包括缺陷类别和无缺陷。