[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

说明书

本发明公开了基于卷积神经网络的变压器监控方法、装置、系统及介质，通过获取变压器上监控对象的待识别图像，监控对象包括瓦斯继电器、套管油位计和油枕油位计；通过预训练完成的多分支目标检测网络对待识别图像进行识别，得到状态识别结果，其中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；基于状态识别结果对变压器进行安全评估，得到安全评估结果。采用预训练完成的多分支目标检测网络对待识别图像进行准确的状态识别后对变压器进行多方位的安全评估，以并行识别的方式实现了对变压器上多个部件的自动状态监控，确保覆盖多个监控对象的同时也能实时评估设备状态，有效提高了变压器安全监控的效率和可靠性。

技术领域

本发明涉及图像识别技术领域，尤其涉及基于卷积神经网络的变压器监控方法、装置、系统及介质。

背景技术

电网中涉及的电器较多，变电站中的变压器是一种与安全相关的重要组成部件，变压器有油箱，顶部设有高压套管、低压套管、油枕、瓦斯继电器，油枕上设有油温计、油位计等等，变压器保持安全工作对变电站的正常运行起到至关重要的作用，因此需要对变压器的工作状态进行准确的安全监控。

在现有的运维方式中，变压器的日常监控需要运行人员去定期巡查，变压器上的套管、油位等重要信息无法实时掌握，且由于变压器上的部件较多，现有的定期巡查方式很可能发生巡查遗漏的情况，导致变压器安全监控的效率和可靠性均较低。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供基于卷积神经网络的变压器监控方法、装置、系统及介质，旨在提高变压器安全监控的效率和可靠性。

本发明的技术方案如下：

一种基于卷积神经网络的变压器监控方法，其包括：

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；

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。

在一个实施例中，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。

在一个实施例中，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。

在一个实施例中，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：