[发明专利]输变电设备故障检测方法及装置、终端、存储介质

说明书

本发明提供一种输变电设备故障检测方法及装置、终端、存储介质。该方法包括：获取目标输变电设备的历史图像数据，对历史图像数据进行聚类处理，得到多个图像数据类；对于每个图像数据类，基于该图像数据类中的历史图像数据训练得到该图像数据类对应的神经网络模型；获取目标图像数据，目标图像数据为目标输变电设备的图像数据；判断目标图像数据所属的图像数据类，得到目标数据类；将目标图像数据输入至目标数据类对应的神经网络模型中，得到目标输变电设备的故障检测结果。本发明能够有效提高输变电设备故障检测准确率。

技术领域

本发明涉及电力技术领域，尤其涉及一种输变电设备故障检测方法及装置、终端、存储介质。

背景技术

近年来，随着经济的不断发展，各地区输电线需求迅速增加，电网规模也在不断扩大，输电故障会对企业、工业生产造成无法弥补的经济损失，因此定期对输电线路进行安全巡检工作十分必要。伴随着计算机技术的迅猛发展，基于深度学习中的神经网络技术智能分析巡检图像大大提高了巡检人员的工作效率，但是，在当前样本数据价值密度低且噪声干扰下，输变电设备故障检测准确率较低。

发明内容

本发明实施例提供了一种输变电设备故障检测方法及装置、终端、存储介质，以解决输变电设备故障检测准确率较低的问题。

第一方面，本发明实施例提供了一种输变电设备故障检测方法，包括：

获取目标输变电设备的历史图像数据，对所述历史图像数据进行聚类处理，得到多个图像数据类；

对于每个图像数据类，基于该图像数据类中的历史图像数据训练得到该图像数据类对应的神经网络模型；

获取目标图像数据，所述目标图像数据为目标输变电设备的图像数据；

判断所述目标图像数据所属的图像数据类，得到目标数据类；

将所述目标图像数据输入至目标数据类对应的神经网络模型中，得到所述目标输变电设备的故障检测结果。

在一种可能的实现方式中，所述方法还包括训练每个图像数据类对应的神经网络模型的步骤，所述训练每个图像数据类对应的神经网络模型包括：

获取目标输变电设备对应的训练样本，对所述训练样本进行扩充，得到每个图像数据类对应的目标训练样本；

基于所述每个图像数据类对应的目标训练样本训练得到对应的神经网络模型。

在一种可能的实现方式中，所述对所述训练样本进行扩充，包括：

使用几何变换类和颜色变换类的单样本数据增强方法，进行扩充；

其中，所述几何变换类的单样本数据增强方法为包括翻转，旋转，裁剪，变形，缩放在内的操作；所述颜色变换类的单样本数据增强方法为包括噪声、模糊、颜色变换、擦除、填充在内的操作。

在一种可能的实现方式中，所述对所述训练样本进行扩充，包括：

对所述训练样本中目标输变电设备的故障位置进行标注，并基于故障位置将其裁剪为包含故障位置的故障图像块和不包含故障位置的背景图像块；

裁剪得到故障图像块后，对任一背景图像块和任一故障图像块进行拼接后，得到目标训练样本；

其中，拼接过程包括：在任一背景图像块中随机选择插入区域，并在插入区域中拼接任一故障图像块，以此得到目标训练样本。

在一种可能的实现方式中，所述获取目标输变电设备对应的训练样本，包括：

获取目标输变电设备对应的第一训练样本和第二训练样本；其中，所述第一训练样本为未经校验的训练样本，所述第二训练样本为经过校验的训练样本；

对所述第一训练样本进行随机划分，得到多组划分样本；