一种基于深度学习的变电站紫外图像智能巡检算法及装置制造方法及图纸

本发明专利技术提供了一种基于深度学习的变电站紫外图像智能巡检算法，通过对大规模的紫外图像数据，利用CNN进行数字分类识别、光斑分类识别，之后利用目标检测模型进行部件检测，融合业务知识到故障研判，实现了对放电状态的自动化研判。本发明专利技术的有益效果在于：采用紫外仪器导出的紫外图片作为输入，自动进行区域分割和识别，人工只需结果核验，处理方式简便，不额外增加工程成本，降低了人工成本，提高了工作效率；将紫外图像的分析与深度学习技术相结合，建立识别模型的迭代更新机制，有效的保持和提升了模型的性能，进而实现了对变电站设备故障的精准判别；采用参数化输出，可直接作为输出参与其他业务流程。

【技术实现步骤摘要】
一种基于深度学习的变电站紫外图像智能巡检算法及装置
本专利技术属于变电站智能巡检
，涉及一种变电站紫外图像智能巡检算法及装置，具体涉及一种基于深度学习的变电站紫外图像智能巡检算法及装置。
技术介绍
随着高新信息技术的快速发展，以及工业自动化、智能化的推动，变电站智能巡检进入实施应用阶段。运用紫外成像仪进行变电站设备部件的放电检测，可以及时探测电力设备的放电隐患，并在故障发生的早期进行处置，这对于保障变电站的安全运转具有重要意义。但是，传统的紫外图像的分析大多依赖于业务人员的工程经验，通过人工判断光子数、增益数以及放电光斑与目标部件的区域重叠程度来进行研判，对潜在的放电故障容易出现漏判、误判，也难以达到实时分析，存在较多的局限性。所以，为了应对紫外图像的智能分析需要，通过智能分析技术进行紫外图像的自动化识别分析，提高变电站的设备巡检效率势在必行。目标检测是图像处理的经典应用之一，传统的目标检测大多依赖于特征工程和分类决策，对特征选择具有较大的局限性，难以在复杂的实际场景进行应用。因此，需要开发一种面对复杂的实际场景也具有良好检测效果的变电站紫外图像智能巡检算法及装置。
技术实现思路
本专利技术旨在克服上述技术缺陷，通过对大规模的紫外图像数据，利用CNN进行数字分类识别、光斑分类识别，之后利用目标检测模型进行部件检测，融合业务知识到故障研判，实现放电状态的自动化研判。最终，为变电站工作人员进行快速巡检提供更为直观的参考依据，降低人工成本，提高巡检效率。为实现以上目的，本专利技术提供了一种基于深度学习的变电站紫外图像智能巡检算法，该算法包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：S1、制定分类标签、部件标签、故障判断标准；S2、进行图像级数据输入，获取紫外图像数据集D；S3、对所述紫外图像数据集D进行标注，包括数字、有无光斑的分类标签的标注，部件标签的标注；S4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0～9的数字数据集D1、目标部件区域的有无光斑数据集D2；S5、利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A；S6、利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B；S7、利用YOLOV3对所述数据集D进行目标检测训练，得到部件检测模型C；S8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn；S9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；S10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；S11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；S12、对审核通过的放电图像进行参数化输出并预警。进一步的，步骤S1中所述故障判断标准为当紫外图像的光子数≥300，增益数≥60，存在光斑，即视为故障。进一步的，步骤S1中所述图像级数据输入的对象为紫外仪器拍摄的变电站紫外图片，该图片由数字区域、目标部件区域构成，且所述图片大小及区域分布保持固定。进一步的，步骤S4中所述图像分割技术及图像区域分布技术是指利用颜色空间转换，通过通道提取与阈值分割，进行图层分割，结合紫外图像的区域分布将输入的紫外图像分割为数字区域、目标部件区域。进一步的，所述数字区域包括光子数字区域、增益数字区域。进一步的，步骤S8中所述优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn中的n代表优化迭代的次数，且n≥1。进一步的，步骤S8中所述优化迭代的具体过程为：S81、选取不包含在S2所述紫外图像数据集D的紫外图片，从中提取数字区域图片上传至所述数字识别模型A、提取目标部件区域图像上传至所述光斑识别模型B、原图上传至所述部件检测模型C；S82、对S81的识别结果进行人工筛选核查，将不正确的图片按步骤S3中的方法进行标注，得到图片集X；S83、将所述图片集X按照所述步骤S3、S4的操作过程获得新的训练集，再次进行模型训练，并更新得到数字识别模型A1、光斑识别模型B1、部件检测模型C1；S84、重复所述步骤S81-S83，即重复优化过程，最终获得数字识别模型An、光斑识别模型Bn、部件检测模型Cn。本专利技术还公开了一种应用，即所述一种基于深度学习的变电站紫外图像智能巡检算法应用于对变电站紫外图像的智能巡检。本专利技术的有益效果在于：①本专利技术提供的一种基于深度学习的变电站紫外图像智能巡检算法，采用紫外仪器导出的紫外图片作为输入，自动进行区域分割和识别，处理方式简便，不额外增加工程成本。②本专利技术提供的一种基于深度学习的变电站紫外图像智能巡检算法，采用深度学习技术对变电站紫外图像进行训练，得到数字图像分类模型、光斑图像分类模型、部件目标检测模型，并融合业务知识到故障研判，形成对变电站紫外图像的智能化巡检应用。③本专利技术提供的一种基于深度学习的变电站紫外图像智能巡检算法，对紫外图像自动进行数字识别、光斑判断、部件检测，按业务规则进行故障判断，只需人工进行结果核验，降低了人工成本，提高了工作效率。④本专利技术提供的一种基于深度学习的变电站紫外图像智能巡检算法，将紫外图像的分析与深度学习技术相结合，建立识别模型的迭代更新机制，有效的保持和提升了模型的性能，进而实现了对变电站设备故障的精准判别。⑤本专利技术提供的一种基于深度学习的变电站紫外图像智能巡检算法，采用参数化输出，方便其他软件直接调用，可直接作为输出参与其他业务流程。附图说明图1是本专利技术的一种基于深度学习的变电站紫外图像智能巡检算法的步骤流程示意图；图2是本专利技术实施例1的步骤S3中的紫外图像数据集D的标注结果示意图；图3是本专利技术实施例1的步骤S4所涉及过程的分步骤示意图；图4是本专利技术实施例1中的S12中所述参数化输出结果位“无放电”的检测示意图；图5是本专利技术实施例1中的S12中所述参数化输出结果位“有放电”的检测示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1参考图1，一种基于深度学习的变电站紫外图像智能巡检算法，包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：S1、制定分类标签、部件标签、故障判断标准，具体为：S1-本文档来自技高网...

【技术保护点】
1.一种基于深度学习的变电站紫外图像智能巡检算法，其特征在于，所述算法包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：/nS1、制定分类标签、部件标签、故障判断标准；/nS2、进行图像级数据输入，获取紫外图像数据集D；/nS3、对所述紫外图像数据集D进行标注，包括数字、有无光斑的分类标签的标注，部件标签的标注；/nS4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0～9的数字数据集D1、目标部件区域的有无光斑数据集D2；/nS5、利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A；/nS6、利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B；/nS7、利用YOLOV3对所述数据集D进行目标检测训练，得到部件检测模型C；/nS8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn；/nS9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；/nS10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；/nS11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；/nS12、对审核通过的放电图像进行参数化输出并预警。/n...

【技术特征摘要】
1.一种基于深度学习的变电站紫外图像智能巡检算法，其特征在于，所述算法包括数字图像分类、光斑图像分类、部件目标检测方法，具体包括如下步骤：
S1、制定分类标签、部件标签、故障判断标准；
S2、进行图像级数据输入，获取紫外图像数据集D；
S3、对所述紫外图像数据集D进行标注，包括数字、有无光斑的分类标签的标注，部件标签的标注；
S4、利用图像分割技术及图像区域分布技术进行数字区域分割、目标部件区域分割，得到0～9的数字数据集D1、目标部件区域的有无光斑数据集D2；
S5、利用AlexNet对所述数据集D1进行分类训练，得到数字识别模型A；
S6、利用AlexNet对所述数据集D2进行分类训练，得到光斑识别模型B；
S7、利用YOLOV3对所述数据集D进行目标检测训练，得到部件检测模型C；
S8、对所述数字识别模型A、光斑识别模型B、部件检测模型C进行优化迭代获得优化后的数字识别模型An、光斑识别模型Bn、部件检测模型Cn；
S9、获取新的紫外图片，并从中提取数字区域图片上传至所述优化后的数字识别模型An、提取目标部件区域图像上传至所述优化后的光斑识别模型Bn、原图上传至所述优化后的部件检测模型Cn；
S10、所述优化后的数字识别模型An识别光子数、增益数，所述优化后的光斑识别模型Bn识别是否存在光斑，所述优化后的部件检测模型Cn识别部件；
S11、对S10输出的结果进行故障判断，并对放电故障进行人工审核；
S12、对审核通过的放电图像进行参数化输出并预警。


2.根据权利要求1所述的一种基于深度学习的变电站紫外图像智能巡检算法，其特征在于：步骤S1中所述故障判断标准为当紫外图像的光子数≥300，增益数≥60，存在光斑，即视为故障。


3.根据权利要求1所述的一种基于深度学习的变电站紫外图像智能巡检算法...

【专利技术属性】
技术研发人员：王思远，马晓斌，刘衍琦，张静乐，方媛，
申请(专利权)人：山东文多网络科技有限公司，
类型：发明
国别省市：山东;37