一种基于深度学习的电力设备缺陷检测识别方法技术

本发明专利技术涉及一种基于深度学习的电力设备缺陷检测识别方法，其包括对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；对数据集进行数据增强以增加样本丰富度；基于Mobilenet‑SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。本发明专利技术在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为变电站设备油液渗漏的机器人巡检提供了新的思路和方法，对边缘计算在变电站运维中的应用具有一定的参考价值。

【技术实现步骤摘要】
一种基于深度学习的电力设备缺陷检测识别方法
本专利技术涉及电网故障识别诊断
，具体是一种基于深度学习的电力设备缺陷检测识别方法。
技术介绍
目前，国内外对变电站充油设备的渗油和漏油尚未有明确规定。一般地，认为有油迹的为渗油，有油珠下滴的为漏油。变电站充油设备产生油液渗漏的原因很多，其与加工工艺、密封结构设计、环境温湿度、四季温差、材料的材质、设备压力大小、机械振动频率大小等均密切相关。当设备生产、运输、运行或检修中的某一个环节出现问题后，就很有可能引起连锁反应，从而发生油液的渗漏。变电站设备的油液渗漏会导致严重的后果，不仅影响设备的外观，使设备的油位降低，引起低油位告警，严重时还会导致设备绝缘的击穿、短路，甚至起火爆炸。因此对变电站中充油设备进行渗油、漏油的巡检是十分必要的。当今，智能变电站和无人值守变电站正成为变电站的主要推广和发展模式，因此随着机器人及其相关控制技术的不断发展，机器人代替人工进行变电站巡检成为大势所趋，因此近年来关于机器人在变电站智能巡检中的研究和应用也随之推进。随着现代成像技术的快速发展，图像的质量得到了极大的提高，拍摄的图像和视频已经非常清晰。传统的检测算法根据变电站设备缺陷特征进行定位需手动选择或设计特征，需要大量人工的先验知识，对特征进行组合或改进，往往需要尝试多种模型，以适用于特定场景下的目标识别任务，电力设备部署环境复杂、设备类别繁多、同种设备类型多样，传统目标识别方法最终选定的特征很可能不具备良好的泛化能力，不能适应多种场景、不同自然条件下的缺陷提取，不利于推广和应用。基于阈值分割方法提取变电站设备缺陷则受背景、光照以及绝缘子材质的影响，难以保证准确率。近年来，基于深度学习的计算机视觉技术不断发展并在多个行业开始应用。与传统的目标识别算法相比，Faster-RCNN、SSD和YOLO等基于深度卷积神经网络的目标识别算法从大量的图像数据中自动学习目标特征，无需人工设计特征提取器。这种端到端的学习策略有效地简化了算法的流程，提升了目标识别算法的效率、准确率以及泛化能力。而针对一般深度卷积神经网络模型复杂，参数过多，无法在嵌入式平台上部署的缺陷，近期针对模型的简化和压缩成为了热门研究方向。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于深度学习的电力设备缺陷检测识别方法，针对前端计算场景，可以对变电设备缺陷进行快速识别诊断，为基于深度学习的变电站设备油液渗漏检测算法的边缘部署提供了可能。本专利技术所采用的技术方案是：一种基于深度学习的电力设备缺陷检测识别方法，其包括如下步骤：S1：对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；S2：对数据集进行数据增强以增加样本丰富度；S3：基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；S4：将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。进一步的，在S1中构建图像数据集时，在变电站中收集设备的油液渗漏图像X张，其中随机选取Y张作为训练集，Z张作为验证集监督训练的流程，A张作为测试集来测试最终训练所得模型的实际效果。进一步的，X＝Y+Z+A。进一步的，在S2中，对数据集进行数据增强方法包括：a、随机调整图像的亮度、饱和度或对比度；或b、对图像进行随机角度旋转和镜像操作；或c、将图像中的某一块区域随机替换为图像均值。进一步的，在S3中使用的模型参数回归方法为RMSProp，深度学习框架为Tensorflow。进一步的，RMSProp算法采用指数衰减平均的方式淡化遥远过去的历史对当前步骤参数更新量△ω的影响；设全局学习率为σ，历史梯度值的衰减速率参数ρ，初始化的参数ω，为了数值稳定而创建的小常数δ，以及梯度累积变量r,循环执行以下步骤:从训练数据集中取出包含m个样本的小批量数据数据对应的目标用yi表示；a、在小批量数据的基础上按照以下公式计算梯度：b、累积平方梯度，并刷新r：r←ρr+(1-ρ)g⊙gc、计算参数的更新量：d、根据△ω更新参数：w←w+△w。进一步的，Mobilenet通过采用深度可分离卷积和引入宽度乘数、分辨率乘数来减少模型的计算量。进一步的，SSD算法是一种One-stage方法，步骤包括：a、输入一幅图片，让图片经过卷积神经网络(CNN)提取特征，并生成featuremap；b、抽取其中六层的featuremap，然后再featuremap的每个点上生成defaultbox；c、将生成的所有defaultbox都集合起来，经过NMS处理输出筛选后的defaultbox。一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。本专利技术的积极效果为：本专利技术提出的方法与目前传统的基于深度学习的目标检测方法相比，在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为变电站设备油液渗漏的机器人巡检提供了新的思路和方法，对边缘计算在变电站运维中的应用具有一定的参考价值。附图说明为了更清楚的说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术流程图；图2为本专利技术数据集示意图；图3为本专利技术传统卷积示意图；图4为本专利技术深度可分离卷积示意图；图5为本专利技术Mobilenet-SSD网络结构示意图；图6为本专利技术检测效果样例图。具体实施方式下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，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，都属于本申请保护的范围。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。本文档来自技高网...

【技术保护点】
1.一种基于深度学习的电力设备缺陷检测识别方法，其特征在于其包括如下步骤：/nS1：对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；/nS2：对数据集进行数据增强以增加样本丰富度；/nS3：基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；/nS4：将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。/n

【技术特征摘要】
1.一种基于深度学习的电力设备缺陷检测识别方法，其特征在于其包括如下步骤：
S1：对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；
S2：对数据集进行数据增强以增加样本丰富度；
S3：基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；
S4：将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。


2.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于在S1中构建图像数据集时，在变电站中收集设备的油液渗漏图像X张，其中随机选取Y张作为训练集，Z张作为验证集监督训练的流程，A张作为测试集来测试最终训练所得模型的实际效果。


3.根据权利要求2所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于X＝Y+Z+A。


4.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于在S2中，对数据集进行数据增强方法包括：
a、随机调整图像的亮度、饱和度或对比度；或
b、对图像进行随机角度旋转和镜像操作；或
c、将图像中的某一块区域随机替换为图像均值。


5.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于在S3中使用的模型参数回归方法为RMSProp，深度学习框架为Tensorflow。


6.根据权利要求5所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于RMSProp算法采用指数衰减平均的方式淡化遥远过去的历史对当前步骤参数更新量△ω的影响；
设全局学...

【专利技术属性】
技术研发人员：武建华，梁利辉，刘海峰，闫敏，刘云鹏，裴少通，尹子会，范晓丹，
申请(专利权)人：国家电网有限公司，国网河北省电力有限公司检修分公司，
类型：发明
国别省市：北京;11