基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法技术

本发明专利技术提供一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，包括以下步骤：通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；在深度学习平台上对该模型进行训练，并将训练好的模型保存；利用改进的人工智能模型对采集的红外图像进行目标的检测与诊断；针对诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；实现变电站多种电气设备的红外图像的自动检测及诊断。本发明专利技术能够大幅降低运算量，从而能够部署在嵌入式设备中，实现对电气设备的有效检测，同时满足实时性检测的要求。测的要求。测的要求。

【技术实现步骤摘要】
基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法


[0001]本专利技术涉及电力设备运行状态安全监测领域，特别是一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法。

技术介绍

[0002]随着电力系统的快速发展，人们对电力的依赖程度越来越高，并且对电力的需求也越来越大。如今为满足人们对可持续能源日益增长的需求，电力系统面临着巨大的挑战，因此需要更大、更复杂的电力系统，但是这种复杂性又影响了对其的检查和维护任务。变电站作为现代电力系统和未来智能电网运行中非常重要的一部分,对整个电网的安全运行不仅起到关键的作用，而且对变电站的系统检查是预测事故的关键。因为当变电站发生电气问题时可能会造成不必要的能源损失，还可能导致代价较高的系统停机，甚至造成技术人员受伤等情况。因此为了最大程度地减少电力设备的故障并避免因停电而造成的巨大经济损失，需要持续的检查和预防性的维护，及早发现初期故障，以防止永久性故障的发生，从而确保安全的长期运行。
[0003]红外热像技术因为比其他类型的传感器具有很多优点，因此已经成为一种广泛接受的状态监测技术。红外热像检测是以设备的热分布状态为依据对设备运行状态良好与否进行诊断的技术，该技术可以非接触性的远离被检测设备，并且测温范围宽从而可以快速的进行扫描检测。由于对电气设备红外检测会生成大量的图片数据，通过人工的方式分析红外图像对电气设备进行状态检测可能会耗费大量的时间和精力，还可能导致错误的诊断结果。并且当前经典的机器学习算法难也以有效识别输变电设备红外图像故障异常发热点。
[0004]近年来，随着计算机计算能力的提高，深度学习受到了越来越多的研究者的关注。深度学习方法在图像分类、故障诊断和目标检测等方面的应用越来越广泛。例如：B.Wang,M.Dong,M.Ren,Z.Y.Wu,C.X.Guo,T.X.Zhuang,O.Pischler and J.C.Xie.Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis[J].IEEE Transactions on Instrumentation and Measurement,vol.69,no.8,pp.5345
‑
5355,Aug.2020.该文献基于Mask R
‑
CNN提出来了一种红外绝缘子图像实例分割和温度分析的自动诊断方法。Y.P.Liu,X.X.Ji,S.T.Pei,Z.Ma,G.H.Zhang,Y.Lin and Y.F.Chen.Research on automatic location and recognition of insulators in substation based on YOLOv3[J].High Voltage,vol.5,no.1,pp.62
‑
68,Mar.2020.该文献提出了一种基于YOLOv3的外部电力绝缘设备自动定位识别与诊断方法，该深度学习算法用于提取绝缘子可见光通道下的图像数据特征。刘云鹏,裴少通,武建华,纪欣欣和梁利辉.基于深度学习的输变电设备异常发热点红外图片目标检测方法[J].南方电网技术,Vol.13,No.2,pp.27
‑
33,Feb.2019.该文献提出一种基于Faster RCNN算法实现对输变电红外图像发热故障的检测、识别及定位。
[0005]相应专利还有CN202010905683.0
‑
基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法和CN202010906630.0
‑
基于人工智能的变电站绝缘子红外图像检测方法。
[0006]虽然上述方法在检测精度方面取得了良好的效果，但是并未对模型大小、检测速度和检测精度进行较好的权衡研究，也并未实现在受限的环境中实现对电气设备的运行状态进行有效的判断，因此本专利技术在进行权衡研究后实现一种可在受限环境下部署的实时性检测及诊断方法。

技术实现思路

[0007]本专利技术所要解决的技术问题是提供一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法,通过模型轻量化减小模型的大小，从而能够在受限环境(例如在无人机检测器或者手持摄像仪检测器等嵌入式设备)中部署有效的电气设备检测及诊断模型，能够实现对多种电气设备的有效检测，同时满足实时性检测的要求，有效利用运算资源。具有普适性和有效性，确保变电站电气设备的安全、实时的自动检测及诊断。
[0008]为解决上述技术问题，本专利技术所采用的技术方案是：一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，包括以下步骤：
[0009]S1通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；
[0010]构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；
[0011]在深度学习平台上对该模型进行训练，并将训练好的模型保存；
[0012]S2、利用改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型对采集的红外图像进行目标的检测与诊断；
[0013]S3、针对S2中诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；
[0014]通过以上步骤实现变电站多种电气设备的红外图像的自动检测及诊断。
[0015]优选的方案中，在步骤S1中分为以下步骤：
[0016]S01、获取变电站电气设备的红外图像；
[0017]S02、对获取的图像通过算法进行预处理形成用于训练的数据集；
[0018]S03、对获取的正常电气设备数据集与故障电气设备数据集进行目标的标签处理；
[0019]S04、将处理完毕的数据集随机分配为训练集与测试集；
[0020]模型共训练200000步，数据输入尺寸为300
×
300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005；
[0021]S05、初步构建改进的轻量化FSSD的电力设备红外图像实时性检测与诊断模型；
[0022]S06、使用划分后的训练集进行该模型的参数调节与训练；
[0023]S07、使用划分后的测试集对训练完毕的检测及诊断模型进行目标的检测与诊断；
[0024]S08、对诊断为故障的图片使用结合K均值聚类算法进行故障诊断，检测出温度最高点并提取该点温度，以验证模型的有效性。
[0025]优选的方案中，在步骤S03中：
[0026]将获取的数据集，采用随机亮度、对比度、色相、饱和度、随机噪声调整等光度畸变方法和随机翻转、平移、缩放、旋转的几何畸变方法对原始红外图像进行数据扩充，或者将
多种电气设备的三维形态作为模型，得到本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，其特征是包括以下步骤：S1通过采集与处理正常与故障的电气设备红外图像以形成有效的数据集；构建改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型；在深度学习平台上对该模型进行训练，并将训练好的模型保存；S2、利用改进的轻量化FSSD的电力设备红外图像实时检测与诊断模型对采集的红外图像进行目标的检测与诊断；S3、针对S2中诊断为故障的图像使用结合K均值聚类算法的电气设备故障诊断方法进行故障诊断，检测出温度最高点并提取该点温度；通过以上步骤实现变电站多种电气设备的红外图像的自动检测及诊断。2.根据权利要求1所述的一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，其特征是在步骤S1中分为以下步骤：S01、获取变电站电气设备的红外图像；S02、对获取的图像通过算法进行预处理形成用于训练的数据集；S03、对获取的正常电气设备数据集与故障电气设备数据集进行目标的标签处理；S04、将处理完毕的数据集随机分配为训练集与测试集；模型共训练200000步，数据输入尺寸为300
×
300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005；S05、初步构建改进的轻量化FSSD的电力设备红外图像实时性检测与诊断模型；S06、使用划分后的训练集进行该模型的参数调节与训练；S07、使用划分后的测试集对训练完毕的检测及诊断模型进行目标的检测与诊断；S08、对诊断为故障的图片使用结合K均值聚类算法进行故障诊断，检测出温度最高点并提取该点温度。3.根据权利要求2所述的一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，其特征是在步骤S03中：将获取的数据集，采用随机亮度、对比度、色相、饱和度、随机噪声调整等光度畸变方法和随机翻转、平移、缩放、旋转的几何畸变方法对原始红外图像进行数据扩充，或者将多种电气设备的三维形态作为模型，得到多个方向、角度的训练图集，形成应用于模型的数据集；通过框选操作对数据集中的多种电气设备进行标注；正常的电气设备数据集通过软件或算法标记对设备进行标注，故障电气设备数据集则对发热故障点进行标注。4.根据权利要求3所述的一种基于轻量化人工智能模型的电力设备红外图像实时检测与诊断方法，其特征是：以电气设备的形状作为识别特征，进行训练，包括以下步骤：S11、将电气设备的方向作为电气设备红外图像数据集的图片的方向向量，对图片进行一种或多种图像处理方式进行预处理以扩充数据集，以使图片中电气设备的方向保持一致；S12、采用VGG16结构，以单个或多个电气设备的形状作为标签区域进行识别，按比例方式进行扩充后对电气设备所在的图形区域作为标签区域，进行智能识别并框选，制作成数
据集。5.根据权利要求1所述的一种基于轻量化人工智能模型的电力设备红外图像实时检测与...

【专利技术属性】
技术研发人员：郑含博，孙永辉，崔耀辉，平原，
申请(专利权)人：广西大学，
类型：发明
国别省市：