一种电力设备故障检测方法、装置、设备及存储介质制造方法及图纸

本申请公开一种电力设备故障检测方法、装置、设备及存储介质，涉及电力物联网安全技术领域，能够提高电力设备的故障检测精度和检测效率。具体方案包括：获取原始图像数据集，并进行类型划分，得到第一数据集和第二数据集，第一数据集中为电力设备正常运行的图像数据，第二数据集为电力设备故障的图像数据；对第二数据集进行数据增强，得到第二目标数据集；利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。故障检测结果。故障检测结果。

【技术实现步骤摘要】
一种电力设备故障检测方法、装置、设备及存储介质


[0001]本申请涉及电力物联网安全
，尤其涉及一种电力设备故障检测方法、装置、设备及存储介质。

技术介绍

[0002]随着电力系统的快速发展，电力系统运行的稳定性变得更加重要。在智能电网下，一旦电力设备出现故障，将极大地影响电力系统的安全和供电的稳定性。而电力设备长期受气候等外界环境因素的影响，容易出现故障，因此需要定期对电力设备进行检查和维护，以保证供电系统的正常运行。图像目标检测技术是根据图像的视觉内容检测出图像中感兴趣的目标并确定他们的类别和位置，该技术广泛存在于一些与海量图像数据相关的领域。
[0003]电力设备的故障由电力设备的类型、故障位置、故障程度等因素决定，其故障分布也不同。因此，基于图像的目标检测技术非常适用于电力设备的故障检测。通过分析电力设备表面的故障分布信息，可以发现电力设备潜在的隐患和故障，并对故障的严重程度进行定量判断。但目前基于图像目标检测方法在检测电力设备故障时存在检测精度较低和检测效率较低的问题。

技术实现思路

[0004]本申请提供一种电力设备故障检测方法、装置、设备及存储介质，能够提高电力设备的故障检测精度和检测效率。
[0005]为达到上述目的，本申请采用如下技术方案：本申请实施例第一方面，提供了一种电力设备故障检测方法，该方法包括：获取原始图像数据集，并对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据；对第二数据集进行数据增强，得到第二目标数据集；利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。
[0006]在一个实施例中，对第二数据集进行数据增强，包括：利用数据增强对第二数据集中的图像进行过采样，并将过采样结果增加至第二数据集中，得到第二目标数据集，其中，数据增强包括：图像旋转、图像翻转和图像灰度变化。
[0007]在一个实施例中，多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络；利用第一数据集训练预设的初始多尺度卷积神经网络模型之前，方法还包
括：初始化特征提取网络、多尺度卷积网络和全连接网络，得到初始化多尺度卷积神经网络模型；对应的，利用第一数据集训练预设的初始多尺度卷积神经网络模型，包括：利用第一数据集训练初始化多尺度卷积神经网络模型。
[0008]在一个实施例中，利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间网络模型，包括：将第一数据集作为训练集，并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，则得到中间网络模型。
[0009]在一个实施例中，将第一数据集作为训练集，并采用小批量梯度下降算法训练初始化多尺度卷积神经网络模型，包括：配置初始化多尺度卷积神经网络模型的训练参数，训练参数包括迭代次数、小批量采样大小和模型参数学习率；基于第一数据集和初始化多尺度卷积神经网络模型执行至少一个迭代操作，直至初始化多尺度卷积神经网络模型达到预设的迭代次数或者初始化多尺度卷积神经网络模型收敛，得到中间多尺度卷积神经网络模型；迭代操作包括：对第一数据集进行小批量随机采集，得到采样的小批量数据集；将小批量数据集输入至初始化多尺度卷积神经网络模型，得到对应的预测类别概率；根据小批量数据集对应的真实类别标签和对应的预测类别概率计算初始化多尺度卷积神经网络模型的损失函数，并根据损失函数对多尺度卷积神经网络模型的模型参数进行更新。
[0010]在一个实施例中，利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型，包括：加载中间多尺度卷积神经网络模型，并利用高斯分布随机初始化中间多尺度卷积神经网络模型的最后一个全连接层；利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，直至中间多尺度卷积神经网络模型收敛或者中间多尺度卷积神经网络模型的训练次数达到预测次数，则得到目标多尺度卷积神经网络模型。
[0011]在一个实施例中，将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果，包括：将多个实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到每个电力设备图像对应的电力设备的运行正常概率和故障概率，根据运行正常概率和故障概率确定电力设备的故障检测结果。
[0012]本申请实施例第二方面，提供了一种电力设备故障检测装置，该装置包括：获取模块，用于获取原始图像数据集；处理模块，用于对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故
障的图像数据；处理模块，还用于对第二数据集进行数据增强，得到第二目标数据集；训练模块，用于利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；训练模块，还用于利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；检测模块，用于将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果。
[0013]本申请实施例第三方面，提供了一种电子设备，包括存储器和处理器，存储器存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面中的电力设备故障检测方法。
[0014]本申请实施例第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现本申请实施例第一方面中的电力设备故障检测方法。
[0015]本申请实施例提供的技术方案带来的有益效果至少包括：本申请实施例提供的电力设备故障检测方法，通过获取原始图像数据集，并对原始图像数据集进行类型划分，得到第一数据集和第二数据集，第一数据集中包括多个电力设备正常运行的图像数据，第二数据集中包括多个电力设备故障的图像数据，然后对第二数据集进行数据增强，得到第二目标数据集，以及利用第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型，利用第一数据集和第二目标数据集训练中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；最后将实时采集的电力设备图像输入至目标多尺度卷积神经网络模型中，得到电力设备的故障检测结果，这样，使用具有不同感受野的卷积核可以提取不同尺度的图像特征，采用多尺度卷积神经网络作为深度学习模型，同时采用数据增强和迁移学习，提高了电力场景训练数据类别不平衡时的泛化能力，因此可以提高电力设备的故障检测精度和检测效率，进而能有效地对电力设备进行故障检测，根据检测结果，可以及时对电力故障设备进行安全检修，增加了电力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力设备故障检测方法，其特征在于，所述方法包括：获取原始图像数据集，并对所述原始图像数据集进行类型划分，得到第一数据集和第二数据集，所述第一数据集中包括多个电力设备正常运行的图像数据，所述第二数据集中包括多个电力设备故障的图像数据，所述第一数据集的数据量大于所述第二数据集的数据量；对所述第二数据集进行数据增强，得到第二目标数据集；利用所述第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间多尺度卷积神经网络模型；利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型；将实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中，得到所述电力设备的故障检测结果。2.根据权利要求1所述的方法，其特征在于，所述对所述第二数据集进行数据增强，包括：利用数据增强对所述第二数据集中的图像进行过采样，并将过采样结果增加至所述第二数据集中，得到所述第二目标数据集，其中，所述数据增强包括：图像旋转、图像翻转和图像灰度变化。3.根据权利要求1所述的方法，其特征在于，所述多尺度卷积神经网络模型包括特征提取网络、多尺度卷积网络和全连接网络；所述利用所述第一数据集训练预设的初始多尺度卷积神经网络模型之前，所述方法还包括：初始化所述特征提取网络、所述多尺度卷积网络和所述全连接网络，得到初始化多尺度卷积神经网络模型；对应的，所述利用所述第一数据集训练预设的初始多尺度卷积神经网络模型，包括：利用所述第一数据集训练所述初始化多尺度卷积神经网络模型。4.根据权利要求3所述的方法，其特征在于，所述利用所述第一数据集训练预设的初始多尺度卷积神经网络模型，得到中间网络模型，包括：将所述第一数据集作为训练集，并采用小批量梯度下降算法训练所述初始化多尺度卷积神经网络模型，直至所述初始化多尺度卷积神经网络模型达到预设的迭代次数或者所述初始化多尺度卷积神经网络模型收敛，则得到所述中间多尺度卷积神经网络模型。5.根据权利要求4所述的方法，其特征在于，所述将所述第一数据集作为训练集，并采用小批量梯度下降算法训练所述初始化多尺度卷积神经网络模型，包括：配置所述初始化多尺度卷积神经网络模型的训练参数，所述训练参数包括迭代次数、小批量采样大小和模型参数学习率；基于所述第一数据集和所述初始化多尺度卷积神经网络模型执行至少一个迭代操作，直至所述初始化多尺度卷积神经网络模型达到预设的迭代次数或者所述初始化多尺度卷积神经网络模型收敛，得到所述中间多尺度卷积神经网络模型；所述迭代操作包括：对所述第一数据集进行小批量随机采集，得到采样的小批量数据集；将所述小批量数据集输入至所述初始化多尺度卷积神经网络模型，得到对应的预测类
别概率；根据所述小批量数据集对应的真实类别标签和对应的预测类别概率计算所述初始化多尺度卷积神经网络模型的损失函数，并根据所述损失函数对所述多尺度卷积神经网络模型的模型参数进行更新。6.根据权利要求1所述的方法，其特征在于，所述利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型，得到目标多尺度卷积神经网络模型，包括：加载所述中间多尺度卷积神经网络模型，并利用高斯分布随机初始化所述中间多尺度卷积神经网络模型的最后一个全连接层；利用所述第一数据集和所述第二目标数据集训练所述中间多尺度卷积神经网络模型，直至所述中间多尺度卷积神经网络模型收敛或者所述中间多尺度卷积神经网络模型的训练次数达到预测次数，则得到所述目标多尺度卷积神经网络模型。7.根据权利要求1所述的方法，其特征在于，将实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中，得到所述电力设备的故障检测结果，包括：将多个实时采集的电力设备图像输入至所述目标多尺度卷积神经网络模型中，得到每个电力设备图像对应的电力设备的运行正常概率和故障概率，根据所述运行正常概率和所述故障概率确定所述电力设备的故障检测结果...

【专利技术属性】
技术研发人员：王红凯，徐昱，闫云凤，孔维生，张旭东，李钟煦，毛冬，陈祖歌，李国志，饶涵宇，宋宇波，郑怡，
申请(专利权)人：南京南瑞信息通信科技有限公司，
类型：发明
国别省市：