一种刀闸状态异常识别方法及装置制造方法及图纸

本发明专利技术公开了一种刀闸状态异常识别方法及装置，包括：获取刀闸的第一图像数据，并对所述第一图像数据进行预处理，所述第一图像数据为根据预设高度控制无人机拍摄得到的俯拍图像数据；将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息；所述实时变化神经网络模型是根据

【技术实现步骤摘要】
一种刀闸状态异常识别方法及装置


[0001]本专利技术涉及刀闸状态检测
，尤其涉及一种刀闸状态异常识别方法及装置
。

技术介绍

[0002]随着现代化工业的发展，电力系统的自动化和智能化程度不断提高
。
刀闸作为电力系统中的关键组件，其开合状态直接关系到电力系统的安全和稳定运行
。
因此，对刀闸开合过位
、
欠位缺陷的实时检测与识别具有重要意义
。
过位和欠位缺陷是刀闸在开合过程中可能出现的两种异常状态
。
过位是指刀闸在开合操作过程中，超过了规定的位置，可能导致设备损坏和危险事故
。
欠位是指刀闸未能达到规定的位置，可能导致电气设备无法正常工作
。
为了防止这些问题的发生，对刀闸的实时监测和识别变得尤为重要
。
[0003]现有的刀闸开合过位
、
欠位缺陷的检测方法，一种通过安装在刀闸上的机械传感器，检测刀闸的开合状态，但该方法准确性受到机械磨损和环境因素的影响，且维护成本较高
。
另一种通过测量刀闸两端的电压和电流，判断刀闸的开合状态，但这种方法在刀闸接触不良或电气参数受到干扰的情况下，准确性会受到影响
。

技术实现思路

[0004]本专利技术提供了一种刀闸状态异常识别方法及装置，以解决现有刀闸开合状态检测受环境和电气参数干扰，容易导致准确性不高的技术问题
。
[0005]为了解决上述技术问题，本专利技术提供了一种刀闸状态异常识别方法，包括：
[0006]获取刀闸的第一图像数据，并对所述第一图像数据进行预处理，所述第一图像数据为根据预设高度控制无人机拍摄得到的俯拍图像数据；
[0007]将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息；所述实时变化神经网络模型是根据
Transformer
架构构建的；所述刀闸状态信息包括刀闸的触头和转轴位置信息；
[0008]根据所述刀闸状态信息确定所述刀闸的开合过位缺陷或欠位缺陷，并对状态异常的刀闸进行预警
。
[0009]本专利技术根据无人机俯拍收集第一图像数据，并根据
Transformer
架构构建实时变化神经网络模型从而识别第一图像数据中刀闸状态信息，利用了自注意力机制和多头注意力等技术，能够在无人机图像中精确识别出刀闸开合过位
、
欠位缺陷，提高了识别准确性，同时，根据无人机进行数据采集无需根据传感器或人工巡检进行刀闸状态识别，降低了刀闸状态识别环境和电气参数干扰的依赖性，提高了识别效率和识别准确率
。
[0010]进一步的，所述对所述第一图像数据进行预处理，包括：
[0011]根据预设的分辨率对所述第一图像数据中的所有图像的进行缩放；
[0012]将缩放后的第一图像数据中的所有图像根据预设的像素值范围进行归一化；
[0013]对所述第一图像数据中的所有图像进行均衡化和矫正，并进行随机数据增强操
作
。
[0014]进一步的，在所述将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息之前，包括：
[0015]根据
Transformer
架构构建实时变化神经网络模型；所述实时变化神经网络模型包括输入层
、
解码器
、
编码器和输出层；
[0016]获取训练数据集，并对所述训练数据集进行数据增强；所述训练数据集包括刀闸的俯拍图像和对应的标签；
[0017]根据所述训练数据集对所述实时变化神经网络模型进行迭代训练，并在每次迭代后计算损失函数，并使用
Adam
优化器更新模型参数；
[0018]根据学习率调整策略动态调整所述实时变化神经网络模型的学习率，并根据验证集评估所述实时变化神经网络模型；
[0019]直至达到预设条件，停止迭代，输出训练好的变化神经网络模型
。
[0020]进一步的，所述将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息，包括：
[0021]将预处理后的第一图像数据转换为预设长度的一维向量序列，并获取所述第一图像数据的空间特征；
[0022]根据编码器和所述一维向量序列进行特征提取，生成第一状态向量；
[0023]根据解码器对所述第一状态向量进行解码，生成第一识别序列，所述第一识别序列包括所述第一图像数据中各个图像对应的刀闸状态信息
。
[0024]进一步的，所述将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息，还包括：
[0025]将所述第一识别序列转换为概率分布，所述概率分布包括刀闸状态识别结果的置信度；
[0026]根据预设阈值对所述第一识别序列进行筛选，确定所述第一图像数据中的刀闸状态信息
。
[0027]进一步的，所述根据所述刀闸状态信息确定所述刀闸开合过位或欠位缺陷，包括：
[0028]根据所述刀闸状态信息确定刀闸的触头和转轴位置信息；
[0029]根据几何计算法对所述触头和转轴位置信息进行计算所述刀闸的开合角度，确定所述刀闸开合过位或欠位缺陷
。
[0030]进一步的，所述根据几何计算法对所述触头和转轴位置信息进行计算，确定所述刀闸开合过位或欠位缺陷，包括：
[0031]根据实际需求确定刀闸的角度阈值，所述角度阈值包括分闸过位值
、
分闸欠位值
、
合闸过位值和合闸欠位值；
[0032]确定所述刀闸的开合状态，并根据所述开合状态
、
开合角度和角度阈值确定所述刀闸是否存在过位缺陷或欠位缺陷
。
[0033]进一步的，所述根据所述开合状态
、
开合角度和角度阈值确定所述刀闸是否存在过位缺陷或欠位缺陷具体为：
[0034]当所述刀闸的开合状态为分闸时，若所述开合角度大于分闸过位值，则所述刀闸存在过位缺陷；若所述开合角度小于分闸欠位值，则所述刀闸存在欠位缺陷；
[0035]当所述刀闸的开合状态为合闸时，若所述开合角度大于合闸过位值，则所述刀闸存在过位缺陷；若所述开合角度小于合闸欠位值，则所述刀闸存在欠位缺陷
。
[0036]进一步的，所述对状态异常的刀闸进行预警，包括：
[0037]若所述刀闸存在过位缺陷或欠位缺陷，则确定所述刀闸状态异常；
[0038]将所述刀闸的缺陷类型
、
位置信息和时间戳通过网络实时发送给用户端，进行预警
。
[0039]第二方面，本专利技术提供了一种刀闸状态异常识别装置，包括：预处理模块
、
特征提取模块和缺本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种刀闸状态异常识别方法，其特征在于，包括：获取刀闸的第一图像数据，并对所述第一图像数据进行预处理，所述第一图像数据为根据预设高度控制无人机拍摄得到的俯拍图像数据；将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息；所述实时变化神经网络模型是根据
Transformer
架构构建的；所述刀闸状态信息包括刀闸的触头和转轴位置信息；根据所述刀闸状态信息确定所述刀闸的开合过位缺陷或欠位缺陷，并对状态异常的刀闸进行预警
。2.
如权利要求1所述的刀闸状态异常识别方法，其特征在于，所述对所述第一图像数据进行预处理，包括：根据预设的分辨率对所述第一图像数据中的所有图像的进行缩放；将缩放后的第一图像数据中的所有图像根据预设的像素值范围进行归一化；对所述第一图像数据中的所有图像进行均衡化和矫正，并进行随机数据增强操作
。3.
如权利要求1所述的刀闸状态异常识别方法，其特征在于，在所述将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息之前，包括：根据
Transformer
架构构建实时变化神经网络模型；所述实时变化神经网络模型包括输入层
、
解码器
、
编码器和输出层；获取训练数据集，并对所述训练数据集进行数据增强；所述训练数据集包括刀闸的俯拍图像和对应的标签；根据所述训练数据集对所述实时变化神经网络模型进行迭代训练，并在每次迭代后计算损失函数，并使用
Adam
优化器更新模型参数；根据学习率调整策略动态调整所述实时变化神经网络模型的学习率，并根据验证集评估所述实时变化神经网络模型；直至达到预设条件，停止迭代，输出训练好的变化神经网络模型
。4.
如权利要求1所述的刀闸状态异常识别方法，其特征在于，所述将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息，包括：将预处理后的第一图像数据转换为预设长度的一维向量序列，并获取所述第一图像数据的空间特征；根据编码器和所述一维向量序列进行特征提取，生成第一状态向量；根据解码器对所述第一状态向量进行解码，生成第一识别序列，所述第一识别序列包括所述第一图像数据中各个图像对应的刀闸状态信息
。5.
如权利要求4所述的刀闸状态异常识别方法，其特征在于，所述将预处理后的第一图像数据输入预先训练好的实时变化神经网络模型，提取所述第一图像数据中的刀闸状态信息，还包括：将所述第一识别序列转换为概率分布...

【专利技术属性】
技术研发人员：赖嘉暘，杨英仪，麦晓明，
申请(专利权)人：南方电网电力科技股份有限公司，
类型：发明
国别省市：