【技术实现步骤摘要】
本专利技术涉及输变电设备状态监测和故障诊断领域，特别是一种基于深度视觉的输变电设备故障监测方法。
技术介绍
1、输变电设备的故障诊断是维持电力系统稳定的重要环节。由于互感器，绝缘子以及断路器等电力设备长期暴露于自然环境下，易受恶劣环境影响从而发生故障，影响电力系统的正常运行。目前深度学习方法已被广泛应用于输变电设备的故障诊断领域。相比于传统机器学习，深度学习则拥有端到端的学习能力。它能够将特征提取和目标检测两个环节融为一体，并且通过连续非线性变换学习到图像的深层特征，从而拥有良好的检测鲁棒性。
2、传统的目标检测算法大多基于深度神经网络，例如faster r-cnn、yolo等，这些模型在准确率和鲁棒性方面表现出色，但是它们通常具有大量的参数和计算复杂度，导致模型运行速度较慢，难以满足输变电设备故障监测和诊断实时性的要求，也难以部署在移动端。因此，轻量化目标检测模型的研究成为了输变电设备故障监测和诊断领域的重要研究方向。轻量化模型可以在保证一定准确率的前提下，大幅度降低模型参数和计算复杂度，从而在保证较快运行速度的同时，实现在嵌入式设备和移动端的部署，以便适应于输变电设备故障监测和诊断领域中的实际应用场景。
3、可见光数据集可以很好地反映绝缘子的外部轮廓，但是却无法反映输变电设备的内部状况，不利于后续的故障诊断。红外光数据集由红外摄像机拍摄制成，它可以在展现物体外部轮廓的同时反映其内部向外辐射的热量。红外图像可以利用颜色来展示出输变电设备及其背景的温度信息。常见故障如机械故障、不合理的电气负荷条件以及内部
4、目前已有很多研究采用深度学习方法进行输变电设备故障诊断。例如：x. gong,q. yao, m. wang and y. lin, "a deep learning approach for oriented electricalequipment detection in thermal images," in ieee access, vol. 6, pp. 41590-41597, 2018, doi: 10.1109/access.2018.2859048.该文献提出了一个深度的汇周神经网络，在红外背景下通过预测每个设备部分的坐标、方向角度和类型以改善预测结果。h.zheng et al., "infrared image detection of substation insulators using animproved fusion single shot multibox detector," in ieee transactions on powerdelivery, doi: 10.1109/tpwrd.2020.3038880.该文献在ssd模型中的浅层部分设计了新的特征融合模块以提高模型对输变电设备红外图像的特征提取能力，从而提高对模型的检测精度。
5、虽然上述方法均取得了良好的检测精度，但并未解决复杂背景下输变电设备状态监测和故障诊断效果不好的问题，模型鲁棒性不够高，从而进一步影响模型对故障的诊断。同时没有解决模型网络和权重数据文件过大的问题，算法难以部署在移动端。因此本专利技术在进行研究后，提出一种基于深度视觉的输变电设备故障监测方法。
技术实现思路
1、本专利技术公开了一种基于深度视觉的输变电设备故障监测方法，包括：摄制正常与故障的输变电设备红外图像数据，对图像进行预处理，构建适用于深度学习模型的专用数据集；在g-backbone结构内部，按照ghostnet结构重新构筑轻量化卷积模块gconv，且gneck模块分为了卷积支路和融合支路两个支路，进而提高模型的性能；其次，在g-backbone结构中主要包含了gconv和gneck等模块；其中，通过优化各模块的排布方式，进而降低模型的参数量，最终达到轻量化的目的；通过结合ghostnet网络结构，提出g-backbone结构作为yolov5模型的骨干网络，进而构建改进的yolo-gb模型；最后，利用深度学习专用服务器，对该改进的yolo-gb模型进行多次训练和测试，不断优化和微调网络参数，获得符合输变电设备故障监测和诊断任务的权重数据文件。将改进的yolo-gb模型网络和获得的权重数据文件部署到相应的巡检设备，完成高效且精准的输变电设备故障监测和诊断任务。
2、为解决上述技术问题，本专利技术所采用的技术方案是：一种基于深度视觉的输变电设备故障监测方法，步骤为：
3、s1、摄制正常与故障的输变电设备红外图像数据，对摄制的红外图像采用改变对比度、旋转、对称的方法完成对数据集的扩充，再对图像进行包括筛选、标注和扩充在内的预处理操作，建立用于输变电设备故障监测和诊断任务的专用数据库；
4、s2、在g-backbone结构中主要包含了gconv和gneck等模块；其中，按照ghostnet结构重新构建轻量化卷积模块gconv，且gneck模块分为了卷积支路和融合支路两个支路，进而提高模型的性能；
5、s3、通过优化g-backbone结构内部各模块的排布方式，进而降低模型的参数量，最终达到轻量化的目的；
6、s4、通过结合ghostnet网络结构，将步骤s2所提出的g-backbone结构作为yolov5模型的骨干网络，并结合步骤s3中优化的各模块排布方式，进而构建改进yolo-gb模型网络；
7、s5、利用深度学习专用服务器，不断优化调整模型训练参数，并利用步骤s1所构建的数据集对步骤s4中改进的yolo-gb模型网络进行多次训练、验证和测试，获得符合输变电设备故障监测和诊断任务要求的权重数据文件；
8、s6、将步骤s4改进的yolo-gb模型网络和步骤s5中获得的权重数据文件部署到相应的巡检设备，完成高效且精准的输变电设备故障监测和诊断任务；
9、优选的方案中，在步骤s1中分为以下步骤：
10、s11、采用红外相机拍摄输变电设备并制成红外图像；
11、s12、对摄制的红外图像采用改变对比度、旋转、对称的方法完成对数据集的扩充；
12、s13、通过相关软件和程序，对所获得的红外图像处理成适用于输变电设备故障监测和诊断任务的专用数据集；
13、s14、对专用数据集中正常输变电设备图像与故障输变电设备图像分别采用labelimage图像标注工具进行标注；
14、s15、按照yolo数据集格式对步骤s14标注好的数据集进行整理，获得用于输变电设备故障监测和诊断任务的专用数据集；
15、s16、将步骤s15所构建的数据集分为改进的yolo-gb模型的训练集，验证集，测试集。
16、优选的方案中，在步骤s2中，在g-backbone结构中主要包含了gconv和gneck等模块，其特征主要分为以下两部分：
17、s21、按照ghostnet结构重新构建本文档来自技高网...
【技术保护点】
1.一种基于深度视觉的输变电设备故障监测方法，其特征在于，包括以下步骤:
2.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S1包括以下步骤：
3.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S2中G-backbone结构中包含了Gconv和Gneck模块，具体包括以下两部分：
4.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S4包括以下步骤：
5.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S5包括以下步骤：
6.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，步骤S6中，将步骤S4改进的YOLO-GB模型网络和步骤S5中获得的权重数据文件部署到相应的巡检设备，完成高效且精准的输变电设备故障监测和诊断任务。
7.根据权利要求3所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S21中，在G-backbone结构内部，按照Ghos
8.根据权利要求3所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S22中，在G-backbone结构内部，Gneck模块分为了卷积支路和融合支路两个支路，进而提高模型的性能；具体包括以下步骤：
9.根据权利要求8所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤S22a中，Gneck中卷积支路使用传统卷积模块提取数据特征图；融合支路分为Mix操作和Cheap操作，其中Mix操作把卷积支路提取出的特征图堆叠在一起，使用平均池化提取出单张特征图的全局信息，然后经过线性层挖掘特征图之间的隐含关系；Cheap操作使用分组卷积降低模型的参数量；使用Mix操作输出的向量对Cheap操作生成的特征图进行重赋权，从而提高模型的表达能力。
10.根据权利要求8所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，在卷积支路中通过降低特征图的数量减少参数量，并引入影子系数λ来描述融合支路提供的特征图百分比。
...【技术特征摘要】
1.一种基于深度视觉的输变电设备故障监测方法，其特征在于，包括以下步骤:
2.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤s1包括以下步骤：
3.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤s2中g-backbone结构中包含了gconv和gneck模块，具体包括以下两部分：
4.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤s4包括以下步骤：
5.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤s5包括以下步骤：
6.根据权利要求1所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，步骤s6中，将步骤s4改进的yolo-gb模型网络和步骤s5中获得的权重数据文件部署到相应的巡检设备，完成高效且精准的输变电设备故障监测和诊断任务。
7.根据权利要求3所述一种基于深度视觉的输变电设备故障监测方法，其特征在于，所述步骤s21中，在g-backbo...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。