【技术实现步骤摘要】
本专利技术涉及电力设备监测维护领域，具体涉及一种电力设备视频图像缺陷识别方法及系统。
技术介绍
1、电力系统的稳定运行具有重要意义。电力设备一旦出现故障，会影响电力系统的安全和稳定运行，甚至引起电力供应中断，对生产生活造成不利影响。智能监控系统可用于监控、管理智能电网和无人值守变电站。而缺陷识别又是电力设备缺陷管理工作中的重要流程，店里设备在运行过程中，存在漏油、锈蚀、异物等异常状况，智能监控系统需要快速准确的发现上述缺陷，并加以标记，根据分析结果的严重程度采取相应的报警措施。维护人员通过日常或专项巡检采集电力设备工作状态，发现其中存在的缺陷，若无法及时、准确、全面地发现缺陷，则会影响后续的缺陷管理工作。当前的缺陷识别主要采用图像识别技术来实现，其中一些现有方案采用结构较复杂的深度神经网络模型，例如：r-cnn(region-basedconvolutional network，基于区域卷积网络)、yolo(you only look once，尤洛夫网络模型)，例如公布号为cn110232687a的现有专利技术专利申请文献《一种电力巡检图像中带销螺栓缺陷的检测方法》，该现有方案包括：faster r-cnn(faster region-based convolutionalnetwork，快速基于区域卷积网络)模型的构建、faster r-cnn模型的训练、带销螺栓目标的检测以及带销螺栓的缺陷判断的步骤。以及公布号为cn115937079a的现有专利技术专利申请文献《一种基于yolov3的输电线路缺陷快速检测方法》包括：基于输
2、电力设备缺陷识别在电力安全方面具有较高应用价值，在面对电力设备缺陷识别问题时，传统的人工观测方式存在检测效率低下，不能及时地进行反馈，并且人力成本高；图像识别算法目前也广泛应用在电力设备缺陷检测中，主要针对边缘、轮廓等特征进行提取，前述现有方法能够有效的检测出设备中的缺陷目标，但在应用中容易受光照等外界条件的影响，导致目标检测的效果较差。此外，鉴于电力设备复杂的工况环境，将上述复杂的深度神经网络用于电力设备视频缺陷识别的准确度较低。
3、本专利技术现有技术中的电力设备视频图像缺陷识别操作，存在标记操作效率低、准确性低、检测模型的计算量大以及网络结构复杂的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中的电力设备视频图像缺陷识别操作，存在标记操作效率低、准确性低、检测模型的计算量大以及网络结构复杂的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：一种电力设备视频图像缺陷识别方法包括：
3、s1、预训练初始残差神经网络，以得到适用缺陷分类残差神经网络，供图像分类；
4、s2、初始化问题潜在解粒子群的位置、速度；
5、s3、在问题潜在解粒子群中，计算每个问题潜在解粒子的适应值；
6、s4、根据适应值，利用粒子群优化算法进行持续迭代操作，以寻获位置最优解、速度最优解，处理得到局部更新最优解、全局更新最优解，以更新获取问题潜在解粒子的位置、速度；
7、s5、在满足粒子群优化算法的结束条件时，结束持续迭代操作，根据问题潜在解粒子的位置、速度，输出最佳位置参数以及电力设备视频图像中的缺陷坐标位置；
8、s6、利用粒子群优化算法搜索并确定适用残差网络参数，引导适用缺陷分类残差神经网络进行学习，根据缺陷坐标位置获取缺陷分类数据，其中，适用残差网络参数包括：适用学习率、适用正则化项系数以及适用卷积核尺寸。
9、本专利技术用粒子群优化算法引导残差网络学习，旨在高效定位出电力设备视频图像中的缺陷位置，完成缺陷快速准确的识别和标记，更高效的维护电力设备。本专利技术简单高效，具有重要的实用价值，而且降低了运算量，同时图像分类不易受外界环境的干扰，有效增强了视频图像采集条件的鲁棒性。
10、在更具体的技术方案中，步骤s1包括：
11、s11、收集并预处理差异类别缺陷图像集，以得到扩充训练集；
12、s12、将扩充训练集，输入至初始残差神经网络，以进行参数优化训练，通过重构学习，将参数优化训练过程中的底层误差，通过预置快捷连接传递至上一层，以得到适用缺陷分类残差神经网络。
13、本专利技术采用的残差神经网络辅助的智能算法模型，运用残差神经网络对视频图像区域进行分类，在通过粒子群优化算法计算出采集的视频图像中缺陷的具体位置，从而完成电子设备视频图像缺陷的快速识别与定位。
14、本专利技术采用的残差神经网络仅用于对图像的缺陷进行分类，而不需要对缺陷进行定位，这有效的降低了运算量。
15、在更具体的技术方案中，步骤s12包括：
16、s121、利用初始残差神经网络处理扩充训练集，以得到并输出图像差异类别缺陷概率值：
17、 (p1 ,p2 ,p3 ,…)；
18、式中， p1表示第1类缺陷概率值， p2表示第2类缺陷概率值， p3表示第3类缺陷概率值；
19、s122、利用下述逻辑，表达初始残差神经网络的恒等映射函数：
20、
21、式中， x为残差块输入， f为残差映射函数，表示输入经过残差块中第 i个卷积层时获得的权重，表示输入经过残差块中第 i个卷积层时获得的权重，及残差块输入 x对应的残差映射函数值。
22、在更具体的技术方案中，步骤s2包括：
23、s21、获取问题潜在解粒子的位置；
24、设在一个 d维的目标搜索空间中，存在 m个问题潜在解粒子，组成问题潜在解粒子群：
25、
26、式中，表示第1个问题潜在解粒子，表示第2个问题潜在解粒子，表示第 m个问题潜在解粒子；
27、s22、利用下述逻辑，以位置 d维向量表示本文档来自技高网...
【技术保护点】
1.一种电力设备视频图像缺陷识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述S1包括：
3.根据权利要求2所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述S12包括：
4.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述S2包括：
5.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述S3包括：
6.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述S4包括：
7.根据权利要求6所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述步骤S41包括：
8.根据权利要求6所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述步骤S42中，根据下述逻辑，更新所述问题潜在解粒子的所述速度、所述位置：
9.根据权利要求8所述的一种电力设备视频图像缺陷识别方法，其特征在于，对适用缺陷分类残差神经网络，利用下述逻辑，自适应调整所述惯性权重w：
10.一
...【技术特征摘要】
1.一种电力设备视频图像缺陷识别方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述s1包括：
3.根据权利要求2所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述s12包括：
4.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述s2包括：
5.根据权利要求1所述的一种电力设备视频图像缺陷识别方法，其特征在于，所述s3包括：
6.根据权利要求1所述的一种电力设备视频图像缺陷识别方...
【专利技术属性】
技术研发人员：钱宇骋，王署东，赵常威，卢一相，竺德，高清维，甘津瑞，张鹏，刘浩，夏卫尚，韩兆刚，常珂，陈彬，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：
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。