【技术实现步骤摘要】
本专利技术涉及一种电力设备缺陷判断方法，特别是一种基于电力设备红外图像温度数据分布统计的缺陷诊断方法。
技术介绍
1、目前，在多种电力设备的故障诊断规则中，红外检测是一种常见的变电设备检测手段，对于红外图像的缺陷诊断是对变电设备运行状态实时掌控的重要手段。红外图像的缺陷诊断，主要是通过电力设备各部件的温度来判断电力设备是否存在故障，所以如何精准的判断所选定的设备部件是否存在故障就显得尤为重要。然而，由于红外图像包含多种伪彩色，增加了人为进行识别的难度，造成对电力设备的诊断不准确。因此，亟需研发一种可以精准识别电力设备红外图像是否存在缺陷的方法，来满足使用需求。
技术实现思路
1、本专利技术的目的在于，提供一种基于电力设备红外图像温度数据分布统计的缺陷诊断方法。本专利技术具有能够精准识别电力设备缺陷的特点。
2、本专利技术的技术方案：基于电力设备红外图像温度数据分布统计的缺陷诊断方法，包括以下步骤：
3、s1、将历史采集到的各个电力设备红外图像划分为缺陷图像和非缺陷图像，并分别对缺陷图像和非缺陷图像中的一个或多个部件框坐标及其所对应的温度矩阵数据进行数据处理，生成对应的缺陷统计图和非缺陷统计图，将所得到的缺陷统计图和非缺陷统计图组成数据集；
4、数据处理生成统计图的方式为：标记电力设备的各个部件，得到电力设备的部件框，找到电力设备红外图像中所对应部件框的温度矩阵数据，将电力设备红外图像中各个部件框对应的的温度矩阵数据作扁平化处理，并进行拼接，得到一
5、s2、通过数据集中的数据对yolov4分类模型进行训练得到统计图分类检测模型；
6、s3、使用已知同类电力设备的各个部件框坐标，截取待检测电力设备的红外图像所对应各个部件框的温度矩阵数据，并采用步骤s1中的数据处理方式进行数据处理后得到待检测的温度数据分布统计图，通过统计图分类检测模型对待检测的温度数据分布统计图进行分类检测，得到分类检测结果。
7、前述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法中，将步骤s1中的数据集按7:1:2的比例随机划分为训练集、验证集和测试集，用于步骤s2中yolov4分类模型的训练。
8、前述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法中，步骤s2中yolov4分类模型训练的具体过程为：yolov4分类模型使用mobilenet0.25作为主干特征提取网络，sgd作为优化器，进行端到端的网络训练；yolov4分类模型训练采用迁移学习的方法，共设置800次迭代，前300次迭代，冻结主干网络参数，batch_size设置为64，后500次迭代对整个网络权重值训练，batch_size设置为32；学习率采用余弦衰减方式，初始值设置为1e-2，最小学习率设置为1e-4，最后获得统计图分类检测模型。
9、前述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法中，步骤s3中，在对各个部件框的温度矩阵数据进行数据处理时，先使用得到的数组array_concatenate对待检测设备的缺陷情况进行初步判断，如果数组array_concatenate中的所有温度值均小于-10℃，无需经过统计图分类检测模型分析判断即可直接判定待检测电力设备的部件无缺陷，反之如果数组array_concatenate中的所有温度值均大于100度，此时待检测电力设备为缺陷设备，如果数组arr ay_concatenate不满足以上两种情况则待检测统计图，然后通过统计图分类检测模型对待检测的温度数据分布统计图进行分类检测，即可判断待检测电力设备是否存在缺陷。
10、与现有技术相比，本专利技术利用历史采集到的电力设备红外图像，进行缺陷图像和非缺陷图像的分类，然后通过对上述图像中对应设备的部件和温度矩阵数据进行特定的数据处理，得到可以反映设备状态的温度数据分布统计图；基于电力设备红外图像温度数据分布统计图，运用yolov4深度学习的方法对温度数据分布统计图进行缺陷和非缺陷的分类，从而判断电力设备的部件是否存在缺陷。采用本申请的方法，可以有效提高电力设备红外图像识别的精度度。
11、申请人通过对在相同实验环境选取变电站常见的23种电力设备的缺陷和非缺陷数据进行测试，模型的精准率和召回率如下：
12、 精准率 召回率 缺陷 98.2％ 98.3％ 非缺陷 98.5％ 98.4％
本文档来自技高网...【技术保护点】
1.基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，将步骤S1中的数据集按7:1:2的比例随机划分为训练集、验证集和测试集，用于步骤S2中YoloV4分类模型的训练。
3.根据权利要求1所述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，步骤S2中YoloV4分类模型训练的具体过程为：YoloV4分类模型使用mobilenet0.25作为主干特征提取网络，SGD作为优化器，进行端到端的网络训练；YoloV4分类模型训练采用迁移学习的方法，共设置800次迭代，前300次迭代，冻结主干网络参数，batch_size设置为64，后500次迭代对整个网络权重值训练，batch_size设置为32；学习率采用余弦衰减方式，初始值设置为1e-2，最小学习率设置为1e-4，最后获得统计图分类检测模型。
4.根据权利要求1所述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，步骤S3中，在对各个部件框的温度矩
...【技术特征摘要】
1.基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，将步骤s1中的数据集按7:1:2的比例随机划分为训练集、验证集和测试集，用于步骤s2中yolov4分类模型的训练。
3.根据权利要求1所述的基于电力设备红外图像温度数据分布统计的缺陷诊断方法，其特征在于，步骤s2中yolov4分类模型训练的具体过程为：yolov4分类模型使用mobilenet0.25作为主干特征提取网络，sgd作为优化器，进行端到端的网络训练；yolov4分类模型训练采用迁移学习的方法，共设置800次迭代，前300次迭代，冻结主干网络参数，batch_size设置为64，后500次迭代对整个网络权重值训练，batch_size设置为32；学习率采用...
【专利技术属性】
技术研发人员：梁川，常娜，陈灵紫，朱怡良，张坤，
申请(专利权)人：浙江天铂云科光电股份有限公司，
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。