【技术实现步骤摘要】
计量设备的异常检测方法、装置、存储介质及计算机设备
[0001]本专利技术涉及供电管理
,尤其是涉及一种计量设备的异常检测方法
、
装置
、
存储介质及计算机设备
。
技术介绍
[0002]电能计量设备对电能计量来说是重中之重的电力设备,计量设备的正常运行是企业必需保障的
。
计量是电力市场交易的直接依据,也是电网运行状态监测的重要信息源,电力计量设备是电力计量确保计量准确可靠的
、
电力企业关注的重点方向,为此,对计量设备进行异常检测至关重要
。
[0003]目前,通常通过人工到达现场对计量设备进行异常检测
。
然而,这种人工检测方式,需要工作人员搬运检测仪器到达现场,导致计量设备的检测效率较低,与此同时,由于工作人员技术水平的参差不齐,会导致检测错误的情况,从而导致计量设备的检测准确度较低
。
技术实现思路
[0004]本专利技术提供了一种计量设备的异常检测方法
、
装置
、
存储介质及计算机设备,主要在于能够提高计量设备的检测效率和检测准确度
。
[0005]根据本专利技术的第一个方面,提供一种计量设备的异常检测方法,包括:
[0006]获取待检测计量设备的实时现场图像;
[0007]对所述实时现场图像进行图像分割,得到所述待检测计量设备中不同元器件的分割图像,其中,所述分割图像包括不同元器件的器件图像
、< ...
【技术保护点】
【技术特征摘要】
1.
一种计量设备的异常检测方法,其特征在于,包括:获取待检测计量设备的实时现场图像;对所述实时现场图像进行图像分割,得到所述待检测计量设备中不同元器件的分割图像,其中,所述分割图像包括不同元器件的器件图像
、
不同元器件之间线路连接关系的连线图像
、
不同元器件上铭牌的铭牌信息图像;将所述不同元器件的分割图像与预设安装标准库中存储的对应元器件的标准图像进行匹配,得到匹配结果;根据所述匹配结果,判定所述待检测计量设备是否存在异常
。2.
根据权利要求1所述的方法,其特征在于,在所述对所述实时现场图像进行图像分割,得到所述待检测计量设备中不同元器件的分割图像之前,所述方法还包括:判断所述实时现场图像的拍摄角度是否为预设角度;若所述实时现场图像的拍摄角度不是所述预设角度,则基于所述电能计量设备的实际安装信息,确定所述实时现场图像对应的旋转角度和旋转方向;依据所述旋转角度和所述旋转方法,对所述实时现场图像进行旋转,得到旋转后的实时现场图像;依据所述电能计量设备的实际尺寸信息,确定所述旋转后的实时现场图像的变形部位,并确定所述变形部位的变形量;基于所述变形量,对所述变形部位进行变形处理,得到变形后的实时现场图像
。3.
根据权利要求1所述的方法,其特征在于,所述对所述实时现场图像进行图像分割,得到所述待检测计量设备中不同元器件的分割图像,包括:将所述实时现场图像输入至预设深度卷积神经网络进行分割处理,得到所述待检测计量设备中不同元器件的分割图像;其中,所述预设深度卷积神经网络包括特征提取网络
、
候选区域生成网络和类别预测网络;所述将所述实时现场图像输入至预设深度卷积神经网络进行分割处理,得到所述待检测计量设备中不同元器件的分割图像,包括:将所述实时现场图像输入至所述特征提取网络进行特征提取,得到所述实时现场图像对应的图像特征向量;将所述图像特征向量输入至所述候选区域生成网络进行区域预测,得到所述实时现场图像对应的预测分割区域;将所述预测分割区域输入至所述类别预测网络进行类别预测,得到所述实时现场图像对应的不同分割类别,以及所述不同分割类别对应的位置信息;基于所述不同分割类别及其对应的位置信息,对所述实时现场图像进行图像分割,得到所述待检测计量设备中不同元器件的分割图像
。4.
根据权利要求3所述的方法,其特征在于,在所述将所述实时现场图像输入至预设深度卷积神经网络进行分割处理,得到所述待检测计量设备中不同元器件的分割图像之前,所述方法还包括:构建预设初始深度卷积神经网络,并获取样本图像及其对应的实际分割图像;将所述样本图像输入至所述预设初始深度卷积神经网络进行图像分割,得到所述样本图像对应的预测分割图像;
基于所述预测分割图像和所述实际分割图像,构建所述预设初始深度卷积神经网络对应的损失函数;基于所述损失函数,构建所述预设深度卷积神经网络
。5.
根据权利要求1所述的方法,其特征在于,所述对所述实时现场图像进行图像分割,得到所述待检测计量设备中不同元器件的分割图像,包括:依据预设线材颜色和预设线材形状,在所述实时现场图像中确定连接不同元器件的各相色导线的起点
【专利技术属性】
技术研发人员:张家铭,刘拧滔,肖冀,郑可,成涛,徐鸿宇,邹波,万树伟,于千傲,陈冰凌,谭时顺,周峰,何珉,吕鑫科,王雪松,卢瑶,胡建明,
申请(专利权)人:国家电网有限公司,
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。