一种基于神经网络的电网图像识别系统技术方案

本发明专利技术实施例公开了一种基于神经网络的电网图像识别系统，包括：人工神经网络训练用数据集生成模块、人工神经网络训练模块、人工神经网络推理预测模块和人机交互模块，人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，人工神经网络训练模块以图像数据集为输入，输出人工神经网络分类器，人工神经网络推理预测模块以原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互界面输入待分析的原始数据图像，根据分析输出的结果对电网故障进行处理。本发明专利技术解决现有电力系统故障分析效率低、处理周期长的问题。

A Network Image Recognition System Based on Neural Network

The embodiment of the invention discloses a power network image recognition system based on neural network, which includes data set generation module for training artificial neural network, training module for artificial neural network, reasoning and prediction module for artificial neural network and human-computer interaction module. The data set generation module for training artificial neural network prepares the sample image data for training artificial neural network. The training module of artificial neural network takes image data set as input and outputs artificial neural network classifier. The reasoning and prediction module of artificial neural network takes original data image as input. The classifier of artificial neural network makes a lot of automatic reasoning and prediction for the categories represented by each graph, and outputs the corresponding category identification of each image. The interactive interface inputs the original data image to be analyzed, and processes the power network fault according to the analysis output results. The invention solves the problems of low efficiency of fault analysis and long processing period of the existing power system.

【技术实现步骤摘要】
一种基于神经网络的电网图像识别系统
本专利技术实施例涉及供电
，具体涉及一种基于神经网络的电网图像识别系统。
技术介绍
随着电力系统自动化水平的不断提高，电力系统中原来越多的使用红外、超声波、电磁波传感器来在线监测设备运行状况，比如通过红外传感器实时采集设备红外影像、通过局放传感器采集开关柜、GIS等电力设备局部放电的超声波或特高频信号、通过无人机巡检广域电力输电线路并实时采集沿线设备可见光或红外观照片等。所有采集到的红外光、紫外光、可见光图像以及超声波、电磁波频谱图像，可以直观的反应设备的各种异常状况、诸如温度异常、局部短路放电等故障，但识别这些图像不仅需要人花费大量的时间来完成，还需要这些操作人员具备相当的知识技能水平，能否对这些电力图像大数据进行高效的分析，已经成为电力大数据应用落地的瓶颈。
技术实现思路
为此，本专利技术实施例提供一种基于神经网络的电网图像识别系统，以解决现有电力系统故障分析效率低、处理周期长的问题。为了实现上述目的，本专利技术的实施方式提供如下技术方案：在本专利技术的实施方式中，提供了一种基于神经网络的电网图像识别系统，包括：分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块，分析判断阶段包括人工神经网络推理预测模块和人机交互模块，所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，进行神经网络计算，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互模块实现操作人员输入待分析的原始数据图像，并根据分析输出的结果对电网故障进行处理。优选地，所述人工神经网络训练用数据集生成模块对训练人工神经网络的示例图像数据进行预处理，包括：示例图像分类、图像归一化处理和图像数据扩增处理。优选地，所述训练人工神经网络的示例图像数据进行预处理过程为：收集预先经过专业技术人员判断分类的典型图像，包括多种类型，每种类型500-1000张样本；将多种类型图片存入多个文件夹，每个文件夹以图片所属类型进行命名；对每个文件夹的图片数据进行清洗，避免放错类别，去除特征不清晰样本和重复样本，确保每个文件夹内图片数量均衡；采用python与OpenCV库对每个文件夹内的图片进行批量倍增，实现图片灰度化、随机选择和图片拉升变形操作，使每个类别图片增加至5000张；基于Tensorflow框架将所有的图片文件生成对应的数据集文件，Tensorflow是一个基于数据流编程的符号数学系统。优选地，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，利用迁移学习算法进行训练，输出人工神经网络分类器。优选地，所述人工神经网络训练模块的训练过程为:在本地计算机安装适配Tensorflow环境依赖项；定义目标神经网络的结构和前向传播的输出结果，定义损失函数以及反向传播优化的算法，选取预训练网络；导入预训练网络的计算图与最优的权重文件，使用导入的计算图与权重作为目标网络的前部特征提取器，冻结预训练网络除最后一层之外的权重；读取人工神经网络训练用数据集生成模块输出的图像数据集，做张量化处理，作为训练数据；生成会话，并且在训练数据上反复运行反向传播优化算法，调整神经网络参数，进行多轮训练；输出可以重复利用的网络计算图和权重文件，即人工神经网络分类器。优选地，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，通过内置的图像预处理器过滤后，输送给人工神经网络训练模块输出的人工神经网络分类器，人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识。优选地，所述人机交互模块通过操作人员从设备或电脑存储器上读取待分析的原始数据图像、导入事先训练并优化调参的人工神经网络分类器，命令人工神经网络推理预测模块执行图像分类操作，并在人机交互模块上图形化显示人工神经网络推理预测模块的输出结果，在输出结果为响应的故障或异常时，在人机交互模块上动态提示操作员采取相关措施进行处理。优选地，所述人机交互模块包括电脑端和移动终端，所述电脑端通过网页进行原始数据图像的输入，进行智能识别预测，所述移动终端上安装智能APP，通过移动终端直接将原始数据图像导入势能APP，识别结果回流至人工神经网络训练用数据集生成模块，构建大数据库，通过超大规模数据进行二次学习而不断迭代模型达到更高的性能。本专利技术的实施方式具有如下优点：本专利技术实施例公开了一种基于神经网络的电网图像识别系统，通过人工神经网络训练用数据集生成模块进行训练数据的预处理，输入人工神经网络训练模块，利用迁移学习算法进行多轮训练，输出人工神经网络分类器，人工神经网络预测模块将实际现场采集的原始数据图像进行输入，通过人工神经网络分类器对原始数据图像进行识别，通过人机交互模块显示识别结果，对异常情况进行处理，所述基于神经网络的电网图像识别系统能够全天在线工作，提升电网故障分析效率，缩短处理周期，及时解决问题，提供更优质服务。附图说明为了更清楚地说明本专利技术的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本专利技术可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本专利技术所能产生的功效及所能达成的目的下，均应仍落在本专利技术所揭示的
技术实现思路
得能涵盖的范围内。图1为本专利技术的实施例提供的一种基于神经网络的电网图像识别系统的连接示意图；具体实施方式以下由特定的具体实施例说明本专利技术的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本专利技术的其他优点及功效，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例参考图1，本实施例公开了一种基于神经网络的电网图像识别系统，在电力系统中局部放电是指电力设备绝缘部位局部被击穿的放电现象，局部放电现象只有在设备带电运行时才会发生，放电电流微小，并且具有突发性，传统的电气设备的定期停电检修不易发现局部放电现象，长时间未得到解决将会导致电力设备的绝缘层彻底损坏，造成停电事故甚至人员伤亡及财产损失事故。人工检修过程中需要携带手持专用检测设备检测是否存在局部放电现象，对于偶然发生的局部放电现象无法准确捕捉，需要利用专用图像监测装置对电力设备进行全天实时在线监测，通过基于神经网络的电网图像识别系统对海量监测图片进行分析。所述基于神经网络的电网图像识别系统包括：分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生本文档来自技高网...

【技术保护点】
1.一种基于神经网络的电网图像识别系统，其特征在于，所述基于神经网络的电网图像识别系统包括：分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块，分析判断阶段包括人工神经网络推理预测模块和人机交互模块，所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，进行神经网络计算，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互模块实现操作人员输入待分析的原始数据图像，并根据分析输出的结果对电网故障进行处理。

【技术特征摘要】
1.一种基于神经网络的电网图像识别系统，其特征在于，所述基于神经网络的电网图像识别系统包括：分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块，分析判断阶段包括人工神经网络推理预测模块和人机交互模块，所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，进行神经网络计算，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互模块实现操作人员输入待分析的原始数据图像，并根据分析输出的结果对电网故障进行处理。2.如权利要求1所述的一种基于神经网络的电网图像识别系统，其特征在于，所述人工神经网络训练用数据集生成模块对训练人工神经网络的示例图像数据进行预处理，包括：示例图像分类、图像归一化处理和图像数据扩增处理。3.如权利要求2所述的一种基于神经网络的电网图像识别系统，其特征在于，所述训练人工神经网络的示例图像数据进行预处理过程为：收集预先经过专业技术人员判断分类的典型图像，包括多种类型，每种类型500-1000张样本；将多种类型图片存入多个文件夹，每个文件夹以图片所属类型进行命名；对每个文件夹的图片数据进行清洗，去除特征不清晰样本和重复样本，确保每个文件夹内图片数量均衡；采用python与OpenCV库对每个文件夹内的图片进行批量倍增，实现图片灰度化、随机选择和图片拉升变形操作，使每个类别图片增加至5000张；基于Tensorflow框架将所有的图片文件生成对应的数据集文件。4.如权利要求1所述的一种基于神经网络的电网图像识别系统，其特征在于，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，利用迁移学习算法进行训练，...

【专利技术属性】
技术研发人员：喻永生，王淼，
申请(专利权)人：燊赛上海智能科技有限公司，
类型：发明
国别省市：上海,31