【技术实现步骤摘要】
一种电力设备目标识别方法
本专利技术涉及图像识别的
，尤其涉及一种电力设备目标识别方法。
技术介绍
高压设备的巡检是保证设备可靠供电的有效手段，随着我国国企定编定岗政策的实施和电网的发展，设备巡检工作的问题日益突出，只要表现在：人少事多，巡检制度难以贯彻落实，巡检质量低，检机器人可用性亟待提高。若能采用先进的检测和诊断技术，实现变电站关键设备的无人巡检和隐患异常情况的自动判断，可极大地解放一线班组人员的巡检负担，有助于一线班组建设由工作型向管理型转变，大大提高当前变电站运维水平。掌握输变电设备运行状态与运行环境状况，及时发现电网设备运行的隐患是变电设备运维管理的关键问题。由于设备数量多、运行环境复杂、状态监测技术的局限性，如何及时、准确的掌握设备运行状态仍然亟待解决，目前常用的检测手段主要问题表现在：(1)现有的在线监测系统认可度不高、使用价值低。传统的巡检和带电检测方法因其固定的检测试验周期，不能对设备运行的全过程进行监控，设备隐患不一定能及时发现。(2)目前应用的变电站机器人巡检主要...
【技术保护点】
1.一种电力设备目标识别方法，其特征在于包括以下步骤：/n步骤一、建立包含多张电力设备图像的数据集，并对每张电力设备图像包含的电力设备进行标注，以此为输入，对神经网络和贝叶斯网络进行训练学习；/n步骤二、利用训练好的神经网络对待识别的电力设备图像进行识别，输出多个识别结果；/n步骤三、利用训练好的贝叶斯网络对神经网络的识别结果进行筛选，筛选出对应待识别的电力设备图像最准确的识别结果。/n
【技术特征摘要】
1.一种电力设备目标识别方法，其特征在于包括以下步骤：
步骤一、建立包含多张电力设备图像的数据集，并对每张电力设备图像包含的电力设备进行标注，以此为输入，对神经网络和贝叶斯网络进行训练学习；
步骤二、利用训练好的神经网络对待识别的电力设备图像进行识别，输出多个识别结果；
步骤三、利用训练好的贝叶斯网络对神经网络的识别结果进行筛选，筛选出对应待识别的电力设备图像最准确的识别结果。
2.根据权利要求1所述的基于机器学习的电力设备目标识别方法，其特征在于：利用标签工具对每张电力设备图像包含的电力设备进行标注，根据标注信息计算对应贝叶斯网络的节点和有向边信息，构建对应的有向无环图，利用数据集的多张电力设备图像对贝叶斯网络进行训练，获得对应的条件概率表。
3.根据权利要求2所述的电力设备目标识别方法，其特征在于：设置阈值，对神经网络的所有识别结果进行筛选，根据筛选出的多个识别结果，重新计算对应贝叶斯网络的节点和有向边信息，构建对应的有向无环图，并结合训练得到的条件概率表，计算对应的联合概率，选取最高的联合概率对应的识别结果，作为待识别的电力设备图像最准确的识别结果。
4.根据权利要求3所述的电力设备目标识别方法，其特征在于：每一个所述节点设置为一个设备，每一条所述有向边设置为设备之间的关系，其方向由优先级较高的节点指向优先级较低的节点，
整个有向无环图的概率分布包括三部分，第一部分设置为在某几种设备存在的前提下，另一个设备存在的概率Ps，其条件概率表达式如下所示：
Ps＝P(p2|p1，p4)P(p3|p2，p4)...
第二部分设置为设置自身概率Pa，即每种设备的相对面积s大小与该设备自身的种类有关，其条件概率表达式如下所示：
Pa＝P(s1|p1)P(s2|p2)...
第三部分设置为空间关系概率Pr，即设备与设备之间的空间关系与这两个设备的类型有关，其条件概率表达式如下所示：
Pr＝P(R1，2|p1，p2)...P(R9，10|p9，p10)
则联合概率P分布表达式如下所示：
P＝PsPaPr＝P(p2|p1，p4)P(p3|p2，p4)...P(s1|p1)P(s2|p2)...P(R1，2|p1，p2)...P(R9，10|p9，p10)。
5.根据权利要求4所述的电力设备目标识别方法，其特征在于：所述标注信息包括电力设备的轮廓、类型和图像质量信息，以json格式文件进行存储，所述轮廓信息设置为每个设备外沿取较多的点连接成的多边形；
所述节点包含10个参数，分别设置为设备类型type，设备相对面积area，设备形心的横坐...
【专利技术属性】
技术研发人员：刘亚东，严英杰，李喆，钱勇，罗林根，汪可友，宋辉，盛戈皞，江秀臣，熊思衡，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31
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。