基于深度学习的变电站设备检测方法及装置制造方法及图纸

本发明专利技术公开了基于深度学习的变电站设备检测方法及装置，其方法包括以下步骤：采集包含变电站设备的物理分合闸位置的多幅图像，对图像进行标注并预处理，制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；利用py faster rcnn深度卷积网络训练变电站设备检测神经网络模型，利用训练好的网络模型进行测试，得到变电站设备的设备类别和物理分合闸位置识别结果。本发明专利技术提供的基于深度学习的变电站设备检测方法及装置，能对变电站设备类别及物理分合闸状态进行高效自动检测，识别结果准确率高，实用性和可操作性强。

Detection method and device of substation equipment based on deep learning

【技术实现步骤摘要】
基于深度学习的变电站设备检测方法及装置
本专利技术涉及图像处理
，尤其是涉及基于深度学习的变电站设备检测方法及装置。
技术介绍
在变电站中，设备状态是变电运行人员日常工作中重点关注的内容之一，其与整个电网乃至电力系统的安全稳定运行密切相关。变电站一次设备作为承载高电压、允许大电流通过的物理载体，其物理分合闸位置是反映带电一次设备的连接部分工作情况的直接依据，主要包括户外隔离开关及其附属接地刀闸的合上及断开位置。在以往的运行工作中，变电运行人员主要通过后台监控系统检查现场设备经过二次回路辅助节点上传的位置信号来判断物理分合闸位置，并人工到达设备现场进行再次核对，但在多数情况下对象设备可能与工作人员有较远距离，到场人工观察费时费力，在特殊全站操作任务或者复杂操作任务情况下时，需要对每一项操作都进行完现场人工核对后才能进入下一项操作，极为不便，需消耗大量时间及人力物力。随着变电站智能巡检及定点监测等智能设备的应用及普及，通过图像来判断设备物理分合闸的场景不断增多，而将越来越多的巡检图像数据通过人工进行识别分析，将费时费力效率低下本文档来自技高网...

【技术保护点】
1.基于深度学习的变电站设备检测方法，其特征在于，包括以下步骤：/nS1：采集包含变电站设备的物理分合闸位置的多幅图像，对所述图像的设备类别与分合闸位置标注不同标签的目标框，将标注好的所述图像进行统一裁剪、预处理，以制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；/nS2：加载训练集与预训练的模型参数到变电站设备检测神经网络模型中，利用基于深度学习的py faster rcnn深度卷积网络进行训练，以获得训练后的所述变电站设备检测神经网络模型；/nS3：利用所述验证集对训练后的所述变电站设备检测神经网络模型进行验证，根据验证结果对所述变电站设备检测神经网络模型进行迭代优化，得...

【技术特征摘要】
1.基于深度学习的变电站设备检测方法，其特征在于，包括以下步骤：
S1：采集包含变电站设备的物理分合闸位置的多幅图像，对所述图像的设备类别与分合闸位置标注不同标签的目标框，将标注好的所述图像进行统一裁剪、预处理，以制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；
S2：加载训练集与预训练的模型参数到变电站设备检测神经网络模型中，利用基于深度学习的pyfasterrcnn深度卷积网络进行训练，以获得训练后的所述变电站设备检测神经网络模型；
S3：利用所述验证集对训练后的所述变电站设备检测神经网络模型进行验证，根据验证结果对所述变电站设备检测神经网络模型进行迭代优化，得到最终的所述变电站设备检测神经网络模型；
S4：利用所述测试集对所述变电站设备检测神经网络模型进行测试，得到变电站设备的设备类别和物理分合闸位置识别结果。


2.根据权利要求1所述的基于深度学习的变电站设备检测方法，其特征在于，步骤S2中利用基于深度学习的pyfasterrcnn深度卷积网络进行训练具体包括：在训练过程中根据训练结果对所述变电站设备检测神经网络模型的参数进行优化，不断改进所述变电站设备检测神经网络模型的结构。


3.根据权利要求2所述的变电站电力设备红外图像异常实时检测方法，其特征在于，步骤S2具体包括：
S21：对所述训练集进行一系列卷积和池化处理，得到一系列特征图；
S22：利用RPN层网络对所述特征图进行识别，从所述特征图中获取目标的预测位置；
S23：ROIPooling层利用所述预测位置和VGG16最后一层得到的特征图，得到固定大小的目标特征图，以便进行目标分合闸识别和定位；
S24：利用Classifter层对所述目标特征图进行全连接操作，利用softmax进行具体类别的分类，同时，利用L1loss完成boundingboxregression回归操作获得目标的精确位置。


4.根据权利要求3所述的基于深度学习的变电站设备检测方法，其特征在于，S22的具体步骤为：特征图通过RPN层网络，首先生成一系列anchorbox，对其进行裁剪过滤后通过softmax判断anchors属于前景或者后景；同时，另一分支boundingboxregression修正anchorbox，形成目标的预测位置。


5.根据权利要求1所述的基于深度学习的变电站设备检测方法，其特征在于，S3的具体步骤包括：将所述验证集输入到所述变电站设备检测神经网络模型中，在模型的输出端获取该图像对应的特征图，然后对特征图上每个锚点取9个候选ROI并映射回原图像中，并把候选ROI输入到RPN中进行分类和回归，最后在所述变电站设备检测神经网络模型中进行细分和精确预测。


6.应用权利要求1至...

【专利技术属性】
技术研发人员：刘介玮，许爱东，李烨阳，徐传懋，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司，
类型：发明
国别省市：广东;44