一种变电设备的外观检测方法、装置、设备和存储介质制造方法及图纸

本发明专利技术涉及一种变电设备的外观检测方法，包括获取变电设备的图像数据；根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域；根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果。本发明专利技术实现了提升判定变电设备的外观是否存在污渍的效率，同时还提升了对变电设备的污渍类型和区域检测的准确度。本发明专利技术还涉及一种变电设备的外观检测装置、设备和存储介质。

【技术实现步骤摘要】
一种变电设备的外观检测方法、装置、设备和存储介质
本专利技术涉及电力
，尤其涉及一种变电设备的外观检测方法、装置、设备和存储介质。
技术介绍
变电设备是指电力系统中对电压和电流进行变换，接受电能及分配电能的电力设备。智能变电设备是采用先进、可靠、集成和环保的智能设备，以全站信息数字化、通信平台网络化、信息共享标准化为基本要求，自动完成信息采集、测量、控制、保护、计量和检测等基本功能。目前，通常是通过值守人员对变电设备的外观进行巡检，存在效率低下，易受环境影响，对污渍的识别准确率低等问题。
技术实现思路
本专利技术所要解决的技术问题是针对现有技术的不足，提供一种变电设备的外观检测方法、装置、设备和存储介质。本专利技术解决上述技术问题的技术方案如下：一种变电设备的外观检测方法，包括：获取变电设备的图像数据；根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域；根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果。本专利技术的有益效果是：提供一种变电设备的外观检测方法，通过获取采集到的变电设备的图像数据和颜色空间模型，得到图像数据中的疑似污渍区域，根据疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到变电设备的外观检测结果，实现提升判定变电设备的外观是否存在污渍的效率，同时还提升了对变电设备的污渍类型和区域检测的准确度。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步地，所述根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域，具体包括：将所述图像数据划分为多个检测区域，并将每一个所述检测区域输入至颜色空间模型中，得到所述检测区域的色彩信息；将满足预设条件的色彩信息所对应的所述检测区域，确定为疑似污渍区域。采用上述进一步方案的有益效果是：将图像数据划分多个检测区域，并将每一个检测区域输入至颜色空间模型中，得到检测区域的色彩信息，根据色彩信息确定检测区域是否为疑似污渍区域，提升了判定变电设备的外观是否存在污渍的效率。进一步地，所述根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果，具体包括：提取所述疑似污渍区域的图像特征；采用所述卷积神经网络对所述图像特征进行分类，得到分类结果和所述分类结果的置信度；判断所述分类结果的置信度是否高于预设阈值；若是，将所述分类结果作为所述疑似污渍区域的检测结果；否则，将所述图像特征输入所述K近邻法，得到所述疑似污渍区域的检测结果；根据所有所述疑似污渍区域的检测结果，得到所述变电设备的外观检测结果。采用上述进一步方案的有益效果是：采用卷积神经网络对所述图像特征进行分类，得到分类结果和分类结果的置信度，当分类结果的置信度低于预设阈值时，将图像特征输入K近邻法，得到疑似污渍区域的检测结果，否则，分类结果是疑似污渍区域的检测结果，根据所有疑似污渍区域的检测结果，得到变电设备的外观检测结果，提升了对变电设备的污渍类型和区域检测的准确度。进一步地，所述提取所述疑似污渍区域的图像特征之前，还包括：对所述疑似污渍区域进行中值滤波处理和直方图均衡化处理。进一步地，还包括：对所述卷积神经网络和所述K近邻法进行训练的步骤：采集所述变电设备的图像数据作为样本图像；对所述样本图像进行图像预处理，并将预处理后的所述样本图像作为训练样本集；根据所述训练样本集的图像特征对所述卷积神经网络进行训练；采用所述训练样本集的图像特征对所述K近邻法进行训练。本专利技术解决上述技术问题的另一种技术方案如下：一种变电设备的外观检测装置，包括：采集模块，用于获取变电设备的图像数据；预判模块，用于根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域；确认模块，用于根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果。本专利技术的有益效果是：提供一种变电设备的外观检测装置，采集模块采集到的变电设备的图像数据，预判模块根据图像数据和颜色空间模型，得到图像数据中的疑似污渍区域，确认模块根据疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到变电设备的外观检测结果，实现提升判定变电设备的外观是否存在污渍的效率，同时还提升了对变电设备的污渍类型和区域检测的准确度。在上述技术方案的基础上，本专利技术还可以做如下改进。进一步地，所述预判模块，具体用于将所述图像数据划分为多个检测区域，并将每一个所述检测区域输入至颜色空间模型中，得到所述检测区域的色彩信息；将满足预设条件的色彩信息所对应的所述检测区域，确定为疑似污渍区域。进一步地，所述确认模块，具体用于提取所述疑似污渍区域的图像特征；采用所述卷积神经网络对所述图像特征进行分类，得到分类结果和所述分类结果的置信度；判断所述分类结果的置信度是否高于预设阈值；若是，将所述分类结果作为所述疑似污渍区域的检测结果；否则，将所述图像特征输入所述K近邻法，得到所述疑似污渍区域的检测结果；根据所有所述疑似污渍区域的检测结果，得到所述变电设备的外观检测结果。本申请还提供一种变电设备的外观检测设备，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如上述技术方案中任一项所述变电设备的外观检测方法的步骤。此外，本专利技术还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述技术方案中任一项所述变电设备的外观检测方法的步骤。本专利技术附加的方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术实践了解到。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例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，下面所描述的附图仅仅是本专利技术的一些实施例，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，还可以根据这些附图获得其他的附图。图1为本专利技术实施例提供的一种变电设备的外观检测方法的示意性流程图；图2为本专利技术另一实施例提供的一种变电设备的外观检测装置的模块结构图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本专利技术保护的范围。如图1本专利技术实施例提供的一种变电设备的外观检测方法的示意性流程图所示，一种变电设备的外观检测方法包括：110、获取变电设备的图像数据。120、根据图像数据和颜色空间模型，得到图像数据中的疑似污渍区域。本文档来自技高网...

【技术保护点】
1.一种变电设备的外观检测方法，其特征在于，包括：/n获取变电设备的图像数据；/n根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域；/n根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果。/n

【技术特征摘要】
1.一种变电设备的外观检测方法，其特征在于，包括：
获取变电设备的图像数据；
根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域；
根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果。


2.根据权利要求1所述的变电设备的外观检测方法，其特征在于，所述根据所述图像数据和颜色空间模型，得到所述图像数据中的疑似污渍区域，具体包括：
将所述图像数据划分为多个检测区域，并将每一个所述检测区域输入至颜色空间模型中，得到所述检测区域的色彩信息；
将满足预设条件的色彩信息所对应的所述检测区域，确定为疑似污渍区域。


3.根据权利要求1所述的变电设备的外观检测方法，其特征在于，所述根据所述疑似污渍区域、预先训练的卷积神经网络和K近邻法，得到所述变电设备的外观检测结果，具体包括：
提取所述疑似污渍区域的图像特征；
采用所述卷积神经网络对所述图像特征进行分类，得到分类结果和所述分类结果的置信度；
判断所述分类结果的置信度是否高于预设阈值；
若是，将所述分类结果作为所述疑似污渍区域的检测结果；
否则，将所述图像特征输入所述K近邻法，得到所述疑似污渍区域的检测结果；
根据所有所述疑似污渍区域的检测结果，得到所述变电设备的外观检测结果。


4.根据权利要求3所述的变电设备的外观检测方法，其特征在于，所述提取所述疑似污渍区域的图像特征之前，还包括：
对所述疑似污渍区域进行中值滤波处理和直方图均衡化处理。


5.根据权利要求1-4中任一项所述的变电设备的外观检测方法，其特征在于，还包括：对所述卷积神经网络和所述K近邻法进行训练的步骤：
采集所述变电设备的图像数据作为样本图像；
对所述样本图像进行图像预处理，并将预处理后的所述样本图像作为训练样...

【专利技术属性】
技术研发人员：刘秋生，岳焕印，袁飞，崔敏，
申请(专利权)人：北京恒通智控机器人科技有限公司，
类型：发明
国别省市：北京;11