电力设备图像分类方法、装置、电力设备及存储介质制造方法及图纸

本发明专利技术实施例公开了一种电力设备图像分类方法、装置、电力设备及存储介质。该电力设备图像分类方法包括：基于样本电力设备图片构建训练集；使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；基于图片缺陷识别模型对待检测图片进行识别，以确定待检测图片的缺陷类型。本发明专利技术实施例所提供的电力设备图像分类方法，解决了现有技术中通过人力进行图片分类效率低和容易出错的问题，能够对电力系统中巡检产生的批量图片进行自动识别和分类，为运维人员对电力设备的故障识别提供可靠依据。

【技术实现步骤摘要】
电力设备图像分类方法、装置、电力设备及存储介质
本专利技术实施例涉及电气设备运维
，尤其涉及一种电力设备图像分类方法、装置、电力设备及存储介质。
技术介绍
近些年，数码摄像和机器人技术不断发展，新建的智能变电站和一些改造的无人值守变电站通过视频监控或者是机器人搭载照相机等手段实现高效地变电站巡检，把现场的图像数据传输到监控中心进行人工分析和识别。现有的图像和视频数据存量大，增长速度快，能够发现的有用信息比较少；人工判断存在主观性、模糊性、不完全、效率低下等问题。巡视中变电站设备出现的具体缺陷类型多，巡视产生的需要人工识别分析的图像数量大，仅靠人工进行图片缺陷识别和分类，存在效率低的问题，并且面对大量的图片，长时间工作后人员眼疲劳导致判断准确度下降。
技术实现思路
本专利技术实施例提供一种电力设备图像分类方法、装置、电力设备及存储介质，对批量的巡检图片进行自动缺陷识别，以对巡检图片进行批量分类。第一方面，本专利技术实施例提供了一种电力设备图像分类方法，包括：基于样本电力设备图片构建训练集；使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。可选的，在所述基于样本电力设备图片构建训练集之后，所述方法还包括：对所述样本电力设备图片进行缺陷类型标注，以为所述样本图像分配类别标签，其中，所述类别标签用于作为对电力设备图片进行分类的依据。可选的，在所述使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型之后，所述方法还包括：使用所述图片缺陷识别模型对预设的测试集中的测试图片进行分类预测，得到预测类别标签集，其中，所述测试集中的每个测试图片均对应匹配一实际类别标签；基于所述预测类别标签集中的各预测类别标签与对应所述实际类别标签的比较结果，确定所述图片缺陷识别模型的分类准确率；若所述图片缺陷识别模型的分类准确率小于预设的准确率阈值，则增加所述训练集中所述样本电力图片的数量和/或增加所述训练集中所述样本电力图片的训练次数，重新训练所述图片缺陷识别模型，并在所述图片缺陷识别模型的分类准确率大于或等于所述准确率阈值时，固定所述图片缺陷识别模型的参数，将参数更新后的所述图片缺陷识别模型确定为目标图片缺陷识别模型；相应地，所述基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型，包括：基于所述目标图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。可选的，所述缺陷类型包括如下至少一种：部件破损类，呼吸器缺陷类，状态指示缺陷类，异物类，渗漏油类和外观不整洁类。可选的，所述预设的卷积神经网络模型为VGG16模型。可选的，所述基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型，包括：所述图片缺陷识别模型中的卷积层提取所述待检测图片的预设数量的特征块；所述图片缺陷识别模型中的池化层从所述预设数量的特征块中选择出目标特征块；所述图片缺陷识别模型中的全连接层对所述特征块进行处理，得到目标特征区域；所述图片缺陷识别模型中的输出层输出所述特征区域的预测结果，以确定出所述待检测图片的缺陷类型。第二方面，本专利技术实施例还提供了一种电力设备图像分类装置，包括：训练集构建模块，用于基于样本电力设备图片构建训练集；图片缺陷识别模型确定模块，用于使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；图片缺陷类型确定模块，用于基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型；分类模块，用于基于所述缺陷类型对所述待检测图片进行分类。可选的，该电力设备图像分类装置还包括：类别标签分配模块，用于对所述样本电力设备图片进行缺陷类型标注，以为所述样本图像分配类别标签。第三方面，本专利技术实施例还提供了一种电力设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如本专利技术任意实施例所述的电力设备图像分类方法。第四方面，本专利技术实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任意实施例所述的电力设备图像分类方法。本专利技术实施例所提供的电力设备图像分类方法，通过构建训练集对预设的神经卷积网络模型进行训练，得到图片缺陷识别模型，由图像缺陷识别模型对待检测图片进行自动识别，以确定待检测图片是否存在缺陷，并在确定待检测图片存在缺陷时自动定位出对应图片的缺陷类型，从而解决了现有技术中通过人力进行图片分类效率低和容易出错的问题，能够对电力系统中巡检产生的批量图片进行自动识别和分类，为运维人员对电力设备的故障识别提供可靠依据。附图说明图1为本专利技术实施例提供的一种电力设备图像分类方法的流程图；图2为本专利技术实施例提供的VGG16模型的整体架构图；图3为本专利技术实施例提供的另一种电力设备图像分类方法的流程图；图4为本专利技术实施例提供的一种电力设备图像分类装置的结构框图；图5为本专利技术实施例提供的一种电力设备的结构框图。具体实施方式下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。图1为本专利技术实施例提供的一种电力设备图像分类方法的流程图，该方法可适用于对电力系统中巡检产生的图片进行自动识别，并基于自动识别结果对图片进行自动分类的情况。从而运维人员可基于图片分类结果及时获取到存在缺陷的设备。该方法可以由电力设备来执行，电力设备例如可以为配置有图像分类算法的计算机设备等。参考图1，该电力设备图像分类方法包括如下步骤：S110、基于样本电力设备图片构建训练集。其中，样本电力设备图片为包括有缺陷图片和无缺陷的正常图片的电力设备图片集，其中的缺陷图片包括了各种缺陷类型。在一实施例中，样本电力设备图片包括如下缺陷类型的图片：部件破损类图片，呼吸器缺陷类图片，状态指示缺陷类图片，异物类图片，渗漏油类图片和外观不整洁类图片。例如，样本电力设备图片可以包括8000张图片和8000张图片对应的xml文件，其中，电流互感器二次接线盒锈蚀缺陷类样本，变压器渗油缺陷类样本，变压器套管污秽缺陷类样本和变压器脱漆缺陷类样本各有2000张图片和2000个xml文件。S120、使用训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型。其中，训练集中的各样本电力设备图片包含了各种类型的缺陷图片，因而由训练集对卷积神经网络进行训练，可以得到图片缺陷特征与图片类型的对应关系的模型，本文档来自技高网...

【技术保护点】
1.一种电力设备图像分类方法，其特征在于，包括：/n基于样本电力设备图片构建训练集；/n使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；/n基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。/n

【技术特征摘要】
1.一种电力设备图像分类方法，其特征在于，包括：
基于样本电力设备图片构建训练集；
使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型；
基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。


2.根据权利要求1所述的电力设备图像分类方法，其特征在于，在所述基于样本电力设备图片构建训练集之后，所述方法还包括：
对所述样本电力设备图片进行缺陷类型标注，以为所述样本图像分配类别标签，其中，所述类别标签用于作为对电力设备图片进行分类的依据。


3.根据权利要求1所述的电力设备图像分类方法，其特征在于，在所述使用所述训练集对预设的卷积神经网络模型进行训练，得到图片缺陷识别模型之后，所述方法还包括：
使用所述图片缺陷识别模型对预设的测试集中的测试图片进行分类预测，得到预测类别标签集，其中，所述测试集中的每个测试图片均对应匹配一实际类别标签；
基于所述预测类别标签集中的各预测类别标签与对应所述实际类别标签的比较结果，确定所述图片缺陷识别模型的分类准确率；
若所述图片缺陷识别模型的分类准确率小于预设的准确率阈值，则增加所述训练集中所述样本电力图片的数量和/或增加所述训练集中所述样本电力图片的训练次数，重新训练所述图片缺陷识别模型，并在所述图片缺陷识别模型的分类准确率大于或等于所述准确率阈值时，固定所述图片缺陷识别模型的参数，将参数更新后的所述图片缺陷识别模型确定为目标图片缺陷识别模型；
相应地，所述基于所述图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型，包括：
基于所述目标图片缺陷识别模型对待检测图片进行识别，以确定所述待检测图片的缺陷类型。


4.根据权利要求1所述的电力设备图像分类方法，其特征在于，所述缺陷类型包括如下至少一种：部件破损类，呼吸器缺陷类，状态指示缺陷类，异物类，渗漏油...

【专利技术属性】
技术研发人员：郭艳婷，
申请(专利权)人：广东电网有限责任公司，广东电网有限责任公司惠州供电局，
类型：发明
国别省市：广东;44