变压器异常检测方法、装置、计算机设备和存储介质制造方法及图纸

本申请涉及一种变压器异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图；对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图；通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别。采用本方法能够提高变压器异常检测效率。

【技术实现步骤摘要】
变压器异常检测方法、装置、计算机设备和存储介质
本申请涉及电网设备异常检测
，特别是涉及一种变压器异常识别方法、装置、计算机设备和存储介质。
技术介绍
变电站异常检测对于维持变电站的安全稳定运行具有重要意义。在现有的变电站工作环境中，变电站异常检测是依靠人工进行检测，长时间的人工监视不仅会造成工作人员疲劳，对一些突发的异常状况也很难及时地做出判断与响应，大大降低了监控系统的工作效率，随着计算机视觉技术的发展，智能监控技术在电力系统中的应用日趋广泛，现有变电站监控中，通过具有智能检测功能的网络摄像机对采集到的环境信息进行异常检测，导致变压器异常检测效率低。
技术实现思路
基于此，有必要针对上述技术问题，提供一种能够提高变压器异常检测效率的变压器异常检测方法、装置、计算机设备和存储介质。一种变压器异常检测方法，所述方法包括：获取待检测的变压器运行场景图像；将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。在其中一个实施例中，所述对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图，包括：对各所述初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；对所述通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；对所述点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。在其中一个实施例中，所述根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的特征图，包括：对所述点卷积特征图和所述冗余特征图进行加权融合，得到融合特征图；所述通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别，包括：通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别。在其中一个实施例中，所述通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别，包括：对所述融合特征图进行池化处理，得到池化处理后的池化特征；在全连接层对所述池化特征进行处理，得到各所述异常类型的异常类别数；通过分类器对各所述异常类别数进行分类处理，得到对应的概率值；根据各所述概率值的数值大小，确定变压器的异常类别。在其中一个实施例中，在将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型之前，所述方法还包括：获取变压器的历史运行场景图像集；采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对所述历史运行场景图像集中进行数据增广，得到运行场景图像样本集；构建轻量级异常检测网络模型，通过所述轻量级异常检测网络模型对所述运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型。在其中一个实施例中，所述构建轻量级异常检测网络模型，包括：获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；根据所述预设数量、所述预设尺寸和所述通道数量确定特征提取网络；在所述特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在所述全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型。一种变压器异常检测装置，所述装置包括：获取模块，用于获取待检测的变压器运行场景图像；特征提取模块，用于将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；卷积处理模块，用于对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；特征处理模块，用于根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；检测模块，用于通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：获取待检测的变压器运行场景图像；将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。一种计算机可读存储介质，其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以下步骤：获取待检测的变压器运行场景图像；将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。上述变压器异常检测方法、装置、计算机设备和存储介质，通过获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，对变压器运行场景图像进行特征提取，得到变压器运行场景图像的点卷积特征图和冗余特征图；根据点卷积特征图和冗余特征图对变压器进行异常检测，得到变压器的异常类别；即在确保异常检测网络模型的性能的同时，通过模型优化后得到的轻量级异常检测网络模型对变压器运行场景图像进行检测，减少数据处理量，提高数据的处理效率，进而提升变压器异常的检测效率。附图说明图1为一个实施例中变压器异常检测方法的应用环境图；图2为一个实施例中变压器异常检测方法的流程示意图；图3为一个实施例中轻量级神经卷积网络的结构示意图；图4为一个实施例中训练轻量级异常检测网络模型方法的流程示意图；图5为一个实施例中确定变压器的异常类别方法的流程示意图；图6为另一个实施例中变压器异常检测方法的流程示意图；图7为一个实施例中变压器失火着火的检测示意图；图8为一个实施例中变压器异常检测装置的结构框图；图9为一个实施例中计算机设备的内部结构图。具体实施方式为了本文档来自技高网...

【技术保护点】
1.一种变压器异常检测方法，其特征在于，所述方法包括：/n获取待检测的变压器运行场景图像；/n将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；/n对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；/n根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；/n通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别；/n所述对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图，包括：/n对各所述初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；/n对所述通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；/n对所述点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。/n

【技术特征摘要】
1.一种变压器异常检测方法，其特征在于，所述方法包括：
获取待检测的变压器运行场景图像；
将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；
对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别；
所述对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图，包括：
对各所述初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；
对所述通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；
对所述点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。


2.根据权利要求1所述的方法，其特征在于，所述根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的特征图，包括：
对所述点卷积特征图和所述冗余特征图进行加权融合，得到融合特征图；
所述通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别，包括：
通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别。


3.根据权利要求2所述的方法，其特征在于，所述通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别，包括：
对所述融合特征图进行池化处理，得到池化处理后的池化特征；
在全连接层对所述池化特征进行处理，得到各所述异常类型的异常类别数；
通过分类器对各所述异常类别数进行分类处理，得到对应的概率值；
根据各所述概率值的数值大小，确定变压器的异常类别。


4.根据权利要求1所述的方法，其特征在于，在将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型之前，所述方法还包括：
获取变压器的历史运行场景图像集；
采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对所述历史运行场景图像集中进行数据增广，得到运行场景图像样本集；
构建轻量级异常检测网络模型，通过所述轻量级异常检测网络模型对所述运行场景图像样本...

【专利技术属性】
技术研发人员：陈浩敏，姚森敬，辛文成，席禹，张凡，敖榜，于力，符健，王诗文，
申请(专利权)人：南方电网数字电网研究院有限公司，
类型：发明
国别省市：广东;44