基于机器学习的电力设备表面缺陷的检测方法及装置制造方法及图纸

本发明专利技术公开一种基于机器学习的电力设备表面缺陷的检测方法及装置。本发明专利技术提供的一种基于机器学习的电力设备表面缺陷的检测方法及装置，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；根据所述电力设备表面图像数据，训练Tiny

【技术实现步骤摘要】
基于机器学习的电力设备表面缺陷的检测方法及装置


[0001]本专利技术涉及缺陷检测
，尤其涉及一种基于机器学习的电力设备表面缺陷的检测方法及装置。

技术介绍

[0002]电力设备绝缘健康是保证供电可靠性的基础，是电力安全生产的根本保证。随着输电、变电的不断提高，电压等级也在不断提高，电气设备的可靠运行及故障诊断越发显得重要。从现场故障统计数据来看，电力设备表面缺陷由于不可恢复和具有累积性的特点，最终引发击穿或闪络故障的概率要远远高于其他型式的缺陷。特别是固体绝缘沿面放电会使绝缘在短时间内损坏，对设备造成危害严重。现有的电力设备表面缺陷往往通过视频监控，并由相关人员通过视频进行人工识别，效率较低，工作量较大。因此，有必要提出一种基于机器学习的电力设备表面缺陷的检测方法及装置，以解决上述问题。

技术实现思路

[0003]本专利技术提供一种基于机器学习的电力设备表面缺陷的检测方法及装置，以解决现有的电力设备表面缺陷往往通过视频监控，并由相关人员通过视频进行人工识别，效率较低，工作量较大的问题。
[0004]第一方面，本专利技术提供一种基于机器学习的电力设备表面缺陷的检测方法，其特征在于，包括：
[0005]获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；
[0006]根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
>v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；
[0007]接收电力设备表面实时监控图像；
[0008]将所述电力设备表面输入所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；
[0009]输出所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的检测结果。
[0010]进一步地，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集的步骤中，所述电力设备表面正常图像和电力设备表面缺陷图像为RGB格式的图片，将所述RGB格式的图片转成JPEG格式保存。
[0011]进一步地，根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述激活函数为Sigmoidal激活函数。
[0012]进一步地，根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述池化层采用maximum pooling。
[0013]进一步地，根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型使用在NVidia TITAN V GPU上运行的Keras框架通过Linux操作系统进行训练。
[0014]本专利技术还提供一种基于机器学习的电力设备表面缺陷的检测装置，包括：
[0015]获取单元，用于获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；
[0016]训练单元，用于根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；
[0017]接收单元，用于接收电力设备表面实时监控图像；
[0018]输入单元，用于将所述电力设备表面输入所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；
[0019]输出单元，用于输出所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的检测结果。
[0020]进一步地，所述电力设备表面正常图像和电力设备表面缺陷图像为RGB格式的图片，将所述RGB格式的图片转成JPEG格式保存。
[0021]进一步地，所述激活函数为Sigmoidal激活函数。
[0022]进一步地，所述池化层采用maximum pooling。
[0023]进一步地，所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型使用在NVidia TITAN V GPU上运行的Keras框架通过Linux操作系统进行训练。
[0024]本专利技术的有益效果如下：本专利技术提供的一种基于机器学习的电力设备表面缺陷的检测方法及装置，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；接收电力设备表面实时监控图像；将所述电力设备表面输入所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；输出所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的检测结果；无需由相关人员通过视频进行人工识别，效率得到显著提升，识别的准确率的得到显著提高。
附图说明
[0025]为了更清楚地说明本专利技术的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0026]图1为本专利技术实施例提供的基于机器学习的电力设备表面缺陷的检测方法的流程图。
[0027]图2为本专利技术实施例提供的基于机器学习的电力设备表面缺陷的检测装置的示意图。
具体实施方式
[0028]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术具体实施例及相应的附图对本专利技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的电力设备表面缺陷的检测方法，其特征在于，包括：获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；接收电力设备表面实时监控图像；将所述电力设备表面输入所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；输出所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的检测结果。2.如权利要求1所述的方法，其特征在于，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集的步骤中，所述电力设备表面正常图像和电力设备表面缺陷图像为RGB格式的图片，将所述RGB格式的图片转成JPEG格式保存。3.如权利要求1所述的方法，其特征在于，根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述激活函数为Sigmoidal激活函数。4.如权利要求1所述的方法，其特征在于，根据所述电力设备表面图像数据，训练Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型；所述Tiny
‑
YOLO
‑
v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述池化层采用maximum pooling。5.如权利要求1所述的方法，其特征在于，根据所述电力设备表面图像数据，训练Tiny
...

【专利技术属性】
技术研发人员：李庆光，张文杰，兰彩霞，魏东华，王纯月，
申请(专利权)人：北京中拓新源科技有限公司，
类型：发明
国别省市：