一种非接触式高压断路器缺陷检测方法及系统技术方案

本发明专利技术公开了一种非接触式高压断路器缺陷检测方法及系统，所述非接触式高压断路器缺陷检测方法包括以下步骤：将获取的高压断路器图片输入预训练好的缺陷检测模型中，所述缺陷检测模型输出检测结果；获取所述预训练好的缺陷检测模型的步骤包括：获取断路器的缺陷样本训练集；基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型。本发明专利技术可减少对断路器故障分析研究所需环境的局限性，在便捷性和可靠性上有显著进步。在便捷性和可靠性上有显著进步。在便捷性和可靠性上有显著进步。

【技术实现步骤摘要】
一种非接触式高压断路器缺陷检测方法及系统


[0001]本专利技术属于电力开关设备的故障状态监测
，特别涉及一种非接触式高压断路器缺陷检测方法及系统。

技术介绍

[0002]电力系统建设的稳步推进，以及信息和网络技术的高速发展，对电力系统相关监测技术的智能化提出了更高的要求。非接触式高压断路器缺陷检测方法能够实现对机构箱内关键零部件运行状态的检测，并准确、及时的反馈给工作人员，提高电网智能化水平；工作人员通过及时、准确获得机构箱关键零部件的状态，进而及时消除潜在的缺陷和隐患，对于维护电网的安全稳定运行具有重要的意义。
[0003]断路器机构卡涩问题是影响断路器长寿命、高可靠性的主要因素；弹簧操动机构中零部件长期受力、操动过程中瞬态冲击力等会导致拉杆、轴销、拐臂的传动部件磨损、变形；考虑到环境因素、零部件的材料、结构设计和制造工艺、零部件的表面处理不能适应恶劣的环境和气候条件、潮气浸入引起腐蚀等，进水和结露积水后断路器及机构零部件便会出现锈蚀现象，也会导致断路器分合闸操作过程的机构卡涩，满足不了断路器预设要求的合、分操作力，导致断路器合分不到位；另外，在弹簧操动机构中因为大量使用复位扭簧或拉簧，锈蚀将造成弹簧失效，致使机构失效。二次元件除了自身受潮气的腐蚀外，还可能由于机构零部件的锈蚀，使其不能正常切换，造成电机烧毁或脱扣器烧毁。
[0004]综上，高效便捷的实现对机构箱内关键的零部件运行状态的检测并及时地发现零部件的机械缺陷对于电网安全运行以及工作人员的人生安全具有重要的意义，现有的方法需要用到传感器及断电操作，操作可靠性及便捷性上尚存在缺陷。

技术实现思路

[0005]本专利技术的目的在于提供一种非接触式高压断路器缺陷检测方法及系统，以解决上述存在的一个或多个技术问题。本专利技术具体提供了一种基于图像识别的非接触式高压断路器故障辨识方法，可减少对断路器故障分析研究所需环境的局限性，在便捷性和可靠性上有显著进步。
[0006]为达到上述目的，本专利技术采用以下技术方案：
[0007]本专利技术提供的一种非接触式高压断路器缺陷检测方法，包括以下步骤：
[0008]获取待缺陷检测的高压断路器图片；
[0009]将获取的高压断路器图片输入预训练好的缺陷检测模型中，所述缺陷检测模型输出检测结果；
[0010]其中，所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型；
[0011]获取所述预训练好的缺陷检测模型的步骤包括：
[0012]获取断路器的缺陷样本训练集；其中，所述缺陷样本训练集中的每个训练样本均包括：样本图片和标签；所述样本图片为断路器预设关键零部件不同角度、不同光照条件的
图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种，所述标签包括零部件名称和锈蚀缺陷等级；
[0013]基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型。
[0014]本专利技术方法的进一步改进在于，所述基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型的步骤具体包括：
[0015]Step.1输入参数的初始化，包括：图片维度、权重参数、训练参数以及训练集的损失率初始化，获得初始化的参数；
[0016]Step.2加载网络模型，包括：采用默认模型进行预训练，获得预训练结果；根据预训练结果利用优化器对默认模型进行优化，获得优化后的网络模型；
[0017]Step.3网络训练，包括：加载初始化的参数和优化后的网络模型进行训练，获得中间权重；
[0018]Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度；并据反向传播计算出损失值对神经元仿射变换的导数，求出权重变化的方向和步长，获得更新的权重。
[0019]本专利技术方法的进一步改进在于，所述获取所述预训练好的缺陷检测模型的步骤，还包括：
[0020]通过基于距离的聚类算法确定适合的多尺度滑动窗口，以加速卷积神经网络模型收敛。
[0021]本专利技术方法的进一步改进在于，所述预设的关键零部件包括拐臂、拉杆和缓冲器中的一种或多种。
[0022]本专利技术方法的进一步改进在于，所述缺陷检测模型输出的检测结果包括零部件是否发生变形；
[0023]获取零部件是否发生变形检测结果的步骤包括：辨识断路器的各个关键零部件；对包括关键零部件的图片进行滤波、降噪和图像分割预处理，采用canny边缘检测算法对关键零部件图像进行边缘提取；利用深度估计结合分割办法检测出关键零部件的具体轮廓后，通过计算识别出关键零部件的外接轮廓矩形的长宽比，基于长宽比判断获得关键零部件是否发生变形的检测结果。
[0024]本专利技术方法的进一步改进在于，所述缺陷检测模型输出的检测结果包括零部件是否生锈以及生锈等级。
[0025]本专利技术提供的一种非接触式高压断路器缺陷检测系统，包括：
[0026]图片获取模块，用于获取待缺陷检测的高压断路器图片；
[0027]检测结果获取模块，用于将获取的高压断路器图片输入预训练好的缺陷检测模型中，所述缺陷检测模型输出检测结果；
[0028]其中，所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型；
[0029]获取所述预训练好的缺陷检测模型的步骤包括：
[0030]获取断路器的缺陷样本训练集；其中，所述缺陷样本训练集中的每个训练样本均包括：样本图片和标签；所述样本图片为断路器预设关键零部件不同角度、不同光照条件的
图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种，所述标签包括零部件名称和锈蚀缺陷等级；
[0031]基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型。
[0032]本专利技术系统的进一步改进在于，所述基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型的步骤具体包括：
[0033]Step.1输入参数的初始化，包括：图片维度、权重参数、训练参数以及训练集的损失率初始化，获得初始化的参数；
[0034]Step.2加载网络模型，包括：采用默认模型进行预训练，获得预训练结果；根据预训练结果利用优化器对默认模型进行优化，获得优化后的网络模型；
[0035]Step.3网络训练，包括：加载初始化的参数和优化后的网络模型进行训练，获得中间权重；
[0036]Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度；并据反向传播计算出损失值对神经元仿射变换的导数，求出权重变化的方向和步长，获得更新的权重。
[0037]本专利技术系统的进一步改进在于，所述获取所述预训练好的缺陷检测模型的步骤，还包括：
[0038]通过基于距离的聚类算法确定适合的多尺度滑动窗口，以加速卷积神经网络本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种非接触式高压断路器缺陷检测方法，其特征在于，包括以下步骤：获取待缺陷检测的高压断路器图片；将获取的高压断路器图片输入预训练好的缺陷检测模型中，所述缺陷检测模型输出检测结果；其中，所述缺陷检测模型为基于卷积神经网络优化算法的深度学习模型；获取所述预训练好的缺陷检测模型的步骤包括：获取断路器的缺陷样本训练集；其中，所述缺陷样本训练集中的每个训练样本均包括：样本图片和标签；所述样本图片为断路器预设关键零部件不同角度、不同光照条件的图片和断路器不同锈蚀部位在不同角度、不同光照条件实物图片中的一种，所述标签包括零部件名称和锈蚀缺陷等级；基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型。2.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法，其特征在于，所述基于所述缺陷样本训练集，对基于卷积神经网络优化算法的深度学习模型进行学习训练，获得所述预训练好的缺陷检测模型的步骤具体包括：Step.1输入参数的初始化，包括：图片维度、权重参数、训练参数以及训练集的损失率初始化，获得初始化的参数；Step.2加载网络模型，包括：采用默认模型进行预训练，获得预训练结果；根据预训练结果利用优化器对默认模型进行优化，获得优化后的网络模型；Step.3网络训练，包括：加载初始化的参数和优化后的网络模型进行训练，获得中间权重；Step.4根据前向传播计算出总损失、分类损失、框的回归损失、置信度；并据反向传播计算出损失值对神经元仿射变换的导数，求出权重变化的方向和步长，获得更新的权重。3.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法，其特征在于，所述获取所述预训练好的缺陷检测模型的步骤，还包括：通过基于距离的聚类算法确定适合的多尺度滑动窗口，以加速卷积神经网络模型收敛。4.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法，其特征在于，所述预设的关键零部件包括拐臂、拉杆和缓冲器中的一种或多种。5.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法，其特征在于，所述缺陷检测模型输出的检测结果包括零部件是否发生变形；获取零部件是否发生变形检测结果的步骤包括：辨识断路器的各个关键零部件；对包括关键零部件的图片进行滤波、降噪和图像分割预处理，采用canny边缘检测算法对关键零部件图像进行边缘提取；利用深度估计结合分割办法检测出关键零部件的具体轮廓后，通过计算识别出关键零部件的外接轮廓矩形的长宽比，基于长宽比判断获得关键零部件是否发生变形的检测结果。6.根据权利要求1所述的一种非接...

【专利技术属性】
技术研发人员：牛博，杨鼎革，郭子豪，韩彦华，蒲路，吴经锋，齐卫东，王鸿，王森，任双赞，杨传凯，谷永刚，陈维，刘子瑞，薛军，李鹏程，袁福祥，李良书，杨博，万康鸿，左坤，李旭，王辰曦，吴子豪，唐露甜，李毅，张晓兰，李文慧，高健，徐丹，唐子卓，师愉航，边赫，卢一晗，
申请(专利权)人：国网西安环保技术中心有限公司，
类型：发明
国别省市：