一种基于MaskR-CNN算法框架的变电设备缺陷高精度识别方法技术

本发明专利技术公开了一种基于MaskR

【技术实现步骤摘要】
一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法


[0001]本专利技术涉及电力巡检的
，尤其涉及一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法。

技术介绍

[0002]变电设备是保障电力系统连续稳定运行的必要条件，而高温、重过载、雷击、瓷瓶老化、电网运行方式转变等问题，极易导致变电设备缺陷，造成电网安全运行隐患。变电设备定期校核、巡检及维护等传统人工巡检方法依赖于运维人员观测及工程经验，导致缺陷检测效率偏低。此外人工巡检很难观测变压器油枕、SF6指示器及部分顶部金具等部位。
[0003]变电站通常装设有多个摄像头，可作为图像感知传感器收集设备图像信息并上传至云端。然而变电设备数量大且缺陷识别要求高分辨率图像，往往导致云服务器负荷过大。另一方面，受CPU和GPU的运算能力限制，变电设备缺陷图像识别算法通常需要采用电力系统边缘计算完成多个变电站多台变电设备图像的缺陷识别。为提高变电设备运维效率，亟需研究机器自主型变电设备巡检监控技术。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有传统人工巡检方法缺陷检测效率偏低，很难观测变压器油枕、SF6指示器及部分顶部金具的部位，CPU和GPU的运算能力限制以及变电设备运维效率低的问题，提供了一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：
[0007]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：采集变电设备缺陷图像数据集；
[0008]根据变电设备现场的实际情况，总结目标变电设备和目标变电设备的缺陷类型，得到训练数据集；
[0009]利用GAN网络对所述缺陷图像数据集进行增多，填补训练数据集的缺点，得到扩充后的变电设备缺陷图样本集；
[0010]利用卷积层权重修剪和权重参数共享，减小MaskR
‑
CNN的优化GFPN网络模型体量，得到可适用于边缘计算的缺陷识别模型；
[0011]利用MaskR
‑
CNN的优化GFPN网络模型对所述扩充后的变电设备缺陷图样本集进行网络训练学习，实现对出现的变电设备缺陷进行识别。
[0012]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：变电设备缺陷图像数据集包括根据变电站设备的缺陷监控、巡视视频和图像获取变电
设备的主要缺陷的数据集。
[0013]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：所述训练数据集由变电设备数据集和变电缺陷数据集所对应的视频片段共同组成。
[0014]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：所述变电设备数据集包括截取目标变电设备为变电设备数据集；
[0015]其中，目标变电设备为变压器中的主体、绝缘套管、油枕、散热器、呼吸机、隔离开关中的刀闸、断路器的开关、电流型互感器和电压型互感器以及耦合式电容器。
[0016]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：所述目标变电设备的缺陷类型包括变电站的发热性缺陷和外观性缺陷。
[0017]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：所述变电缺陷数据集包括，
[0018]变电设备运行时运行温度表及三相发热不平衡；
[0019]若变电设备运行时的红外图的三相发热不平衡温差超15℃及以上或正常运行温度超80℃及以上，则将设备标定为发热性缺陷；
[0020]若变电设备运行时的红外图的三相发热不平衡温差未超15℃或正常运行温度未超80℃，则设备不标定为发热性缺陷；
[0021]将变电设备的外观上的渗漏油、瓷瓶炸裂、设备外观破损的各个关键缺陷特征对应的片段作为目标缺陷；
[0022]若目标缺陷像素占当前所在图像总像素的3％以上，则将目标缺陷标定为外观性缺陷；
[0023]若目标缺陷像素未占当前所在图像总像素的3％以上，则目标缺陷不标定为外观性缺陷；
[0024]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其中：利用GAN网络对所述缺陷图像数据集进行增多，填补训练数据集的缺点，得到扩充后的变电设备缺陷图样本集包括，
[0025]利用GAN网络对于已有的所述缺陷图像数据集通过旋转、翻转、拉伸的单种处理方式和两种处理方式组合的复合方式，将新图像数据集样本数量增加至已有的缺陷图像数据集的1.5倍～3倍，填补训练数据集数量不足、目标单一、背景单调的缺点，从而得到扩充后的变电设备缺陷图样本集；
[0026]GAN网络整体计算目标在于求判别网络的极大值与生成网络的极小值，在不断优化过程中取得生成样本集；
[0027]若GAN网络生成新图像满足目标函数:min
G max
D V(D,G)＝E
x～p
[logD(x)]+E
z～p
[log(1
‑
D(G(z)))]，则所生成图像可增加至训练所需图像训练集；
[0028]若GAN网络生成新图像满足目标函数:min
G max
D V(D,G)＝E
x～p
[logD(x)]+E
z～p
[log(1
‑
D(G(z)))]，则所生成图像不可增加至训练所需图像训练集；
[0029]其中，旋转、翻转、拉伸的单种处理方式和两种处理方式组合的复合方式之间无先后顺序，D表示判别网络，G表示生成网络，x，z表示像素点，E表示像素点数据的数学期望，p表示像素点x，z的高斯分布。
[0030]作为本专利技术所述的基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其
中：利用卷积层权重修剪和权重参数共享，减小MaskR
‑
CNN的优化GFPN网络模型体量，得到可适用于边缘计算的缺陷识别模型包括，
[0031]对于卷积神经网络中的简化应当根据网络特征进行裁剪，选择权重占比较为冗余或相对不重要的部分进行裁剪；
[0032]全连接层的参数可以进行共享，卷积神经网络在卷积过程中的卷积核运算同样可以进行权重共享，以减小模型计算量；
[0033]为了避免因权重修剪本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于，包括：采集变电设备缺陷图像数据集；根据变电设备现场的实际情况，总结目标变电设备和目标变电设备的缺陷类型，得到训练数据集；利用GAN网络对所述缺陷图像数据集进行增多，填补训练数据集的缺点，得到扩充后的变电设备缺陷图样本集；利用卷积层权重修剪和权重参数共享，减小MaskR
‑
CNN的优化GFPN网络模型体量，得到可适用于边缘计算的缺陷识别模型；利用MaskR
‑
CNN的优化GFPN网络模型对所述扩充后的变电设备缺陷图样本集进行网络训练学习，实现对出现的变电设备缺陷进行识别。2.如权利要求1所述的一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于：变电设备缺陷图像数据集包括根据变电站设备的缺陷监控、巡视视频和图像获取变电设备的主要缺陷的数据集。3.如权利要求1所述的一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于：所述训练数据集由变电设备数据集和变电缺陷数据集所对应的视频片段共同组成。4.如权利要求3所述的一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于：所述变电设备数据集包括截取目标变电设备为变电设备数据集；其中，目标变电设备为变压器中的主体、绝缘套管、油枕、散热器、呼吸机、隔离开关中的刀闸、断路器的开关、电流型互感器和电压型互感器以及耦合式电容器。5.如权利要求1所述的一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于：所述目标变电设备的缺陷类型包括变电站的发热性缺陷和外观性缺陷。6.如权利要求3所述的一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于：所述变电缺陷数据集包括，变电设备运行时运行温度表及三相发热不平衡；若变电设备运行时的红外图的三相发热不平衡温差超15℃及以上或正常运行温度超80℃及以上，则将设备标定为发热性缺陷；若变电设备运行时的红外图的三相发热不平衡温差未超15℃或正常运行温度未超80℃，则设备不标定为发热性缺陷；将变电设备的外观上的渗漏油、瓷瓶炸裂、设备外观破损的各个关键缺陷特征对应的片段作为目标缺；若目标缺陷像素占当前所在图像总像素的3％以上，则将目标缺陷标定为外观性缺陷；若目标缺陷像素未占当前所在图像总像素的3％以上，则目标缺陷不标定为外观性缺陷。7.如权利要求1所述的一种基于MaskR
‑
CNN算法框架的变电设备缺陷高精度识别方法，其特征在于：利用GAN网络对所述缺陷图像数据集进行增多，填补训练数据集的缺点，得到扩充后的变电设备缺陷图样本集包括，利用GAN网络对于已有的所述缺陷图像数据集通过旋转、翻转、拉伸的单种处理方式和两种处理方式组合的复合方式，将新图像数据...

【专利技术属性】
技术研发人员：徐长宝，辛明勇，高吉普，王宇，林呈辉，祝健杨，张历，文屹，曾华荣，代奇迹，陈科羽，陈凤翔，李博文，李鑫卓，刘斌，孟令雯，王永，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：