【技术实现步骤摘要】
一种变电站缺陷检测方法、系统和计算机可读存储介质
[0001]本专利技术涉及变电站巡检领域,具体地涉及一种变电站缺陷检测方法、系统和计算机可读存储介质。
技术介绍
[0002]变电站中的巡检质量与安全生产密切相关,当前的自动化变电站巡检系统采用基于深度学习的全监督缺陷检测算法,使用大量变电站缺陷数据训练目标检测网络,之后使用训练好的网络对高清摄像头所获取的巡检图像上检测缺陷存在的类型和位置。但是,此类变电站缺陷检测方法的效果极大的依赖于大量高质量变电站缺陷数据,但在实际应用中,变电站中缺陷设备出现是小概率事件,难以采集足量数据,而不同变电站设备类型、分布等存在一定差异,使用其他变电站缺陷图像数据扩充训练数据对网络精度的提升效果有限。
[0003]随着无监督、弱监督领域技术发展,使得不依赖或较少依赖缺陷数据训练有效的缺陷检测网络成为可能,但是由于常用无监督、弱监督方法如异常检测等受到背景干扰极大,难以直接应用变电站内复杂场景中,而常用于过滤背景的抠图算法或分割算法则需要高质量语义标注,故而无监督的方法在变电站巡检系统中仍然没有有效运用。
技术实现思路
[0004]本专利技术实施例的目的是提供一种变电站缺陷检测方法、系统和计算机可读存储介质,该方法能够在摆脱数据依赖的情况下对变电站设施进行设备缺陷检测。
[0005]为了实现上述目的,一方面,本专利技术实施例提供一种变电站缺陷检测方法,所述方法包括:
[0006]获取现场巡检图像;
[0007]使用目标检测算法对所述巡检图像 ...
【技术保护点】
【技术特征摘要】
1.一种变电站缺陷检测方法,其特征在于,所述方法包括:获取现场巡检图像;使用目标检测算法对所述巡检图像进行检测,以获取待测设备的类型和位置;根据目标检测结果对巡检图像进行剪裁,以得到设备图像;将所述设备图像输入至抠图算法网络,以得到关于所述待测设备的前景设备图像;将得到的所述前景设备图像按照设备类型输入至对应的异常检测网络,以判断所述待测设备的异常情况和缺陷位置;将所述异常检测网络得到的结果输出。2.根据权利要求1所述的方法,其特征在于,将所述设备图像输入至抠图算法网络,以得到关于所述待测设备的前景设备图像包括:获取所述设备图像;将所述设备图像输入至MobileNetV2网络中,以通过所述MobileNetV2网络的低分辨率分支的编码器提取所述设备图像的高级语义;将所述高级语义、所述设备图像和所述低分辨率分支的得到的低级特征输入至所述MobileNetV2网络的高分辨率分支中,以得到关于所述待测设备的特征图;对所述高级语义进行上采样,使其大小与所述特征图相对齐;将上采样后的高级语义和所述特征图进行融合以预测最终的抠图掩码;将所述抠图掩码作用于所述设备图像中,以得到与关于所述待测设备的前景设备图像。3.根据权利要求2所述的方法,其特征在于,将所述设备图像输入至抠图算法网络,以得到关于所述待测设备的前景设备图像包括:获取所述高级语义;将所述高级语义送至Sigmoid激活函数的卷积层中,以得到预测粗糙的语义掩码;使用L2损失函数的公式(1)进行监督优化所述语义掩码:其中,L
s
代表语义预测分支的损失函数,α
g
表示设备图像对应的抠图标签,G表示16倍下采样和高斯模糊操作,S
p
表示语义掩码,根据公式(1)得到的语义预测分支的损失函数,获取小于第一阈值的语义预测分支的损失函数,和与其对应的语义掩码;将所述语义掩码作用于所述高级语义,以得到更精确的高级语义;将更精确的高级语义输入至所述MobileNetV2网络的高分辨率分支中。4.根据根据权利要求3所述的方法,其特征在于,将所述设备图像输入至抠图算法网络,以得到关于所述待测设备的前景设备图像包括:获取所述特征图;将所述特征图经过卷积以得到过渡区域的细节掩码;使用L1损失函数的公式(2)进行监督优化所述细节掩码:L
d
=m
d
||d
p
‑
α
g
||1,(2)其中,m
d
是抠图标签α
g
经过膨胀侵蚀操作得到的二进...
【专利技术属性】
技术研发人员:董翔宇,樊培培,葛健,宋文龙,刘之奎,朱涛,李腾,索浩银,廖军,张俊杰,谢佳,王子磊,黄道均,景瑶,马欢,赵梦露,蒋欣峰,李奇,张晗,吴冬晖,
申请(专利权)人:国网安徽省电力有限公司超高压分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。