一种用于变电站运行状态智能巡视的故障检测系统技术方案

本申请公开了一种用于变电站运行状态智能巡视的故障检测系统，该系统包括：图像获取端与故障检测端，图像获取端至少包括无人机与图像获取单元，图像获取单元用于获取待检测电力设备的采集图像及红外图像，该故障检测端至少包括：模型构建单元与故障检测单元；模型构建单元用于构建卷积故障检测模型，并对待检测图像进行设备识别；其中，卷积故障检测模型包括GhostNet模块与PANet模块，GhostNet模块由多个Ghost bottleneck堆叠而成，任一个Ghostbottleneck由两个堆叠的Ghostmodule组成；故障检测单元用于根据设备识别结果与对应的红外图像，对待检测电力设备进行故障检测。通过本申请中的技术方案，优化了巡视检测设备对变电站运行状态的故障检测效果，降低处理过程中对硬件的性能要求。程中对硬件的性能要求。程中对硬件的性能要求。

【技术实现步骤摘要】
一种用于变电站运行状态智能巡视的故障检测系统


[0001]本申请涉及故障检测的
，具体而言，涉及一种用于变电站运行状态智能巡视的故障检测系统。

技术介绍

[0002]变电站是电网架构中重要的汇聚节点，为了保证电网架构运行正常稳定，运维人员需要定期对变电站中的设备及供电网络进行定期巡检，进行故障检测。同时，随着变电站的数量增多，通常采用巡检终端辅助进行故障检测巡视。
[0003]而现有技术中，随着深度学习及图像处理技术的不断发展，智能化的巡视检测设备已经被应用于变电站设备及供电网络的检测。而此类设备在依据图像处理进行故障检测的过程中，通常是逐行对采集图像中的像素点进行扫描，进而识别出对应的设备名称及可能存在的故障，而这种图像处理方式使得巡视检测设备对硬件的运算能力有一定的要求，增加了巡视检测设备的制造成本。

技术实现思路

[0004]本申请的目的在于：优化了巡视检测设备对变电站运行状态的故障检测效果，降低处理过程中对硬件的性能要求。
[0005]本申请的技术方案是：提供了一种用于变电站运行状态智能巡视的故障检测系统，该系统包括：图像获取端与故障检测端，图像获取端至少包括无人机与图像获取单元，图像获取单元搭载于无人机，图像获取单元用于获取待检测电力设备的采集图像及红外图像，故障检测端至少包括：模型构建单元与故障检测单元；模型构建单元用于构建卷积故障检测模型，并对待检测图像进行设备识别；其中，卷积故障检测模型包括GhostNet模块与PANet模块，GhostNet模块由多个Ghost bottleneck堆叠而成，任一个Ghost bottleneck由两个堆叠的Ghost module组成；卷积故障检测模型计算误差通过计算损失函数L
loss
实现，损失函数L
loss
包括边界框坐标预测误差L
cIou
、边界框的置信度误差L
coord
以及识别物体所属类别预测误差L
cls
；故障检测单元用于根据设备识别结果与对应的红外图像，对待检测电力设备进行故障检测。
[0006]上述任一项技术方案中，进一步地，GhostNet模块用于：使用公式Y
′
＝X*f常规卷积得到p个第一特征图Y
′
，其中X为输入数据，f为滤波器，*为卷积操作；使用公式Y
ij
＝η
i,j
(Y
i
′
)，j＝1,...,z产生z个第二特征图Y
ij
，其中η为多个轻量线性运算；将得到的第一特征图与第二特征图拼接，得到特征图P1作为输出。
[0007]上述任一项技术方案中，进一步地，PANet模块用于：将GhostNet模块输出的特征图P1依次进行1次、2次、3次上采样，再依次与相对输入图像8倍、4倍、2倍降采样的特征图进行张量拼接及5次卷积后，得到特征图P2、P3、P4，输出具有不同感受野的4个预测特征图P1、P2、P3、P4。
[0008]上述任一项技术方案中，进一步地，卷积故障检测模型还包括：ASFF模块，ASFF模
块的运算过程包括：以第m层特征图输出的尺寸大小为基准，对其余特征图进行上下采样操作，保证待融合的多层特征图尺寸统一；将PANet输出的4个预测特征图经过卷积操作，得到4个空间权重向量，然后对其进行通道方向拼接，输出权重融合图；对输出的权重融合图经过卷积操作，得到权重向量；在通道方向进行softmax操作，得到4个权重系数α
mij
,β
mij
,γ
mij
,δ
mij
∈[0,1]；将4个权重系数乘加到4个特征图上面，得到4个不同尺度的特征图：ASFF
‑
1，ASFF
‑
2，ASFF
‑
3，ASFF
‑
4。
[0009]上述任一项技术方案中，进一步地，卷积故障检测模型还包括：YOLO Head预测模块；YOLO Head预测模块用于计算模型构建单元中的误差。
[0010]上述任一项技术方案中，进一步地，YOLO Head预测模块还用于：采用K
‑
means算法获得12个锚点框，将ASFF模块输出的4个特征图分成相应尺寸的网格，每个网格预测3个边界框，并输出边界框中是否包含目标、边界框准确度的置信度以及每个网格预测属于n
c
个类别的概率；对所得边界框经过非极大值抑制筛选，得到最终预测结果。
[0011]本申请的有益效果是：
[0012]本申请中的技术方案，在YOLOv4算法的基础上，将GhostNet模块与PANet模块相结合，构建卷积故障检测模型，在保证了GhostNet模块识别性能的同时，进一步降低了卷积层的计算成本；并通过引入ASFF模块，仅增加了极少的计算量，就能够提高整体检测系统的检测准确率。
[0013]本申请中，还通过以提取边缘点中的图像角点为中心点，对采集图像进行图像截取、拼接，生成待检测图像，在保留电力设备的关键特征的同时，减小了图像的大小及识别过程中的运算量。进而利用搭建的卷积故障检测模型进行目标识别，再结合对应的红外图像进行电力设备故障检测，减小了对巡视检测设备的硬件运算能力要求，有助于降低巡视检测设备的制造成本。
附图说明
[0014]本申请的上述和附加方面的优点在结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0015]图1是根据本申请的一个实施例的用于变电站运行状态智能巡视的故障检测系统的示意框图；
[0016]图2是根据本申请的一个实施例的基于YOLOv4算法的卷积故障检测模型数据处理过程的示意图；
[0017]图3是根据本申请的一个实施例的Sober算子方向模板的示意图。
具体实施方式
[0018]为了能够更清楚地理解本申请的上述目的、特征和优点，下面结合附图和具体实施方式对本申请进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互结合。
[0019]在下面的描述中，阐述了很多具体细节以便于充分理解本申请，但是，本申请还可以采用其他不同于在此描述的其他方式来实施，因此，本申请的保护范围并不受下面公开的具体实施例的限制。
[0020]如图1所示，本实施例提供了一种用于变电站运行状态智能巡视的故障检测系统，该系统包括：图像获取端与故障检测端。
[0021]其中，图像获取端至少包括无人机与图像获取单元，图像获取单元搭载于无人机，图像获取单元用于获取待检测电力设备的采集图像及红外图像，其中，红外图像可由红外相机获取，采集图像为可见光图像，可由符合检测性能要求的相机获取。
[0022]其中，故障检测端至少包括：模型构建单元与故障检测单元；模型构建单元用于构建卷积故障检测模型，并对待检测图像进行设备识别；其中，卷积故障检测模型包括Ghos本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于变电站运行状态智能巡视的故障检测系统，其特征在于，所述系统包括：图像获取端与故障检测端，所述图像获取端至少包括无人机与图像获取单元，所述图像获取单元搭载于所述无人机，所述图像获取单元用于获取待检测电力设备的采集图像及红外图像，所述故障检测端至少包括：模型构建单元与故障检测单元；所述模型构建单元用于构建卷积故障检测模型，并对所述待检测图像进行设备识别；其中，所述卷积故障检测模型包括GhostNet模块与PANet模块，所述GhostNet模块由多个Ghost bottleneck堆叠而成，任一个Ghost bottleneck由两个堆叠的Ghost module组成；所述卷积故障检测模型计算误差通过计算损失函数L
loss
实现，所述损失函数L
loss
包括边界框坐标预测误差L
cIou
、边界框的置信度误差L
coord
以及识别物体所属类别预测误差L
cls
；所述故障检测单元用于根据设备识别结果与对应的所述红外图像，对所述待检测电力设备进行故障检测。2.如权利要求1所述的用于变电站运行状态智能巡视的故障检测系统，其特征在于，所述GhostNet模块用于：使用公式Y
′
＝X*f常规卷积得到p个第一特征图Y
′
，其中X为输入数据，f为滤波器，*为卷积操作；使用公式Y
ij
＝η
i,j
(Y
i
′
)，产生z个第二特征图Y
ij
，其中η为多个轻量线性运算；将得到的第一特征图与第二特征图拼接，得到特征图P1作为输出。3.如权利要求1或2所述的用于变电站运行状态智能巡视的故障检测系统，其特征在于，所述PANet模块用于：将GhostNet模块输出的特征图P1依次进行1...

【专利技术属性】
技术研发人员：张晓鹏，赵国伟，曹冰，孙乃君，仝晓非，刘玉龙，
申请(专利权)人：国网山西省电力公司大同供电公司，
类型：发明
国别省市：