基于机器视觉的电力设备检测方法及系统技术方案

公开了一种基于机器视觉的电力设备检测方法及系统。其首先将待检测电力设备的热红外图像进行图像分块处理得到的热红外图像块的序列中的各个热红外图像块分别通过第一卷积神经网络模型以得到多个热红外图像块特征向量，接着，构建所述热红外图像块的序列的空间拓扑矩阵并将其通过第二卷积神经网络模型以得到空间拓扑特征矩阵，然后，将所述多个热红外图像块特征向量排列为热红外图像块全局特征矩阵后和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑热红外图像块全局特征矩阵，最后，将所述拓扑热红外图像块全局特征矩阵通过分类器以得到用于表示待检测电力设备的工作状态是否正常的分类结果。这样，可以提升电力设备状态检测的效率。升电力设备状态检测的效率。升电力设备状态检测的效率。

【技术实现步骤摘要】
基于机器视觉的电力设备检测方法及系统


[0001]本申请涉及智能检测领域，且更为具体地，涉及一种基于机器视觉的电力设备检测方法及系统。

技术介绍

[0002]电力设备的安全稳定运行是确保电网可靠供电的关键。通过对设备巡检检测电力设备的运行状态，能够预防由设备缺陷或故障引起的事故发生。红外热成像技术提供了一种非接触的检测方式来获取电力设备的热状态信息，使电力设备的状态检测能在不断电的情况下进行，被广泛应用于电力设备的带电检测中。电力设备的红外图像能够显示其温度分布和范围，通过不同等级的色调和亮度变化来表示设备不同部位的温度。但目前对获取的电力设备红外图像数据仍需依赖经验丰富的电力工程师进行分析及诊断，从而消耗了大量的人力和时间成本，极大降低了电力设备状态检测与评估的效率。
[0003]因此，期待一种优化的电力设备检测方案。

技术实现思路

[0004]为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于机器视觉的电力设备检测方法及系统。其首先将待检测电力设备的热红外图像进行图像分块处理得到的热红外图像块的序列中的各个热红外图像块分别通过第一卷积神经网络模型以得到多个热红外图像块特征向量，接着，构建所述热红外图像块的序列的空间拓扑矩阵并将其通过第二卷积神经网络模型以得到空间拓扑特征矩阵，然后，将所述多个热红外图像块特征向量排列为热红外图像块全局特征矩阵后和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑热红外图像块全局特征矩阵，最后，将所述拓扑热红外图像块全局特征矩阵通过分类器以得到用于表示待检测电力设备的工作状态是否正常的分类结果。这样，可以提升电力设备状态检测的效率。
[0005]根据本申请的一个方面，提供了一种基于机器视觉的电力设备检测系统，其包括：
[0006]热红外监控模块，用于获取待检测电力设备的热红外图像；
[0007]图像分割模块，用于对所述待检测电力设备的热红外图像进行图像分块处理以得到热红外图像块的序列；
[0008]图像块特征提取模块，用于将所述热红外图像块的序列中的各个热红外图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个热红外图像块特征向量；
[0009]图像块拓扑构造模块，用于构建所述热红外图像块的序列的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示相应两个热红外图像块之间的欧式距离；
[0010]空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；
[0011]图像块特征全局化模块，用于将所述多个热红外图像块特征向量排列为热红外图像块全局特征矩阵；
[0012]图数据编码模块，用于将所述热红外图像块全局特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑热红外图像块全局特征矩阵；以及
[0013]检测结果生成模块，用于将所述拓扑热红外图像块全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测电力设备的工作状态是否正常。
[0014]在上述的基于机器视觉的电力设备检测系统中，所述图像块特征提取模块，用于：
[0015]使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个热红外图像块特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述热红外图像块的序列中的各个热红外图像块。
[0016]在上述的基于机器视觉的电力设备检测系统中，所述图像块拓扑构造模块，包括：
[0017]空间度量单元，用于计算所述热红外图像块的序列中每两个热红外图像块之间的欧式距离以得到多个欧式距离；以及
[0018]矩阵构造单元，用于将所述多个欧式距离构造为所述空间拓扑矩阵。
[0019]在上述的基于机器视觉的电力设备检测系统中，所述空间拓扑特征提取模块，用于：
[0020]使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。
[0021]在上述的基于机器视觉的电力设备检测系统中，所述图数据编码模块，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述热红外图像块全局特征矩阵和所述空间拓扑特征矩阵进行编码以得到所述拓扑热红外图像块全局特征矩阵。
[0022]在上述的基于机器视觉的电力设备检测系统中，还包括用于对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块。
[0023]在上述的基于机器视觉的电力设备检测系统中，所述训练模块，包括：
[0024]训练数据获取单元，用于获取所述待检测电力设备的训练热红外图像和所述训练热红外图像的真实标签值，所述真实标签值用于表示所述待检测电力设备的工作状态是否正常；
[0025]训练图像分割单元，用于对所述训练热红外图像进行图像分块处理以得到训练热红外图像块的序列；
[0026]训练图像块特征提取单元，用于将所述训练热红外图像块的序列中的各个训练热红外图像块分别通过所述作为过滤器的第一卷积神经网络模型以得到多个训练热红外图像块特征向量；
[0027]训练图像块拓扑构造单元，用于构建所述训练热红外图像块的序列的空间拓扑矩阵；
[0028]训练空间拓扑特征提取单元，用于将所述训练空间拓扑矩阵通过所述作为特征提取器的第二卷积神经网络模型以得到训练空间拓扑特征矩阵；
[0029]训练图像块特征全局化单元，用于将所述多个训练热红外图像块特征向量排列为训练热红外图像块全局特征矩阵；
[0030]训练图数据编码单元，用于将所述训练热红外图像块全局特征矩阵和所述训练空间拓扑特征矩阵通过所述图神经网络模型以得到训练拓扑热红外图像块全局特征矩阵；
[0031]分类损失单元，用于将所述训练拓扑热红外图像块全局特征矩阵通过所述分类器以得到分类损失函数值；以及
[0032]训练单元，用于以所述分类损失函数值作为损失函数值对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练。
[0033]在上述的基于机器视觉的电力设备检测系统中，所述分类损失单元，用于：
[0034]使用所述分类器以如下分类损失公式对所述训练拓扑热红外图像块全局特征矩阵进行处理以得到所述分类损失函数值；
[0035]其中，所述分类损失公式为：
[0036]softmax{(M
c
,B
c
)|Project(F)}...

【技术保护点】

【技术特征摘要】
1.一种基于机器视觉的电力设备检测系统，其特征在于，包括：热红外监控模块，用于获取待检测电力设备的热红外图像；图像分割模块，用于对所述待检测电力设备的热红外图像进行图像分块处理以得到热红外图像块的序列；图像块特征提取模块，用于将所述热红外图像块的序列中的各个热红外图像块分别通过作为过滤器的第一卷积神经网络模型以得到多个热红外图像块特征向量；图像块拓扑构造模块，用于构建所述热红外图像块的序列的空间拓扑矩阵，其中，所述空间拓扑矩阵中各个位置的值用于表示相应两个热红外图像块之间的欧式距离；空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的第二卷积神经网络模型以得到空间拓扑特征矩阵；图像块特征全局化模块，用于将所述多个热红外图像块特征向量排列为热红外图像块全局特征矩阵；图数据编码模块，用于将所述热红外图像块全局特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑热红外图像块全局特征矩阵；以及检测结果生成模块，用于将所述拓扑热红外图像块全局特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待检测电力设备的工作状态是否正常。2.根据权利要求1所述的基于机器视觉的电力设备检测系统，其特征在于，所述图像块特征提取模块，用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中分别对输入数据进行卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述多个热红外图像块特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述热红外图像块的序列中的各个热红外图像块。3.根据权利要求2所述的基于机器视觉的电力设备检测系统，其特征在于，所述图像块拓扑构造模块，包括：空间度量单元，用于计算所述热红外图像块的序列中每两个热红外图像块之间的欧式距离以得到多个欧式距离；以及矩阵构造单元，用于将所述多个欧式距离构造为所述空间拓扑矩阵。4.根据权利要求3所述的基于机器视觉的电力设备检测系统，其特征在于，所述空间拓扑特征提取模块，用于：使用所述作为特征提取器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为特征提取器的第二卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵，其中，所述作为特征提取器的第二卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。5.根据权利要求4所述的基于机器视觉的电力设备检测系统，其特征在于，所述图数据编码模块，进一步用于使用所述图神经网络模型以可学习的神经网络参数对所述热红外图像块全局特征矩阵和所述空间拓扑特征矩阵进行编码以得到所述拓扑热红外图像块全局特征矩阵。6.根据权利要求5所述的基于机器视觉的电力设备检测系统，其特征在于，还包括用于
对所述作为过滤器的第一卷积神经网络模型、所述作为特征提取器的第二卷积神经网络模型、所述图神经网络模型和所述分类器进行训练的训练模块。7.根据权利要求6所述的基于机器视觉的电力设备检测系统，其特征在于，所述训练模块，包括：训练数据获取单元，用于获取所述待检测电力设备的训练热红外图像和所述训练热红外图像的真实标签值，所述真实标签值用于表示所述待检测电力设备的工作状态是否正常；训练图像分割单元，用于对所述训练热红外图像进行图像分块处理以得到训练热红外图像块的序列；训练图像块特征提取单元，用于将所述训练热红外图像块的序列中的各个训练热红外图像块分别通过所述作为过滤器的第一...

【专利技术属性】
技术研发人员：张宇飞，郭长周，沈文江，桑林梅，鲍宏伟，闫娇，李晓东，董芳瑞，张霄，陆世杰，李亚楠，陈龙，王远，李强，孙浩然，马永星，常立庆，刘娟，张林梅，元亮，郝忠毅，王震宇，
申请(专利权)人：国网河南省电力公司林州市供电公司，
类型：发明
国别省市：