配电网设备标识牌的检测方法、检测装置和电子设备制造方法及图纸

本申请提供了一种配电网设备标识牌的检测方法、检测装置和电子设备。该方法包括：获取配电网设备的图像，得到配电网设备图像；确定配电网设备的类别，并根据配电网设备的类别确定关联数据库中与配电网设备的类别对应的标识牌基准类别和标识牌基准图像；确定配电网设备图像中标识牌的类别和标识牌图像的位置信息，将标识牌的类别与标识牌基准类别进行比较，确定标识牌的类别是否正确；根据标识牌的位置信息获取标识牌图像，将标识牌图像与标识牌基准图像进行相似性度量，确定标识牌图像是否清晰，在标识牌图像不清晰的情况下，更换标识牌图像。通过本申请，解决了人工巡检配电网设备标识牌效率低的问题，达到了对设备标识牌进行高效巡检的目的。进行高效巡检的目的。进行高效巡检的目的。

【技术实现步骤摘要】
配电网设备标识牌的检测方法、检测装置和电子设备


[0001]本申请涉及电力巡检
，具体而言，涉及一种配电网设备标识牌的检测方法、检测装置、电子装置和电子设备。

技术介绍

[0002]随着电力行业的飞速发展，配电网设备需要大量且广泛的部署在各个区域。为了保证用电安全，保障人民群众生命财产安全，避免配电网设备环境类人身安全隐患的发生，针对配电网设备的电力巡检技术层出不穷，其中配电网设备标识标牌不清晰、不准确的环境类人身安全隐患检测技术就是其中重要的一环。
[0003]传统的巡检方式以人工为主，人工巡检过程中往往会出现以下问题：对配电网设备标识标牌进行检查时，往往需要佩戴各种检测和记录设备，巡检成本高且检测效率低；一些配电网设备处于特殊地理位置或设备本身被检测难度较大，在没有无人机、望远镜等特殊巡检设备时，难以对标识标牌进行有效检测；在遇到大风、严寒、高温等恶劣极端天气情况时，人工巡检的难度将会加大，导致巡检效率大幅降低；人工巡检受巡检员个人能力的影响，可能造成无法准确或及时辨别安全隐患等问题。
[0004]因此，如何保证电力巡检任务的高效和准确执行是亟待解决的问题。

技术实现思路

[0005]本申请的主要目的在于提供一种配电网设备标识牌的检测方法、检测装置、电子装置和电子设备，以至少解决现有技术中人工巡检配电网设备标识牌效率低的问题。
[0006]为了实现上述目的，根据本申请的一个方面，提供了一种配电网设备标识牌的检测方法，包括：获取配电网设备的图像，得到配电网设备图像，其中，所述配电网设备图像包含标识牌图像；使用残差神经网络对所述配电网设备图像进行分析，确定所述配电网设备的类别，并根据所述配电网设备的类别确定关联数据库中与所述配电网设备的类别对应的标识牌基准类别和标识牌基准图像，其中，所述残差神经网络为使用多组第一数据通过机器学习训练出的，多组所述第一数据中的每组数据均包括：所述配电网设备图像和所述配电网设备的类别，所述关联数据库包含所有类别的所述配电网设备对应的标准图像以及每个类别对应的所述标识牌基准图像；使用YOLOX目标检测神经网络对所述配电网设备图像进行分析，确定所述配电网设备图像中标识牌的类别和所述标识牌图像的位置信息，将所述标识牌的类别与所述标识牌基准类别进行比较，确定所述标识牌的类别是否正确，其中，所述YOLOX目标检测神经网络为使用多组第二数据通过机器学习训练出的，多组所述第二数据中的每组数据均包括：所有类别的所述标识牌图像以及所有类别的所述标识牌对应的类别；根据所述标识牌的位置信息获取所述标识牌图像，将所述标识牌图像与所述标识牌基准图像进行相似性度量，确定所述标识牌图像是否清晰，在所述标识牌图像不清晰的情况下，更换所述标识牌图像。
[0007]可选地，使用残差神经网络对所述配电网设备图像进行分析，确定所述配电网设
备的类别，包括：将所述配电网设备图像输入所述残差神经网络，并获取所述残差神经网络的输出结果，得到每个类别的所述配电网设备对应预测概率；将所述预测概率最大的配电网设备的类别作为所述配电网设备的类别。
[0008]可选地，使用YOLOX目标检测神经网络对所述配电网设备图像进行分析，确定所述配电网设备图像中所述标识牌的类别和所述标识牌图像的位置信息，包括：将所述配电网设备图像输入所述YOLOX目标检测神经网络；通过确定所述配电网设备图像中所述标识牌图像的位置信息，并通过确定所述标识牌的类别，其中，X表示所述标识牌图像在所述配电网设备图像上的横坐标，Y表示所述标识牌图像在所述配电网设备图像上的纵坐标，grid
x
表示所述配电网设备的特征图像的像素点位置的横坐标，grid
y
表示所述配电网设备的特征图像的像素点位置的纵坐标，offset
x
表示所述标识牌图像的横坐标偏移量，offset
y
表示所述标识牌图像的纵坐标偏移量，stride
x
表示所述标识牌图像映射到所述配电网设备图像的横坐标比例，stride
y
表示所述标识牌图像映射到所述配电网设备图像的纵坐标比例，W表示所述标识牌基准图像的宽，H表示所述标识牌基准图像的高，w表示所述标识牌图像的宽，h表示所述标识牌图像的高，R
b
表示对每个类别的所述标识牌的预测概率，O
bk
表示所述YOLOX目标检测神经网络对应的第k个所述标识牌的类别的输出向量，O
bi
表示所述YOLOX目标检测神经网络对应的第i个所述标识牌的类别的输出向量。
[0009]可选地，将所述标识牌图像与所述标识牌基准图像进行相似性度量，确定所述标识牌图像是否清晰，包括：根据公式将所述标识牌图像和所述标识牌基准图像进行归一化，其中，RI(x,y)表示所述标识牌基准图像，PI(x,y)表示所述标识牌图像，RI
’
(x,y)表示归一化后的所述标识牌基准图像，PI
’
(x,y)表示归一化后的所述标识牌图像，RI
max
表示所述标识牌基准图像中所有像素点的像素值的最大值，RI
min
表示所述标识牌基准图像中所有像素点的像素值的最小值，PI
max
表示所述标识牌图像中所有像素点的像素值的最大值，PI
min
表示所述标识牌图像中所有像素点的像素值的最小值；根据公式计算所述标识牌图像和所述标识牌基准图像的相似性分数，在所述相似性分数大于预设阈值的情况下，确定所述标识牌图像清晰，在所述相似性分数小于所述预设阈值的情况下，确定所述标识牌图像不清晰，其中，score表示所述相似性分数。
[0010]可选地，所述检测方法还包括：使用交叉熵损失函数作为初始残差神经网络的损失函数，在所述交叉熵损失函数收敛的情况下，确定所述初始残差
神经网络训练完成，得到所述残差神经网络，其中，L
clas
表示所述交叉熵损失函数，y
ic
为符号函数，N表示所述配电网设备的个数，M表示所述配电网设备的类别数量，p
ic
表示第i个所述配电网设备属于第c个类别的概率。可选地，所述检测方法还包括：使用focal loss损失函数作为初始YOLOX目标检测神经网络的损失函数，在所述focal loss损失函数收敛的情况下，得到中间YOLOX目标检测神经网络，其中，L
boxb
表示所述focal loss损失函数，p
t
表示所述标识牌的预测类别与真实类别的接近程度，γ表示所述YOLOX目标检测神经网络的可调因子；使用交并比损失函数作为所述中间YOLOX目标检测神经网络的损失函数，在所述交并比损失函数收敛的情况下，得到所述YOLOX目标检测神经网络，其中，L
boxc
表示所述交并比损失函数，A表示所述标识牌图像的预测区域，B表示所述标识牌图像的真实区域。
[0011]可选地，所述检测方法还包括：根据公式计算本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电网设备标识牌的检测方法，其特征在于，包括：获取配电网设备的图像，得到配电网设备图像，其中，所述配电网设备图像包含标识牌图像；使用残差神经网络对所述配电网设备图像进行分析，确定所述配电网设备的类别，并根据所述配电网设备的类别确定关联数据库中与所述配电网设备的类别对应的标识牌基准类别和标识牌基准图像，其中，所述残差神经网络为使用多组第一数据通过机器学习训练出的，多组所述第一数据中的每组数据均包括：所述配电网设备图像和所述配电网设备的类别，所述关联数据库包含所有类别的所述配电网设备对应的标准图像以及每个类别对应的所述标识牌基准图像；使用YOLOX目标检测神经网络对所述配电网设备图像进行分析，确定所述配电网设备图像中标识牌的类别和所述标识牌图像的位置信息，将所述标识牌的类别与所述标识牌基准类别进行比较，确定所述标识牌的类别是否正确，其中，所述YOLOX目标检测神经网络为使用多组第二数据通过机器学习训练出的，多组所述第二数据中的每组数据均包括：所有类别的所述标识牌图像以及所有类别的所述标识牌对应的类别；根据所述标识牌的位置信息获取所述标识牌图像，将所述标识牌图像与所述标识牌基准图像进行相似性度量，确定所述标识牌图像是否清晰，在所述标识牌图像不清晰的情况下，更换所述标识牌图像。2.根据权利要求1所述的检测方法，其特征在于，使用残差神经网络对所述配电网设备图像进行分析，确定所述配电网设备的类别，包括：将所述配电网设备图像输入所述残差神经网络，并获取所述残差神经网络的输出结果，得到每个类别的所述配电网设备对应预测概率；将所述预测概率最大的配电网设备的类别作为所述配电网设备的类别。3.根据权利要求1所述的检测方法，其特征在于，使用YOLOX目标检测神经网络对所述配电网设备图像进行分析，确定所述配电网设备图像中所述标识牌的类别和所述标识牌图像的位置信息，包括：将所述配电网设备图像输入所述YOLOX目标检测神经网络；通过确定所述配电网设备图像中所述标识牌图像的位置信息，并通过确定所述标识牌的类别，其中，X表示所述标识牌图像在所述配电网设备图像上的横坐标，Y表示所述标识牌图像在所述配电网设备图像上的纵坐标，grid
x
表示所述配电网设备的特征图像的像素点位置的横坐标，grid
y
表示所述配电网设备的特征图像的像素点位置的纵坐标，offset
x
表示所述标识牌图像的横坐标偏移量，offset
y
表示所述标识牌图像的纵坐标偏移量，stride
x
表示所述标识牌图像映射到所述配电网设备图像的横坐标比例，stride
y
表示所述标识牌图像映射到所述配电网设备图像的纵坐标比例，W表示所述标识牌基准图像的宽，H表示所述标识牌基准图像的高，w表示所述标识牌图像的
宽，h表示所述标识牌图像的高，R
b
表示对每个类别的所述标识牌的预测概率，O
bk
表示所述YOLOX目标检测神经网络对应的第k个所述标识牌的类别的输出向量，O
bi
表示所述YOLOX目标检测神经网络对应的第i个所述标识牌的类别的输出向量。4.根据权利要求1所述的检测方法，其特征在于，将所述标识牌图像与所述标识牌基准图像进行相似性度量，确定所述标识牌图像是否清晰，包括：根据公式将所述标识牌图像和所述标识牌基准图像进行归一化，其中，RI(x,y)表示所述标识牌基准图像，PI(x,y)表示所述标识牌图像，RI
’
(x,y)表示归一化后的所述标识牌基准图像，PI
’
(x,y)表示归一化后的所述标识牌图像，RI
max
表示所述标识牌基准图像中所有像素点的像素值的最大值，RI
min
表示所述标识牌基准图像中所有像素点的像素值的最小值，PI
max
表示所述标识牌图像中所有像素点的像素值的最大值，PI
min
表示所述标识牌图像中所有像素点的像素值的最小值；根据公式计算所述标识牌图像和所述标识牌基准图像的相似性分数，在所述相似性分数大于预设阈值的情况...

【专利技术属性】
技术研发人员：陈永钦，冉杨，蓝誉鑫，李海，梁财源，沈振华，黄志勇，李江平，
申请(专利权)人：广东电网有限责任公司云浮供电局，
类型：发明
国别省市：