智能电表可视故障检测方法、系统、电子设备及存储介质技术方案

本发明专利技术提出了一种智能电表故障检测方法、系统、电子设备及存储介质，包括：预处理智能电表图像数据，得到智能电表图像数据对应的注意力图；根据注意力图的特征轮廓尺寸计算等效粒度，遍历智能电表图像数据后经过聚类挖掘得到鉴别性粒度，指导智能电表图像数据中的每张电表图像自适应划分为多粒度拼图；根据注意力图转换所得的二值图计算特征位置分布，根据特征位置分布规律对所述多粒度拼图进行自适应遮挡，并随机打乱得到多粒度掩码混淆拼图；利用多粒度掩码混淆拼图和原始图像作为检测模型的输入，对智能电表可视故障检测模型进行渐进式训练；将待测电表图像数据输入训练好的智能电表可视故障检测模型，以完成故障类别的检测。测。测。

【技术实现步骤摘要】
智能电表可视故障检测方法、系统、电子设备及存储介质


[0001]本申请属于电能计量
，更具体地，涉及一种智能电表可视故障检测方法、系统、电子设备及存储介质。

技术介绍

[0002]随着我国经济和科技的蓬勃发展和社会需求的持续增加，对电力行业安全性和可靠性提出了更高的要求，以信息化、自动化、智能化和互动化为重要特征的智能电网引领着电力行业发展的新走向。国家正在大力建设新型电力系统，电力物物互联模式正在形成，新一代智能电能表正逐步走上时代舞台。智能电表是智能电网(尤其是智能配电网)数据采集的基本设备之一，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。智能电表的普及也带动新能源汽车、微电网、分布式电源行业在智慧用能、智能监测等融合业务的发展。
[0003]在新业务、新场景下，对智能物联电表终端的安全可靠性有更高的要求。而在电表运行期间会不可避免地遇到显示屏故障、外表盘破损、烧表、封印遭到破坏等可视故障。这类故障通常由运维人员定期巡检才能得以发现并上报，而这种过度依赖人眼排查、手工录入可视故障信息的传统方式，工作强度高，排查效率低，受运维人员技能水平和工作积极性的影响，容易造成故障排查的不及时和不合理。电表终端数量暴增致使运维工作难度大幅提升，运维人员逐渐难以胜任如此高强度的运维工作，亟需提升运维模式的智能化、自动化水平，以保障电力系统的稳定运行和用电业务的稳定运转。
[0004]利用计算机视觉技术准确识别电表故障类型能有效减轻现有运维模式的负担，也有助于提高整个电力系统的运行效率。目前大多数研究都采取模板匹配法或人工提取特征的方法在标准场景下对电表的可视故障进行检测。而此类方法的检测效果依赖专家在不同标准化场景下进行大量的参数调整。而在复杂的运维场景下，拍摄环境和拍摄角度的改变都会对上述传统计算机视觉处理算法的识别效果产生较大的影响，鲁棒性较差，智能化水平还远远不足。而深度学习模型能够在大量图像中自动挖掘数据的内在规律和深层表示，能够解决图像领域中复杂场景下模式识别的难点。电表发生可视化故障时，不同故障间差别较小，具有类间差异小的特点，例如：电表屏幕不显示时与正常电表之间往往只有屏幕上的局部差别。而深度学习中的常规图像分类通过学习全局结构挖掘高级语义特征时容易忽视细节局部特征，而基于细粒度图像识别方法能加强关注目标的局部和细节特征，更适用于电表可视故障检测。
[0005]基于细粒度图像识别方法分为两个大类，分为区域定位和特征编码。对于区域定位的方法，通常是定位目标的局部区域，截取局部特征进行处理和分类。此类方法往往更适用于结构化的对象，且图像级监督下预测局部特征边界框计算复杂、缺乏可靠度量，适用性较差。而特征编码的方法，对全局特征进行深层编码，挖掘更丰富、有效的特征信息用于处理和分类，更直接高效。因此，如何在结构相似的全局特征中深入挖掘具有鉴别性的局部特征是细粒度图像识别领域的重要挑战。采用多粒度拼图和掩码的方式能有效挖掘多粒度特
征，降低冗余信息干扰，但粒度设置不合理容易导致拼图块内特征不完整或特征冗余，且部分被遮挡的拼图块或许存在辅助分类的信息。

技术实现思路

[0006]有鉴于此，本专利技术提供了一种智能电表可视故障检测方法、系统、电子设备及存储介质，以提高智能电表可视故障检测精度。
[0007]依据本申请第一方面，提供了一种智能电表可视故障检测方法，包括如下步骤：
[0008]预处理智能电表图像数据，得到所述智能电表图像数据对应的注意力图；
[0009]根据所述注意力图的特征轮廓尺寸计算等效粒度，遍历所述智能电表图像数据后经过聚类挖掘得到鉴别性粒度，指导所述智能电表图像数据中的每张电表图像自适应划分为多粒度拼图；
[0010]根据所述注意力图转换所得的二值图计算特征位置分布，根据特征位置分布规律对所述多粒度拼图进行自适应遮挡，并随机打乱得到多粒度掩码混淆拼图；
[0011]利用多粒度掩码混淆拼图和原始的所述电表图像作为检测模型的输入，对智能电表可视故障检测模型进行渐进式训练，得到训练好的智能电表可视故障检测模型；
[0012]将待测电表图像数据输入所述训练好的智能电表可视故障检测模型，以完成故障类别的检测。
[0013]所述预处理智能电表图像数据，得到所述智能电表图像数据对应的注意力图的步骤包括：
[0014]对所述智能电表的图像数据中每张电表图像标记故障类别标签，形成训练集；
[0015]将所述训练集的所有样本的尺寸调整为R
×
R，R为图像的像素尺寸；
[0016]对所述智能电表图像数据中每个样本进行梯度加权类激活映射关系的计算，得到所述智能电表图像数据对应的注意力图。
[0017]所述对智能电表图像数据中每个样本进行梯度加权类激活映射关系的计算，得到所述智能电表图像数据对应的注意力图的步骤包括：
[0018]将所有样本输入深度残差网络ResNet，计算得到当前输入样本的预测类别y
c
，c为某一类别的编号；
[0019]提取所述样本在深度残差网络ResNet正向传播过程中最后一个特征提取层输出的特征图k为特征图的通道数，i,j分别为特征图在行和列上的元素索引，i,j∈[0,z]，z为特征图的宽、高尺寸；
[0020]在深度残差网络ResNet反向传播过程中，计算当前样本的特征图对其预测类别y
c
的梯度
[0021]对梯度进行全局平均池化，得到所述样本在第k个通道上的特征图的重要程度值具体公式如下：
[0022][0023]通过重要程度值对特征图不同通道上的值进行线性组合，得到注意力图的初步
表示AM
pre
，具体公式如下：
[0024][0025]通过ReLU函数非线性激活加权值的线性组合得到注意力图的最终表示AM。
[0026]所述根据注意力图的特征轮廓尺寸计算等效粒度，遍历所述智能电表图像数据后经过聚类挖掘得到鉴别性粒度，指导所述智能电表图像数据中的每张电表图像自适应划分为多粒度拼图的步骤包括：
[0027]将所述智能电表的图像数据中每个样本的注意力图的矩阵尺寸调整为与所述样本的矩阵尺寸相同；
[0028]对所述注意力图进行归一化处理，并转换为灰度矩阵Gray；
[0029]对灰度矩阵Gray进行二值化处理，得到二值矩阵Binary；
[0030]计算二值矩阵Binary所反映特征轮廓的最小外接圆cir
l
，得到圆的直径d
l
，通过公式R/d
l
得到特征的等效粒度g
l
，l代表各最小外接圆的序号；
[0031]遍历所有样本得到特征等效粒度组G
equivalent
＝[g1，
…
，g
m
]，m为遍历所有样本后计算所得特征轮廓的总数；
[0032]在等效粒本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能电表可视故障检测方法，其特征在于，包括如下步骤：预处理智能电表图像数据，得到所述智能电表图像数据对应的注意力图；根据所述注意力图的特征轮廓尺寸计算等效粒度，遍历所述智能电表图像数据后经过聚类挖掘得到鉴别性粒度，指导所述智能电表图像数据中的每张电表图像自适应划分为多粒度拼图；根据所述注意力图转换所得的二值图计算特征位置分布，根据特征位置分布规律对所述多粒度拼图进行自适应遮挡，并随机打乱得到多粒度掩码混淆拼图；利用多粒度掩码混淆拼图和原始的所述电表图像作为检测模型的输入，对智能电表可视故障检测模型进行渐进式训练，得到训练好的智能电表可视故障检测模型；将待测电表图像数据输入所述训练好的智能电表可视故障检测模型，以完成故障类别的检测。2.根据权利要求1所述的智能电表可视故障检测方法，其特征在于，所述预处理智能电表图像数据，得到所述智能电表图像数据对应的注意力图的步骤包括：对所述智能电表图像数据中每张电表图像标记故障类别标签，形成训练集；将所述训练集的所有样本的尺寸调整为R
×
R，R为图像的像素尺寸；对所述智能电表图像数据中每个样本进行梯度加权类激活映射关系的计算，得到所述智能电表图像数据对应的注意力图。3.根据权利要求2所述的智能电表可视故障检测方法，其特征在于，所述对智能电表图像数据中每个样本进行梯度加权类激活映射关系的计算，得到所述智能电表图像数据对应的注意力图的步骤包括：将所有样本输入深度残差网络ResNet，计算得到当前输入样本的预测类别y
c
，c为某一类别的编号；提取所述样本在深度残差网络ResNet正向传播过程中最后一个特征提取层输出的特征图k为特征图的通道数，i,j分别为特征图在行和列上的元素索引，i,j∈[0,z]，z为特征图的宽、高尺寸；在深度残差网络ResNet反向传播过程中，计算当前样本的特征图对其预测类别y
c
的梯度对梯度进行全局平均池化，得到所述样本在第k个通道上的特征图的重要程度值具体公式如下：通过重要程度值对特征图不同通道上的值进行线性组合，得到注意力图的初步表示AM
pre
，具体公式如下：通过ReLU函数非线性激活加权值的线性组合得到注意力图的最终表示AM。4.根据权利要求1所述的智能电表可视故障检测方法，其特征在于，所述根据注意力图
的特征轮廓尺寸计算等效粒度，遍历所述智能电表图像数据后经过聚类挖掘得到鉴别性粒度，指导所述智能电表图像数据中的每张电表图像自适应划分为多粒度拼图的步骤包括：将所述智能电表的图像数据中每个样本的注意力图的矩阵尺寸调整为与所述样本的矩阵尺寸相同；对所述注意力图进行归一化处理，并转换为灰度矩阵Gray；对灰度矩阵Gray进行二值化处理，得到二值矩阵Binary；计算二值矩阵Binary所反映特征轮廓的最小外接圆cir
l
，得到圆的直径d
l
，通过公式R/d
l
得到特征的等效粒度g
l
，l代表各最小外接圆的序号；遍历所有样本得到特征等效粒度组G
equivalent
＝[g1，
…
，g
m
]，m为遍历所有样本后计算所得特征轮廓的总数；在等效粒度组G
equivalent
中过滤掉边界外的粒度g
outlier
，得到有效粒度组G
effect
；对有效粒度组G
effect
进行聚类，根据聚类中心得到鉴别性粒度组G
discriminative
＝[g1，
…
，g
n
]，n表示鉴别性粒度组中包含的粒度种类数目；将所述智能电表图像数据中的每张电表图像均分成g
o
×
g
o
个图像块，o∈[1,n]，则每张电表图像均被划分成多种粒度拼图。5.根据权利要求4所述的智能电表可视故障检测方法，其特征在于，所述在等效粒度组G
equivalent
中过滤掉边界外的粒度g
outlier
的步骤包括：计算等效粒度组G
equivalent
的上四分位数索引q3和下四分位数索引q1，根据索引值获得上四分位数Q3和下四分位数Q1，并计算出四分位距IQR，根据Q3、Q1和IQR确定等效粒度组G
equivalent
中异常值的上界B
upper
和下界B
lower
，将等效粒度组G
equivalent
的粒度从小到大进行排序，将等效粒度组G
equivalent
中某一粒度g
l
与上、下界进行对比来判断其归属；具体公式如下：与上、下界进行对比来判断其归属；具体公式如下：与上、下界进行对比来判断其归属；具体公式如下：IQR＝Q3‑
Q
111
round()为四舍五入取整函数，m为遍历所有样本后计算所得特征轮廓的总数。6.根据权利要求1所述的智能电表可视故障检测方法，其特征在于，所述根据注意力图转换所得的二值图计算特征位置分布，根据特征位置分布规律对所述多粒度拼图进行自适应遮挡，并随机打乱得到多粒度掩码混淆拼图的步骤包括：根据所述注意力图转换得到二值矩阵Binary；基于所述二值矩阵Binary，计算衰退概率矩阵M
fading
；
根据衰退概率矩阵M
fading
中不同位置的概率值对相应位置的多粒度拼图进行遮挡；随着训练周期的增加，不断降低遮挡的概率，将多粒度拼图的位置进行随机打乱得到所述多粒度掩码混淆拼图。7.根据权利要求6所述的智能电表可视故障检测方法，其特征在于，所述基于二值矩阵Binary，计算衰退概率矩阵M
fading
的步骤包括：采用OpenCV中的minEnclosingCircle算法对所述智能电表图像数据中每个样本的二值矩阵Binary计算特征轮廓的最小外接圆cir
l
的圆心坐标(x
...

【专利技术属性】
技术研发人员：高欣，黄旭，李保丰，翟峰，赵兵，秦煜，梁晓兵，许斌，徐萌，任宇路，陈燕丽，武志宏，谢振刚，贾勇，肖春，
申请(专利权)人：中国电力科学研究院有限公司国网山西省电力公司营销服务中心国网山西省电力公司，
类型：发明
国别省市：