一种配电室烟雾异常自动识别方法与系统技术方案

本发明专利技术针对传统的配电室运检模式为人工定期运检，无法及时发现配电室异常情况，对配电及用户用电带来较大的隐患的问题，提出一种配电室烟雾异常自动识别方法与系统。首先，通过收集大量真实烟雾图像作为训练模型的训练集，采集一定数量的真实配电室烟雾异常图像作为测试模型性能的测试集；然后，为更好的提取烟雾的特征，在Backbone网络中添加SE注意力机制，将待提取的烟雾特征更好的体现出来；最后，为了解决烟雾形状、大小不固定，先验信息不准确的问题，利用Kmeans++聚类算法来生成锚框，在模型中加入动态锚盒模块，并在网络训练过程中动态更新锚盒的大小和位置。中动态更新锚盒的大小和位置。中动态更新锚盒的大小和位置。

【技术实现步骤摘要】
一种配电室烟雾异常自动识别方法与系统


[0001]本专利技术涉及配电室环境异常识别领域，是一种配电室烟雾异常自动识别方法与系统。

技术介绍

[0002]配电室是电力系统末端配电网中传输、分配电能的主要电气设备场所，是城市配电网系统的重要组成部分。长期以来，配电室运检工作一直是供电系统运检管理可靠性的薄弱环节之一，一些配电室设备运行异常、配电室环境过热影响设备运行、配电室水浸导致设备损坏等，既容易损害设备，也容易影响用户正常的用电情况。
[0003]传统的配电室巡检管理模式是安排巡检工作人员拿工作票进入配电室进行电网配电室巡检，工作人员需要观察配电室环境，逐个测量配电装置，通常需要带检查表对设备一一检查，发现问题，详细记录，把问题带回，费时费工，既不能及时反映真实情况，也不能及时解决实际问题。问题带回后，再进行研究维修方案，由电力主管人员签字安排检修人员进行设备维护。传统巡检质量容易受到巡检人员个人影响，个人技能知识缺少，对设备问题不能及时发现。
[0004]随着电网智能化和计算机视觉技术的快速发展，对配电室的智能化监控要求越来越高，实现配电室智能化监控是当今电网巡检智能化的重要研究对象。配电室视频监测等自动化图像系统的提出已有时日，也获得了较为广泛的应用，但多数系统仍采用后台人工的方式对视频监测系统采集的配电房图像进行间隔巡查，以发现配电室异常，但大量的图像耗费较多的人力和时间，不能快速及时的发现隐患。部分配电室视频监测系统具备一定的图像识别能力，但随着配电室等变电设备的增加及用电量的增加，设备运转负荷过大，电压时常出现不稳定的状况，导致智能配电房存在很多潜在的危险。如何通过无人化检测方式对配电房的设备及环境等危险进行及时监控，成为该领域智能化发展中亟待解决的问题。
[0005]因此，建立完善的电力配电室异常状态自动识别方法，能够快速、精准的识别电网配电室异常状态，防止配电室事故的发生，降低配电室巡检人工成本，降低由于配电室异常对电网运行造成的影响，对保障电力系统安全和稳定运行、节约巡检成本、保障用户用电效果具有重要的理论和现实意义。

技术实现思路

[0006]现有对配电室异常状态识别的研究并没有充分的适应配电室异常环境，并且对使用深度学习的目标检测算法研究相对较少，研究结果存在一些局限性。。
[0007]本专利技术针对配电室典型烟雾异常，基于YOLOv5深度学习算法，充分了解配电室烟雾异常的特点，改进主干网络，添加注意力机制，使其更好的能提取配电室烟雾异常特征；由于配电室通常处在地下室或室内中，使用灯光照明，不同配电室内设备大同小异，训练过程中容易因为背景单一、相似对检测结果造成影响，采用9马赛克增强的方法，增加背景复
杂程度，提升模型性能；由于烟雾异常形状、大小不固定，使用Kmeans++聚类算法，并采用不同的损失函数用作锚框回归，降低由于检测目标形状、大小而造成的先验信息错误等问题。本专利技术从三个层面逐步实现配电室环境异常自动识别。
[0008]本专利技术的目的是由以下技术方案来实现的：一种配电室烟雾异常自动识别方法与系统，其特征是，它包括以下步骤：
[0009]步骤1)通过收集大量真实烟雾图像作为训练模型的训练集，采集一定数量的真实配电室烟雾异常图像作为测试模型性能的测试集。
[0010](1.1)要获得一个准确率高的、表现良好的烟雾、火焰异常识别模型，需要大量的数据作支撑；
[0011](1.2)从训练的数据集中按照Batch Size抽取数据，每次随机抽取9张图像，在随机位置进行裁剪和拼接，合成新的图像，重复批量大小的次数，得到Batch Size增强的批量大小图像；
[0012]步骤2)基于空间和通道的注意力机制。解决了由于配电室环境导致特征提取效果不明显，配电室异常初期小而稀薄的检测精度低问题。
[0013](2.1)取代单一的空间注意力模块，空间和通道模块组合使用。在提取目标特征时，这将为目标所在的区域和通道分配更高的权重；
[0014](2.2)在C3模块基本卷积计算完毕以后，将其输出的特征作为通道注意力机制的输入特征，定为X
i
，通道注意力机制的网络中有两个参数和，分别代表权重W1和偏置B1；
[0015](2.3)空间注意力机制网络中连续使用两个池化操作来聚合来自X
o1
特征图的通道信息。
[0016]步骤3)边界损失函数。使用k
‑
means++聚类算法对烟雾数据集中标记的目标边界锚框进行多次聚类，生成不同数量和大小的先验框，增加分类的准确度。
[0017](3.1)使用CSPDarknet53网络对异常数据集进行特征提取；
[0018](3.2)对特征提取的目标使用k
‑
means++网络进行特征提取；
[0019](3.3)利用DIoU函数边界损失函数优化边界锚框回归。
[0020]本专利技术针对传统的配电室运检模式为人工定期运检，无法及时发现配电室异常情况，对配电及用户用电带来较大的隐患的问题，提出一种配电室烟雾异常自动识别方法与系统。首先，通过收集大量真实烟雾图像作为训练模型的训练集，采集一定数量的真实配电室烟雾异常图像作为测试模型性能的测试集；然后，为更好的提取烟雾的特征，在Backbone网络中添加SE注意力机制，将待提取的烟雾特征更好的体现出来；最后，为了解决烟雾形状、大小不固定，先验信息不准确的问题，利用Kmeans++聚类算法来生成锚框，在模型中加入动态锚盒模块，并在网络训练过程中动态更新锚盒的大小和位置。
附图说明
[0021]图1为配电室烟雾异常自动识别方法流程图；
[0022]图2为马赛克增强流程图；
[0023]图3为9
‑
马赛克增强效果图；
[0024]图4为空间与通道注意力机制流程图；
[0025]图5为边界损失函数优化边界锚框回归流程图；
[0026]图6为旋转缩放计算流程图；
[0027]图7为模型训练损失图；
[0028]图8为配电室烟雾异常检测结果图。
具体实施方式
[0029]下面结合附图对本专利技术的一种配电室烟雾异常自动识别方法与系统作详细描述。
[0030]一种配电室烟雾异常自动识别方法与系统，完整执行过程如图1所示，包括如下步骤：
[0031]1)通过收集大量真实烟雾图像作为训练模型的训练集，采集一定数量的真实配电室烟雾异常图像作为测试模型性能的测试集。
[0032](1.1)要获得一个准确率高的、表现良好的烟雾、火焰异常识别模型，需要大量的数据作支撑。
[0033]获取新的数据这项工作往往需要花费大量的时间与人工成本。使用数据增强技术，可以充分利用计算机来生成数据，增加数据量。传统的YOLOv5方法使用四张图像，随机裁剪和缩放，然后随机排列和拼接成一张图像。
[0034](1.2)从训练的数据集中按照Batch Size抽取本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电室烟雾异常自动识别方法与系统，其特征是，它包括以下步骤:步骤1)通过收集大量真实烟雾图像作为训练模型的训练集，采集一定数量的真实配电室烟雾异常图像作为测试模型性能的测试集。(1.1)要获得一个准确率高的、表现良好的烟雾、火焰异常识别模型，需要大量的数据作支撑；(1.2)从训练的数据集中按照Batch Size抽取数据，每次随机抽取9张图像，在随机位置进行裁剪和拼接，合成新的图像，重复批量大小的次数，得到Batch Size增强的批量大小图像。步骤2)基于空间和通道的注意力机制。解决了由于配电室环境导致特征提取效果不明显，配电室异常初期小而稀薄的检测精度低问题。(2.1)取代单一的空间注意力模块，空间和通道模块组合使用。在提取目标特征时，这将为目标所在的区域和通道分配更高的权重；(...

【专利技术属性】
技术研发人员：许琨，鲍善东，刘鹏，单永泽，孔帅，张振明，徐晓宇，吴飞，
申请(专利权)人：东北电力大学国家电网有限公司，
类型：发明
国别省市：