一种变电站设备缺陷的智能识别方法技术

本发明专利技术公开一种变电站设备缺陷的智能识别方法，涉及变电站领域。该变电站设备缺陷的智能识别方法，包括应用YOLO算法框架对图像中的设备外观的缺陷进行识别及分类；其中，所述YOLO算法框架包括图像输入模块、骨干网络模块、颈部模块、检测头模块；应用缺陷判别算法对图像通过特征点提取、特征点匹配和差异度判别以实现设备状态的缺陷判别。本发明专利技术实施例通过YOLO算法框架和缺陷判别算法来进行图像分析处理，实现了变电站设备各种外观缺陷和状态缺陷的自动识别，大大提高了缺陷识别效率，降低了人工成本。了人工成本。了人工成本。

【技术实现步骤摘要】
一种变电站设备缺陷的智能识别方法


[0001]本专利技术涉及变电站
，具体为一种变电站设备缺陷的智能识别方法。

技术介绍

[0002]变电站是指电力系统中对电压和电流进行变换，接受电能及分配电能的场所。
[0003]变电站内部设置有众多的设备，且设备多数都是带电进行工作，因此安全防护要求格外重要，即使设备的外观的缺陷也是较为重要的危险因素，而日常的安全巡视一般由变电站内部设置的摄像头和多个点位的智慧狗组成，但是摄像头和多个点位的智慧狗一般只是对现场的设备进行外观摄像，还需要人工来进行辨别，则依然需要很大的人工强度，同时人工无法进行24小时的巡视查看，因此我们提出了一种变电站设备缺陷的智能识别方法。

技术实现思路

[0004](一)解决的技术问题
[0005]针对现有技术的不足，本专利技术提供了一种变电站设备缺陷的智能识别方法，解决了摄像头和多个点位的智慧狗一般只是对现场的设备进行外观摄像，如果还需要人工来进行辨别，则依然需要很大的人工强度，同时人工无法进行24小时的巡视查看的问题。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]一种变电站设备缺陷的智能识别方法，包括：
[0009]应用YOLO算法框架对图像中的设备外观的缺陷进行识别及分类；其中，所述YOLO算法框架包括图像输入模块、骨干网络模块、颈部模块、检测头模块，其中图像输入模块用于图像输入，骨干网络模块用于识别图像输入信息，颈部模块用于图像信息处理，检测头模块用于图像拼接；且图像输入模块、骨干网络模块、颈部模块、检测头模块还用于在对图像处理过程中对图像各类缺陷进行识别，寻找并定位缺陷的部位，同时对不同的缺陷图像进行分类；
[0010]应用缺陷判别算法对图像通过特征点提取、特征点匹配和差异度判别以实现设备状态的缺陷判别，具体包括：获取待判别图，然后将待判别图和与之对应的基准图的SIFT特征提取，再将待判别图与基准图的特征点对比，通过待判别图与基准图的对比寻找到差异部分，据此进行缺陷判别。
[0011]可选的，还包括：通过变电站中的摄像头与智慧狗采集图像，应用YOLO算法框架和缺陷判别算法对缺陷实时进行识别与判别，当发现缺陷后即根据预先配置的告警等级在系统中进行告警，告警方式包括信息记录告警、弹窗告警和/或声光告警。
[0012]可选的，所述骨干网络模块包括多个骨干网络块和金字塔融合模块；
[0013]骨干网络块采用多个小卷积核进行堆积，并利用多层非线性层以识别图像输入信息；
[0014]金字塔融合模块将多个骨干网络块卷积的信息进行最大池化。
[0015]可选的，所述颈部模块将骨干网络模块传递的图像信息进行卷积、上采样、拼接和下采样；
[0016]卷积步骤包括：随着纹理坐标变化的信号，将时域卷积定理的时间换成纹理坐标，得到对于纹理坐标域的卷积，对图像的频域相乘，以通过调整卷积核的大小调整图像范围，从而获取到不同的图像信息；
[0017]上采样步骤包括：放大图像，即图像插值，以使原图放大后能够显示在更高分辨率的显示设备上；
[0018]下采样步骤包括：缩小原图，即生成对应图像的缩略图，使图像符合对应的显示区域，以降低特征的维度并保留有效信息；
[0019]拼接步骤包括：将多个图像进行拼接，保留疑似缺陷位置的图像，然后将其传递至检测头中。
[0020]可选的，还包括：所述检测头模块将拼接后的多个图像再次进行卷积，然后得到新的图像，并再次进行拼接，寻找并定位缺陷的图像部位。
[0021]可选的，在特征点匹配的步骤中，具体按照最邻近查找算法进行特征点匹配，并计算特征描述子余弦相似度。
[0022]可选的，设备状态的缺陷类型包括箱门闭合变化、消防设施位置变化和/或隔离开关分合变化的缺陷。
[0023]可选的，设备外观的缺陷类型包括：表盘模糊、表盘破损、外壳破损、绝缘子破裂、地面油污、硅胶筒破损、箱门闭合异常、挂空悬浮物、鸟巢、盖板破损、未戴安全帽、未穿工装、吸烟、表计读数异常、呼吸器油封油位异常和/或硅胶变色。
[0024]本专利技术公开了一种变电站设备缺陷的智能识别方法，其具备的有益效果如下：
[0025]本专利技术实施例通过YOLO算法框架和缺陷判别算法来进行图像分析处理，实现了变电站设备各种外观缺陷和状态缺陷的自动识别，大大提高了缺陷识别效率，降低了人工成本。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术YOLO算法框架示意图；
[0028]图2为本专利技术缺陷判断示意图；
[0029]图3为本专利技术缺陷判别算法示意图。
具体实施方式
[0030]为使本专利技术实施例的目的、技术方案和优点更加清楚，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获
得的所有其他实施例，都属于本专利技术保护的范围。
[0031]在现有技术中，摄像头和多个点位的智慧狗一般只是对现场的设备进行外观摄像，还需要人工来对设备的各种缺陷进行辨别，需要很大的人工成本，而且由于人工无法进行24小时的巡视查看，因此会存在无法实时识别设备缺陷的问题，容易引发各种不良后果。
[0032]为此，本申请实施例提供一种变电站设备缺陷的智能识别方法，利用YOLO算法框架和缺陷判别算法对缺陷进行自动判别，当发现缺陷后即根据预先配置的告警等级在系统中进行告警，告警方式包括信息记录告警、弹窗告警、声光告警等，以实现实时的自动识别功能。
[0033]为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
[0034]根据附图1
‑
3所示，本专利技术实施例提供的一种变电站设备缺陷的智能识别方法，包括：应用YOLO算法框架对图像中的设备外观的缺陷进行识别及分类；以及应用缺陷判别算法对图像通过特征点提取、特征点匹配和差异度判别以实现设备状态的缺陷判别。
[0035]所述YOLO算法框架包括图像输入模块、骨干网络模块、颈部模块、检测头模块，其中图像输入模块用于图像输入，骨干网络模块用于识别图像输入信息，颈部模块用于图像信息处理，检测头模块用于图像拼接，且图像输入模块、骨干网络模块、颈部模块、检测头模块还用于在对图像处理过程中对图像各类缺陷进行识别，寻找并定位缺陷的部位同时对不同的缺陷图像进行分类；
[0036]所述缺陷判别算法包括特征点提取、特征点匹配和差异度判别，具体包括：获取待判别图，然后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种变电站设备缺陷的智能识别方法，其特征在于：包括：应用YOLO算法框架对图像中的设备外观的缺陷进行识别及分类；其中，所述YOLO算法框架包括图像输入模块、骨干网络模块、颈部模块、检测头模块，其中图像输入模块用于图像输入，骨干网络模块用于识别图像输入信息，颈部模块用于图像信息处理，检测头模块用于图像拼接；且图像输入模块、骨干网络模块、颈部模块、检测头模块还用于在对图像处理过程中对图像各类缺陷进行识别，寻找并定位缺陷的部位，同时对不同的缺陷图像进行分类；应用缺陷判别算法对图像通过特征点提取、特征点匹配和差异度判别以实现设备状态的缺陷判别，具体包括：获取待判别图，然后将待判别图和与之对应的基准图的SIFT特征提取，再将待判别图与基准图的特征点对比，通过待判别图与基准图的对比寻找到差异部分，据此进行缺陷判别。2.根据权利要求1所述的一种变电站设备缺陷的智能识别方法，其特征在于：还包括：通过变电站中的摄像头与智慧狗采集图像，应用YOLO算法框架和缺陷判别算法对缺陷实时进行识别与判别，当发现缺陷后即根据预先配置的告警等级在系统中进行告警，告警方式包括信息记录告警、弹窗告警和/或声光告警。3.根据权利要求1所述的一种变电站设备缺陷的智能识别方法，其特征在于：所述骨干网络模块包括多个骨干网络块和金字塔融合模块；骨干网络块采用多个小卷积核进行堆积，并利用多层非线性层以识别图像输入信息；金字塔融合模块将多个骨干网络块卷积的信息进行最大池化。4.根据权利要求1所述的一种变电站设备缺陷的智能识别方法，其特征在于：所述...

【专利技术属性】
技术研发人员：宁雪峰，刘泽槐，林志强，袁展图，李元佳，李龙，袁炜灯，姚俊钦，王永源，芦大伟，张海鹏，韦薇，纪丹霞，张艳艳，刘贯科，钟荣富，秦立斌，陈文睿，张承周，江栩铄，戴喜良，蒋紫薇，温景和，郑再添，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：