一种变电站缺陷判别方法及系统技术方案

本发明专利技术公开了一种变电站缺陷判别方法，包括缺陷判别样本库采集与建立，构成一对判别样本；数据预处理，对采集的判别样本对进行图像配准对齐的预处理操作，标注出对齐后样本对中存在差异的区域位置；孪生网络结构构建，每对图像从神经网络中提取四种不同尺度的特征图作为图像特征表示；特征工程，提取适用于目标检测和度量学习的特征向量；目标检测和相似度度量分支设计，达到提升预测框精度和改善特征空间的优化目标；模型推理及逻辑性后处理

【技术实现步骤摘要】
一种变电站缺陷判别方法及系统


[0001]本专利技术属于变电站巡视
，尤其是涉及一种变电站缺陷判别方法及系统
。

技术介绍

[0002]目前，随着电力系统自动化技术的不断进步，电力体制的深化改革，无人值守模式变电站已得到大力推广
。
但变电站具有数目巨大
、
地域分布广且很多地处人烟稀少区域的特点，给上级主管部门的管理带来诸多不便，生产人员不足和巡视工作量增加之间的矛盾日益突出，传统依靠“人工巡视
、
手动记录”的方式已难以满足现代化电力行业发展的需求
。
[0003]现有技术中，申请号为“2022108577416”名称为“一种基于深度学习的变电站监测方法
、
系统
、
电子设备”的中国专利技术专利，其变电站智能巡视策略是利用高清摄像头和巡检机器人获取设备图像，并基于单帧图像完成表计读数
、
刀闸开关位置判断等识别工作，尽管可以实现渗漏油
、
未戴安全帽等常见缺陷类型的识别，但是目前可识别的类型固定且有限
。
对于训练样本较难采集
、
常规缺陷识别方法难以感知
、
图像背景光照等条件复杂
、
变化较大的缺陷类型，存在识别准确率低
、
缺乏识别手段等问题
。
[0004]其次，过去的研究中采用像素点检测
、
斑点差异等传统图形学算法可检测出图中存在差异的区域，但是这些方法对位置偏移
、
光照变化等因素较为敏感，会产生大量误检
。
而采用单一模型的深度学习方法，对图像进行预处理再输入神经网络，由于网络层数较深，会造成变化不明显区域的差异性特征丢失，存在漏检等情况
。

技术实现思路

[0005]专利技术目的：本专利技术的目的旨在提供一种应用场景广
、
检测灵敏度高的基于路径生成树的变电站缺陷判别方法；本专利技术的另一目的旨在提供一种变电站缺陷判别系统
。
[0006]技术方案：本专利技术所述的基于路径生成树的变电站缺陷判别方法，包括以下步骤：
[0007]获取变电站内重点设备
、
表计
、
出入口及重要场景的正常基准数据及同一位置异常缺陷数据，构成一对判别样本；
[0008]孪生网络结构构建，基于孪生结构网络模型，每对图像从神经网络中提取不同尺度的特征图作为图像特征表示；
[0009]对图像特征表示进行特征工程，提取适用于目标检测和度量学习的特征向量；
[0010]将不同类型特征分别输入目标检测和相似性度量分支，通过设计两种分支的损失函数，达到提升预测框精度和改善特征空间的优化目标；
[0011]对模型推理及逻辑性后处理，制定整理
、
合并
、
删除预测框策略，挖掘预测框与变电站设备之间的关系，填充
、
扩大预测框并输出最终结果
。
[0012]其中，所述缺陷判别样本库采集与建立中的一对判别样本由正常基准数据和异常缺陷数据构成，数据宜通过部署在变电站内的摄像头
、
巡检机器人设置固定预置位拍摄照片的方式进行采集，采集场景包括重点设备
、
重要出入口
、
站内环境，目标对象居中拍摄，关键位置
、
指针清晰可见，基准数据和缺陷数据应使用相同的采集设备，相同的预置点位进行
拍摄，缺陷判别样本库宜包括至少1万对有效样本
。
[0013]其中，所述孪生网络结构构建前需对图像进行预处理；图像的预处理包括对采集的判别样本对进行图像配准对齐的预处理操作，标注出对齐后样本对中存在差异的区域位置，生成
xml
标签文件，按照4：1比例划分训练集和验证集；具体包括以下步骤：
[0014]将正常基准图像样本和异常缺陷图像样本由
RGB
转化为灰度图像；
[0015]两张灰度图像分别通过
ORB
算法提取特征描述子；
[0016]通过汉明距离计算特征描述子之间的相似程度，提取满足匹配阈值要求的特征对；
[0017]基于
RANSAC
算法过滤提取的特征对，计算仿射变换矩阵；
[0018]将仿射变换应用于原图，实现异常图像相对于正常图像的配准与对齐
。
[0019]其中，所述标注出对齐后样本对中存在差异的区域位置，包括针对设备异常人员出入的场景，通过
LabelImg
工具标注出配准
、
对齐后两张图中有差异的位置，标注区域为矩形框，标注文件保存为
PASCALVOC
数据集规定的
xml
格式
。
[0020]其中，所述孪生网络由两个结构和参数完全相同的一阶目标检测模型
YoloV5m
构成，提取图像特征表示包括以下步骤：
[0021]根据缺陷判别场景，定制化数据增强
、
扩充策略；两张图像使用完全相同的数据增强策略，包括图像尺寸缩放
、
模糊增强
、
中值滤波
、HSV
色彩空间增强
、
上下翻转
、
水平翻转；
[0022]将增强后的图像输入
YoloV5m
模型，分别提取
P3
‑
P6
四个子模块的特征图作为图像特征表示，这四层特征图相对于原图的缩放比例分别为
8、16、32、64。
[0023]其中，所述特征工程包括对两张图像的特征表示进行转换
、
处理，生成适用于度量学习和目标检测的特征向量，具体包括以下步骤：
[0024]根据图像预处理中的
xml
标注文件及特征图缩放比例，为
YoloV5m
模型
P3
模块特征图生成同等大小的掩码矩阵，标注有区别的区域矩阵元素值为1，其余位置值为0；
[0025]将掩码矩阵与特征图按像素点相乘，并输入3层
1*1
卷积结构，微调特征向量空间，最终生成度量学习特征向量；
[0026]采用特征金字塔
(FPN)
和路径聚合网络
(PAN)
结构，
FPN
通过卷积
、
上采样等操作，自上而下传递高层的强语义特征，实现了多尺度特征融合，
PAN
是另一种自下而上的金字塔结构，逐层传递低层的定位特征，双层金字塔同时拥有语义和定位信息；
[0027]将两张图像
P3
‑
P6
模块的特征向量按照通道维度进行堆叠；
[0028]对堆叠后的特征向量进行批标准化；
[0029]采用了2层卷积本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种变电站缺陷判别方法，其特征在于：包括以下步骤：获取变电站内重点设备
、
表计
、
出入口及重要场景的正常基准数据及同一位置异常缺陷数据，构成一对判别样本；孪生网络结构构建，基于孪生结构网络模型，每对图像从神经网络中提取不同尺度的特征图作为图像特征表示；对图像特征表示进行特征工程，提取适用于目标检测和度量学习的特征向量；将不同类型特征分别输入目标检测和相似性度量分支，通过设计两种分支的损失函数，达到提升预测框精度和改善特征空间的优化目标；对模型推理及逻辑性后处理，制定整理
、
合并
、
删除预测框策略，挖掘预测框与变电站设备之间的关系，填充
、
扩大预测框并输出最终结果
。2.
根据权利要求1所述的一种变电站缺陷判别方法，其特征在于，所述缺陷判别样本库采集与建立中的一对判别样本由正常基准数据和异常缺陷数据构成，数据宜通过部署在变电站内的摄像头
、
巡检机器人设置固定预置位拍摄照片的方式进行采集，采集场景包括重点设备
、
重要出入口
、
站内环境，目标对象居中拍摄，关键位置
、
指针清晰可见，基准数据和缺陷数据应使用相同的采集设备，相同的预置点位进行拍摄，缺陷判别样本库宜包括至少1万对有效样本
。3.
根据权利要求2所述的一种变电站缺陷判别方法，其特征在于，所述孪生网络结构构建前需对图像进行预处理；图像的预处理包括对采集的判别样本对进行图像配准对齐的预处理操作，标注出对齐后样本对中存在差异的区域位置，生成
xml
标签文件，按照4：1比例划分训练集和验证集；具体包括以下步骤：将正常基准图像样本和异常缺陷图像样本由
RGB
转化为灰度图像；两张灰度图像分别通过
ORB
算法提取特征描述子；通过汉明距离计算特征描述子之间的相似程度，提取满足匹配阈值要求的特征对；基于
RANSAC
算法过滤提取的特征对，计算仿射变换矩阵；将仿射变换应用于原图，实现异常图像相对于正常图像的配准与对齐
。4.
根据权利要求1所述的一种变电站缺陷判别方法，其特征在于，所述标注出对齐后样本对中存在差异的区域位置，包括针对设备异常人员出入的场景，通过
LabelImg
工具标注出配准
、
对齐后两张图中有差异的位置，标注区域为矩形框，标注文件保存为
PASCALVOC
数据集规定的
xml
格式
。5.
根据权利要求1所述的一种变电站缺陷判别方法，其特征在于，所述孪生网络由两个结构和参数完全相同的一阶目标检测模型
YoloV5m
构成，提取图像特征表示包括以下步骤：根据缺陷判别场景，定制化数据增强
、
扩充策略；两张图像使用完全相同的数据增强策略，包括图像尺寸缩放
、
模糊增强
、
中值滤波
、HSV
色彩空间增强
、
上下翻转
、
水平翻转；将增强后的图像输入
YoloV5m
模型，分别提取
P3
‑
P6
四个子模块的特征图作为图像特征表示，这四层特征图相对于原图的缩放比例分别为
8、16、32、...

【专利技术属性】
技术研发人员：张祥全，孙瀚，王利平，李晓萌，聂江龙，王晶，贺洲强，崔瑶，陈钊，周华良，狄磊，苏战涛，马宏忠，
申请(专利权)人：国网电力科学研究院有限公司国网甘肃省电力公司电力科学研究院，
类型：发明
国别省市：