一种基于深度学习的缺陷异常检测方法技术

本发明专利技术公开了一种基于深度学习的缺陷异常检测方法，通过对电力设备的各种类型器件进行预先分类，再对相应类型设备的缺陷进行检测，对设备进行预先分类，可有效提高识别速度及识别的准确率，同时大大降低了缺陷巡查的难度

【技术实现步骤摘要】
一种基于深度学习的缺陷异常检测方法


[0001]本专利技术属于电力设备的缺陷异常检测技术，尤其是涉及一种基于深度学习的缺陷异常检测方法
。

技术介绍

[0002]变电站作为连接主干网和配电网的关键节点，其安全性直接关系到整个电力系统的稳定运行
。
为实现对变电设备状态的感知与管控，变电站的安全巡检一直是电网公司重点工作内容
。
随着技术发展，巡检方式已经由传统人工巡检逐步转向为依托巡检机器人
、
无人机及高清摄像头的自动巡检方式，利用上述设备获取设备图像，并给予单帧图像处理算法完成设备异常移位
、
缺陷识别
、
人员作业管控等工作
。
[0003]目前变电站缺陷识别方法基本采用的是单个目标检测模型来识别缺陷，目前的方法可识别的类别不多，识别准确率较低，尤其需要解决小目标识别问题
。

技术实现思路

[0004]为了克服现有技术的不足，本专利技术提供一种基于深度学习的缺陷异常检测方法，其采用的技术方案如下：包括如下步骤：
[0005]步骤
1、
对需巡检的电力设备进行图像采集；
[0006]步骤
2、
利用预先采集的电力设备图像建立设备类型检测模型；
[0007]步骤
3、
将步骤1中采集的图像输入设备类型检测模型进行匹配检测，并获取此设备的类型参数；
[0008]步骤
4、
利用预处理的或存在异常的设备图像建立设备缺陷检测模型；
[0009]步骤
5、
将步骤1中采集的图像输入设备缺陷检测模型，并按照步骤3中获得的设备类型参数进行匹配检测，获取设备发生异常的区域；
[0010]步骤
6、
对设备发生异常的区域参数进行统计分析，并对异常进行归类
。
[0011]作为优选，所述设备类型检测过程如下：对步骤1中采集的图像进行灰度化和
Gamma
变换预处理；对预处理后的图像进行梯度计算，包括计算图像的水平方向和垂直方向梯度
、
梯度的幅值和方向；将图像划分成多个
cell
块，在每个
cell
块对梯度直方图进行规定权重的投影；将每几个
cell
组成一个
block
，对于每一个
block
块内的
cell
进行对比度归一化；将图像内的所有
block
的直方图向量一起组合成
HOG
特征向量；采用
SVM
算法进行分类
。
[0012]作为优选，所述
SVM
分类算法如下：
[0013]输入线性可分的
m
个样本数据
{(x1y1)、(x2y2)
…
，
(x
m
y
m
)}
，其中
x
为
m
维的特征向量，
y
为二元输出，取值为
+1
或者
‑1，
SVM
模型输出为参数
ω
、b
以及分类决策函数，步骤如下：
[0014](1)
构造约束优化问题：
[0015][0016](2)
使用
SMO
算法求出上式优化中对应的最优解
β
*
；
[0017](3)
找出所有的支持向量集合
S
；
[0018](4)
更新参数
ω
、b
的值
。
[0019]作为优选，所述设备缺陷匹配检测过程如下：采用
yolov3
算法对设备缺陷进行检测，步骤如下：
[0020](1)
提取多特征层进行目标检测，获取预测结果；
[0021](2)
对预测结果进行解码，如下：
[0022]解码过程就是计算得出最后显示的边界框的坐标
b
x
、b
y
，以及宽高
b
w
、b
h
，计算函数如下：
[0023]b
x
＝
σ
(t
x
)+c
x
[0024]b
y
＝
σ
(t
y
)+c
y
[0025][0026]Pr(object)*IOU)(b
，
Object)
＝
σ
(t
o
)
[0027]其中，
(c
x
，
c
y
)
：该点所在网格的左上角距离最左上角相差的格子数；
(p
w
，
p
h
)
：先验框的边长；
(t
x
，
t
y
)
：目标中心点相对于该点所在网格左上角的偏移量
(t
w
，
t
h
)
：预测边框的宽和高；
[0028](3)
对预测出的边界框得分排序与非极大值抑制筛选
。
[0029]作为优选，通过图像缩放算法将所述步骤1中采集的图像转换成小尺寸的图像，并对其进行像素值归一化处理
。
[0030]作为优选，所述步骤4中设备图像的预处理方式包括：
(1)
有监督数据增强处理，该增强围绕图像样本进行处理，包括几何变换类和颜色变换类，其中几何变换类包含翻转
、
旋转
、
缩放
、
裁剪
、
变形操作，颜色变换类包含颜色变换
、
噪声
、
模糊
、
擦除
、
填充操作；
(2)
无监督数据增强处理，通过模型学习数据的分布，随机生成与训练数据分布一致的图像
。
采用该种方法可减少图像采集的工作量，提高效率
。
[0031]本专利技术对电力设备的各种类型器件进行预先分类，再对相应类型设备的缺陷进行检测，对设备进行预先分类，可有效提高识别速度及识别的准确率，同时大大降低了缺陷巡查的难度
。
附图说明
[0032]图1为本专利技术的流程图
。
具体实施方式
[0033]为了使本
的人员更好的理解本专利技术方案，下面将结合本专利技术实施例中的附图，对专利技术实施例中的技术方案进行清楚
、
完整的描述，显然，所描述的实施例仅仅是本专利技术的一部分实施例，而不是全部的实施例<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度学习的缺陷异常检测方法，其特征在于，包括如下步骤：步骤
1、
对需巡检的电力设备进行图像采集；步骤
2、
利用预先采集的电力设备图像建立设备类型检测模型；步骤
3、
将步骤1中采集的图像输入设备类型检测模型进行匹配检测，并获取此设备的类型参数；步骤
4、
利用预处理的或存在异常的设备图像建立设备缺陷检测模型；步骤
5、
将步骤1中采集的图像输入设备缺陷检测模型，并按照步骤3中获得的设备类型参数进行匹配检测，获取设备发生异常的区域；步骤
6、
对设备发生异常的区域参数进行统计分析，并对异常进行归类
。2.
根据权利要求1所述的缺陷异常检测方法，其特征在于，所述设备类型检测过程如下：对所述步骤1中采集的图像进行灰度化和
Gamma
变换预处理；对预处理后的图像进行梯度计算，包括计算图像的水平方向和垂直方向梯度
、
梯度的幅值和方向；将图像划分成多个
cell
块，在每个
cell
块对梯度直方图进行规定权重的投影；将每几个
cell
组成一个
block
，对于每一个
block
块内的
cell
进行对比度归一化；将图像内的所有
block
的直方图向量一起组合成
HOG
特征向量；采用
SVM
算法进行分类
。3.
根据权利要求2所述的缺陷异常检测方法，其特征在于，所述
SVM
分类算法如下：输入线性可分的
m
个样本数据
{(x1y1)、(x2y2)
…
,(x
m
y
m
)},
其中
x
为
m
维的特征向量，
y
为二元输出，取值为
+1
或者
‑1，
SVM
模型输出为参数
ω
、b
以及分类决策函数，步骤如下：
(1)
构造约束优化问题：
(2)
使用
SMO
算法求出上式优化中对应的最优解
β
*
；
(3)
找出所有的支持向量集合
S
；
(4)
更新参数
ω
...

【专利技术属性】
技术研发人员：徐盛，陈海滨，杨迁，林易乐，李国胜，魏征宇，
申请(专利权)人：浙江图盛输变电工程有限公司温州科技分公司，
类型：发明
国别省市：