System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及图像处理,具体涉及一种基于深度学习的电力系统异常检测方法及系统。
技术介绍
1、输电线路是电力系统的重要组成部分,对输电线路进行异常检测是保证电力系统稳定运行的关键,通过无人机搭载各类图像采集设备拍摄输电线路图像是一种常用的巡检方式。从图像采集设备的原理出发,输电线路的异常检测技术可分为视觉检测技术和红外检测技术等,不同的检测技术各有优缺点,成像过程中环境带来的影响也不一样。在实际的输电线路巡检过程中,难以保证每次都有适宜的检测环境,因此,亟需一种可适应多环境的输电线路异常检测方法及系统。
技术实现思路
1、为了解决现有技术的不足,本专利技术提供了一种基于深度学习的电力系统异常检测方法及系统,可用于不同天气环境下的输电线路异常检测,提高了电力系统异常检测的效率。
2、第一方面,本专利技术提供一种基于深度学习的电力系统异常检测方法,包括:
3、获取待检测输电线路同一区域的视觉检测图像和红外检测图像;
4、通过视觉分析模型对视觉检测图像进行分析,生成第一检测结果,包括多个第一异常区域;
5、通过红外分析模型对红外检测图像进行分析,生成第二检测结果,包括多个第二异常区域;
6、获取视觉检测图像和红外检测图像对应的环境监测数据,基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析,输出第一检测结果的第一特征值和第二检测结果的第二特征值;
7、将第一检测结果和第二检测结果投射
8、其中,通过位点聚类模型对参考图像进行数据融合包括:
9、分别确定每个第一异常区域和每个第二异常区域的参考位点和偏移距离;
10、基于第一特征值和第二特征值从第一异常区域和第二异常区域中筛选出主区域并进行标记,将剩余的异常区域标记为辅区域;
11、遍历所有主区域,记任意一个主区域为目标区域,若任意一个辅区域与主区域的参考距离小于预设阈值,则将辅区域进行标记;
12、将所有主区域和被标记的辅区域输出为异常检测结果。
13、可选地,对于环境分析模型,还包括:
14、获取输电线路的历史检测数据,包括多个视觉检测结果和红外检测结果,以及每个视觉检测结果和红外检测结果对应的检测环境数据;
15、从历史检测数据中提取出每组检测环境数据下的视觉检测识别率和红外检测识别率,构建得到第一训练数据集和第二训练数据集;
16、环境分析模型包括视觉分析单元和红外分析单元,基于第一训练数据集对视觉分析单元进行训练,基于第二训练数据集对红外分析单元进行训练,得到训练好的环境分析模型。
17、可选地,参考位点和偏移距离的确定包括:
18、对于任意一个异常区域,基于异常区域所包括的所有像素点确定包括所有像素点的最小外接圆,取最小外接圆的圆心为参考位点,取最小外接圆的半径为偏移距离。
19、可选地,对于参考距离,还包括:
20、对于任意一组主区域和辅区域,基于如下公式计算得到参考距离:
21、l=r-r1-r2,式中,l表示参考距离,r表示主区域和辅区域的参考位点之间的距离,r1为主区域的偏移距离,r2为辅区域的偏移距离。
22、可选地,从第一异常区域和第二异常区域中筛选出主区域并进行标记包括:
23、判断第一特征值是否大于第二特征值,若是则筛选出所有第一异常区域并标记为主区域,否则筛选出所有第二异常区域并标记为主区域。
24、可选地,基于yolov5模型构建视觉分析模型。
25、可选地,对于视觉分析模型,还包括:
26、在yolov5模型主干网络的每一个cbl组件后添加se模块,构建得到视觉分析模型。
27、可选地,基于离群点检测算法构建红外分析模型。
28、第二方面,本专利技术提供一种基于深度学习的电力系统异常检测系统,包括:
29、数据获取模块,用于获取待检测输电线路同一区域的视觉检测图像和红外检测图像,获取视觉检测图像和红外检测图像对应的环境监测数据;
30、视觉分析模块,用于通过视觉分析模型对视觉检测图像进行分析,生成第一检测结果;
31、红外分析模块,用于通过红外分析模型对红外检测图像进行分析,生成第二检测结果;
32、环境分析模块,基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析,输出第一检测结果的第一特征值和第二检测结果的第二特征值;
33、数据融合模块,用于将第一检测结果和第二检测结果投射到参考图像中,通过位点聚类模型对参考图像进行数据融合,得到异常检测结果。
34、可选地,还包括:
35、模型训练模块,用于获取输电线路的历史检测数据,基于历史检测数据构建得到第一训练数据集和第二训练数据集,通过第一训练数据集和第二训练数据集对环境分析模型进行训练。
36、相较于现有技术,本专利技术具有以下优点:
37、本专利技术提供了一种适用于多环境下的电力系统异常检测方法,结合环境数据对同一区域中的视觉检测结果和红外检测结果进行综合分析,针对不同的环境对多个检测结果进行自适应融合,结合视觉检测技术和红外检测技术的优点,实现了对不同环境下的输电线路的异常检测,提高了电力系统异常检测的效率。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电力系统异常检测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,对于环境分析模型,还包括:
3.如权利要求1所述的方法,其特征在于,参考位点和偏移距离的确定包括:
4.如权利要求1所述的方法,其特征在于,对于参考距离,还包括:
5.如权利要求1所述的方法,其特征在于,从第一异常区域和第二异常区域中筛选出主区域并进行标记包括:
6.如权利要求1所述的方法,其特征在于,基于YOLOv5模型构建视觉分析模型。
7.如权利要求6所述的方法,其特征在于,对于视觉分析模型,还包括:
8.如权利要求1所述的方法,其特征在于,基于离群点检测算法构建红外分析模型。
9.一种基于深度学习的电力系统异常检测系统,其特征在于,包括:
10.如权利要求9所述的系统,其特征在于,还包括:
【技术特征摘要】
1.一种基于深度学习的电力系统异常检测方法,其特征在于,包括:
2.如权利要求1所述的方法,其特征在于,对于环境分析模型,还包括:
3.如权利要求1所述的方法,其特征在于,参考位点和偏移距离的确定包括:
4.如权利要求1所述的方法,其特征在于,对于参考距离,还包括:
5.如权利要求1所述的方法,其特征在于,从第一异常区域和第二异常区域中筛选出主区域并进行标记...
【专利技术属性】
技术研发人员:吴兵华,陈森,王瑾轩,董伟,周钰展,刘芷洋,江昊燃,汤云林,陈亚琦,张文昶,杨炎,段欣吟,
申请(专利权)人:国网湖北省电力有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。