【技术实现步骤摘要】
本专利技术属于目标检测的，更具体地，涉及一种变电站屏柜设备状态检测方法及装置。
技术介绍
1、常规的电力站所面临着人工巡视、人工复盘的大量重复性工作。以上海某变电站为例，变电运检中心负责十余万面屏巡视、记录等工作，需要每一季度对屏柜进行例行巡检，而现有的巡检方式存在着以下问题：(1)屏柜数量多，运行工况复杂，巡视人员需要对每座站内大量点位进行人工核对，导致巡视效率较低；同时巡检人员个人能力以及责任心不同，巡视结果也存在一定的差异。(2)屏柜压板、空开等设备动作后需要现场操作人员一一比对，并重新打印当前状态，工作量较为繁琐。(3)屏柜柜门会遮挡部分设备，且空开大部分都安装于屏柜后面，巡检时需打开屏柜后门才能查看到具体状态，常规摄像机或轨道机器人无法实现对上述设备状态监测。上述巡检方式存在人员工作量大、巡视工作效率较低等问题。
2、综上问题，运维人员期望通过较便捷的方式对屏柜压板、指示灯、空开等进行智能检测识别，以实现设备状态智能研判，减少运检人员的工作量，并期望打造数字化运检，建立以数据驱动业务的运检管理新模式。
3、中国专利文献cn115409816a提出一种变电站屏柜压板状态识别方法、装置、设备及存储介质，通过根据当前屏柜图像，基于预训练得到的压板区域检测模型，确定当前屏柜图像的压板检测区域；根据压板检测区域，基于预训练得到的目标压板检测模型，得到压板检测区域下的屏柜标签图像和待识别压板的压板区域图像；根据屏柜标签图像和压板区域图像，确定待识别压板的投退状态。
4、中国专利文献cn11322
5、上述方式仅实现了对变电站屏柜压板状态的自动化识别，无法识别出屏柜开关、指示灯等其他二次设备的状态，无法识别出当前屏柜与上一时刻发生的变化，同时也无法检测出模型是否存在目标漏检漏报的情况。
6、基于此，为了解决上述存在的问题，亟需一种能够智能检测识别变电站屏柜设备状态的方法或装置，以实现设备状态的智能研判，减少运检人员的工作量，提高巡视工作效率。
技术实现思路
1、本专利技术旨在克服上述现有技术的至少一种缺陷，提供一种变电站屏柜设备状态检测方法，以解决智能巡检变电站屏柜过程中二次设备状态难以确认以及现有的巡检方式存在人员工作量大、巡视工作效率较低等问题。
2、本专利技术还公开一种加载有变电站屏柜设备状态检测方法的装置。
3、本专利技术详细的技术方案如下：
4、一种变电站屏柜设备状态检测方法，所述方法包括：
5、s1、获取变电站内屏柜二次设备图像以构建样本数据集，对所述样本数据集进行标注，并将标注后的样本数据集划分为训练集和验证集；
6、s2、构建目标检测模型和图像分类模型，并利用所述训练集分别对目标检测模型和图像分类模型进行训练；
7、s3、利用训练后的目标检测模型识别屏柜二次设备的状态，并利用训练后的图像分类模型检测目标检测模型是否存在目标漏检，同时结合ocr模型识别屏柜名称，以此为索引进行屏柜二次设备状态对比，并对最终对比的差异区域进行标注。
8、根据本专利技术优选的，所述步骤s2中，基于改进的yolov5网络并结合cbam注意力机制构建目标检测模型；其中，所述改进的yolov5网络为在初始yolov5网络的输出头增加上采样分支，以增大经上采样后输出的特征图，具体包括：
9、抽取初始yolov5网络中经4倍下采样后得到的第一特征图；
10、将初始yolov5网络中8倍下采样的特征图进行1倍上采样操作，得到第二特征图；
11、将所述第一特征图和第二特征图进行融合得到新特征图，所述新特征图的尺寸大于第一特征图和第二特征图的尺寸。
12、根据本专利技术优选的，所述cbam注意力机制包含通道注意力图mc(f)和空间注意力图ms(f)，其中：
13、mc(f)＝σ(mlp(avgpool(f))+mlp(maxpool(f))) (1)
14、ms(f)＝σ(f7×7([avgpool(f))；maxpool(f)])) (2)
15、式(1)和式(2)中，σ(·)表示sigmoid函数，mlp表示一个多层感知器，avgpool(f)和maxpool(f)分别表示平均池化特征和最大池化特征，f7×7表示一个滤波器大小为7×7的卷积运算；且，式(1)中表示avgpool(f)和maxpool(f)被转发到一个多层感知器mlp组成的共享网络中，经过sigmoid函数σ以产生通道注意力图mc(f)；式(2)中表示avgpool(f)和maxpool(f)聚合生成两个2d图，经过sigmoid函数σ生成空间注意力图ms(f)。
16、根据本专利技术优选的，所述步骤s2中，利用训练集对目标检测模型进行训练之前，首先采用kmeans聚类算法对所述训练集进行锚框聚类，并利用得到的锚框对所述目标检测模型进行训练；其中，所述采用kmeans聚类算法对训练集进行锚框，具体包括：
17、s21、提取所述训练集中每个图像的所有边界框的坐标值，并将所有边界框的坐标值转换为边界框的高度值和宽度值，其中，所述边界框为对所述样本数据集进行标注得到；
18、s22、随机选定m个坐标作为kmeans聚类算法的中心点，计算训练集中每个图像的每个边界框与各中心点之间的交并比值，并将每个边界框分配给与其交并比值最大的中心点所属的簇；
19、s23、根据每个簇中所有边界框的坐标的平均值更新簇的中心点；
20、s24、重复步骤s22～s23，直到每个簇的中心点稳定或达到预设的最大迭代次数后停止操作，并得到m个锚框用于训练所述目标检测模型。
21、根据本专利技术优选的，所述步骤s2中构建的图像分类模型依次包括一个5*5卷积层、7组深度可分离卷积模块和一个全连接层，其中每组深度可分离卷积模块依次包括一个3*3深度卷积层、一个1*1点卷积层和一个2*2池化层。
22、根据本专利技术优选的，所述步骤s2中，利用训练集对图像分类模型进行训练，具体包括：
23、将所述训练集输入到图像分类模型中，输入特征图的通道数为n；
24、对n个通道分别单独使用一个卷积核进行卷积操作，得到n个通道为1的特征图；
25、将所述n个通道为1的特征图按顺序拼接，得到一个通道为n的输出特征图；
26、将所述本文档来自技高网...
【技术保护点】
1.一种变电站屏柜设备状态检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S2中，基于改进的YOLOv5网络并结合CBAM注意力机制构建目标检测模型；其中，所述改进的YOLOv5网络为在初始YOLOv5网络的输出头增加上采样分支，以增大经上采样后输出的特征图，具体包括：
3.根据权利要求2所述的变电站屏柜设备状态检测方法，其特征在于，所述CBAM注意力机制包含通道注意力图Mc(F)和空间注意力图Ms(F)，其中：
4.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S2中，利用训练集对目标检测模型进行训练之前，首先采用Kmeans聚类算法对所述训练集进行锚框聚类，并利用得到的锚框对所述目标检测模型进行训练；其中，所述采用Kmeans聚类算法对训练集进行锚框，具体包括：
5.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S2中构建的图像分类模型依次包括一个5*5卷积层、7组深度可分离卷积模块和一个全连接层，其中每组深度可分离卷积模块
6.根据权利要求5所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S2中，利用训练集对图像分类模型进行训练，具体包括：
7.根据权利要求6所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S2中，利用训练集对图像分类模型进行训练，具体还包括：利用Softmax交叉熵损失并使用梯度下降法迭代，使Softmax交叉熵损失的值逐渐减小直至收敛，以完成模型训练，其中：
8.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S3中，利用训练后的目标检测模型识别屏柜二次设备的状态，具体包括：
9.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤S3中，利用训练后的图像分类模型检测目标检测模型是否存在目标漏检，具体包括：
10.一种实现变电站屏柜设备状态检测方法的装置，其特征在于，所述装置上存储有可执行的计算机程序，该计算机程序被执行时对应完成：如权利要求1-9中任意一项所述的变电站屏柜设备状态检测方法。
...【技术特征摘要】
1.一种变电站屏柜设备状态检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤s2中，基于改进的yolov5网络并结合cbam注意力机制构建目标检测模型；其中，所述改进的yolov5网络为在初始yolov5网络的输出头增加上采样分支，以增大经上采样后输出的特征图，具体包括：
3.根据权利要求2所述的变电站屏柜设备状态检测方法，其特征在于，所述cbam注意力机制包含通道注意力图mc(f)和空间注意力图ms(f)，其中：
4.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤s2中，利用训练集对目标检测模型进行训练之前，首先采用kmeans聚类算法对所述训练集进行锚框聚类，并利用得到的锚框对所述目标检测模型进行训练；其中，所述采用kmeans聚类算法对训练集进行锚框，具体包括：
5.根据权利要求1所述的变电站屏柜设备状态检测方法，其特征在于，所述步骤s2中构建的图像分类模型依次包括一个5*5卷积层、7组深度可分离卷积模块和一个全连接层，其中每组深度可分离卷...
【专利技术属性】
技术研发人员：岳绍龙，高宗彬，李睿，方亮，
申请(专利权)人：智洋创新科技股份有限公司，
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。