【技术实现步骤摘要】
本申请涉及换流阀故障监测，特别是涉及一种换流阀的故障检测方法、装置、计算机设备和存储介质。
技术介绍
1、在直流输电系统中，换流阀扮演着至关重要的角色，为了实现直流输电系统的稳定运行，监测换流阀中各器件的运行状态，确保换流阀中各器件的正常稳定运行是必要的。
2、传统技术中，通常通过人工巡检的方式，来识别换流阀中各器件是否存在故障，人工巡检存在识别换流阀中各器件是否存在故障的效率低下的问题。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种换流阀的故障检测方法、装置、计算机设备和存储介质，能够提高换流阀的故障检测效率。
2、第一方面，本申请提供了一种换流阀的故障检测方法，所述方法包括：
3、获取换流阀中器件对应的红外图像数据和可见光图像数据；
4、将所述红外图像数据和所述可见光图像数据输入至特征提取网络，得到所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像；其中，所述特征提取网络包括第一卷积模块和梯度残差密度模块；
5、将所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像输入至融合网络，得到融合特征；其中，所述融合网络包括全局注意力模块和第二卷积模块；
6、将所述融合特征输入至目标检测模型，得到所述换流阀的故障检测信息。
7、在其中一个实施例中，所述第一卷积模块包括至少两个顺次相连的卷积网络；
8、所述将所述红外图像数据和所述可见光图像数据输入至特征
9、将上一卷积网络的输出特征输入至下一卷积网络，得到所述下一卷积网络的输出特征；其中，首个卷积网络的输入特征为所述红外图像数据和所述可见光图像数据，末尾卷积网络的输出特征为与所述红外图像数据对应的第一卷积特征图和与所述可见光图像数据对应的第二卷积特征图；
10、分别将所述第一卷积特征图和所述第二卷积特征图输入至所述梯度残差密度模块，得到所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像。
11、在其中一个实施例中，每一卷积网络均包括深度卷积层、逐点卷积层和激活函数层；
12、所述将上一卷积网络的输出特征输入至下一卷积网络，得到所述下一卷积网络的输出特征，包括：
13、将上一卷积网络的输出特征输入至下一卷积网络中的深度卷积层进行深度卷积处理，得到深度卷积特征图；
14、将所述深度卷积特征图输入至所述下一卷积网络中的逐点卷积层进行逐点卷积处理，得到逐点卷积特征图；
15、将所述逐点卷积特征图输入至所述下一卷积网络中的激活函数层，得到所述下一卷积网络的输出特征。
16、在其中一个实施例中，所述梯度残差密度模块包括至少两个顺次相连的梯度残差密度网络；
17、所述分别将所述第一卷积特征图和所述第二卷积特征图输入至所述梯度残差密度模块，得到所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像，包括：
18、将上一梯度残差密度网络的输出特征输入至下一梯度残差密度网络，得到所述下一梯度残差密度网络的输出特征，其中，首个梯度残差密度网络的输入特征为所述第一卷积特征图和所述第二卷积特征图，末尾梯度残差密度网络的输出特征为与所述红外图像数据对应的特征图像，以及与所述可见光图像数据对应的特征图像。
19、在其中一个实施例中，每一梯度残差密度网络均包括第一卷积函数层、第二卷积函数层、卷积层、梯度卷积层和融合层；
20、所述将上一梯度残差密度网络的输出特征输入至下一梯度残差密度网络，得到所述下一梯度残差密度网络的输出特征，包括：
21、将上一梯度残差密度网络的输出特征输入至下一梯度残差密度网络中的第一卷积函数层进行卷积操作，得到第一中间特征图；
22、将所述第一中间特征图和所述上一梯度残差密度网络的输出特征输入至所述下一梯度残差密度网络中的第二卷积函数层进行卷积操作，得到第二中间特征图；
23、将所述第二中间特征图和所述上一梯度残差密度网络的输出特征输入至所述下一梯度残差密度网络中的卷积层进行卷积操作，得到第三中间特征图；
24、将所述上一梯度残差密度网络的输出特征输入至所述下一梯度残差密度网络中的梯度卷积层进行卷积操作，得到第四中间特征图；
25、将所述第三中间特征图和所述第四中间特征图输入至所述下一梯度残差密度网络中的融合层进行特征融合操作，得到所述下一梯度残差密度网络的输出特征。
26、在其中一个实施例中，所述将所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像输入至融合网络，得到融合特征，包括：
27、将所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像输入至所述全局注意力模块进行全局特征提取，得到全局加和特征图；
28、将所述全局加和特征图输入至所述第二卷积模块进行卷积处理，得到融合特征。
29、在其中一个实施例中，所述目标检测模型包括yolo模型和bytetrack模型；
30、所述将所述融合特征输入至目标检测模型，得到所述换流阀的故障检测信息，包括：
31、将所述融合特征输入至yolo模型，得到目标区域图像；其中，所述目标区域图像为所述换流阀中存在故障的器件的区域图像；
32、将所述目标区域图像输入至bytetrack模型中，得到所述换流阀的故障检测信息；其中，所述故障检测信息包括故障器件、故障类型和故障位置中的至少一项。
33、第二方面，本申请还提供了一种换流阀的故障检测装置，所述装置包括：
34、获取模块，用于获取换流阀中器件对应的红外图像数据和可见光图像数据；
35、特征提取模块，用于将所述红外图像数据和所述可见光图像数据输入至特征提取网络，得到所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像；其中，所述特征提取网络包括第一卷积模块和梯度残差密度模块；
36、融合模块，用于将所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像输入至融合网络，得到融合特征；其中，所述融合网络包括全局注意力模块和第二卷积模块；
37、检测模块，用于将所述融合特征输入至目标检测模型，得到所述换流阀的故障检测信息。
38、第三方面，本申请还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
39、获取换流阀中器件对应的红外图像数据和可见光图像数据；
40、将所述红外图像数据和所述可见光图像数据输入至特征提取网络，得到所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像；其中，所述特征提取网络包括第一卷积模块和梯度残差密度模块；...
【技术保护点】
1.一种换流阀的故障检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一卷积模块包括至少两个顺次相连的卷积网络；
3.根据权利要求2所述的方法，其特征在于，每一卷积网络均包括深度卷积层、逐点卷积层和激活函数层；
4.根据权利要求2所述的方法，其特征在于，所述梯度残差密度模块包括至少两个顺次相连的梯度残差密度网络；
5.根据权利要求4所述的方法，其特征在于，每一梯度残差密度网络均包括第一卷积函数层、第二卷积函数层、卷积层、梯度卷积层和融合层；
6.根据权利要求1所述的方法，其特征在于，所述将所述红外图像数据对应的特征图像和所述可见光图像数据对应的特征图像输入至融合网络，得到融合特征，包括：
7.根据权利要求1所述的方法，其特征在于，所述目标检测模型包括YOLO模型和Bytetrack模型；
8.一种换流阀的故障检测装置，其特征在于，所述装置包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种换流阀的故障检测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述第一卷积模块包括至少两个顺次相连的卷积网络；
3.根据权利要求2所述的方法，其特征在于，每一卷积网络均包括深度卷积层、逐点卷积层和激活函数层；
4.根据权利要求2所述的方法，其特征在于，所述梯度残差密度模块包括至少两个顺次相连的梯度残差密度网络；
5.根据权利要求4所述的方法，其特征在于，每一梯度残差密度网络均包括第一卷积函数层、第二卷积函数层、卷积层、梯度卷积层和融合层；
6.根据权利要求1所述的方法，其特征在于，所述将所述红...
【专利技术属性】
技术研发人员：王振，许琳浩，郑润民，谈发力，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司电力科研院，
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。