CN111798412B - 一种基于红外图像的变电设备缺陷智能诊断方法及系统 - Google Patents

Abstract

一种基于红外图像的变电设备缺陷智能诊断方法及系统，利用YOLO深度学习模型及数据分析方法，通过变电设备部件定位、温度特征提取、温度阈值判定等步骤实现了对红外图像中变电设备的部件自动识别、缺陷智能诊断。一方面，依赖于YOLO深度学习网络的目标检测性能，保证变电设备部件定位的准确性；在变电设备部件精确定位的基础上，提取特征参量，将红外图像数据转化为可量化分析的温度特征值，另一方面，依赖检测数据，通过提取的温度特征值，统计分析出体现海量温差数据的分布特性，从而获得可靠性较高的缺陷阈值判定方法，解决了单纯图像分析或人工设定阈值的诊断方法出现的问题，提高了变电设备红外图像缺陷诊断的可靠性和准确性。

Description

一种基于红外图像的变电设备缺陷智能诊断方法及系统

技术领域：

本发明属于变电设备故障诊断技术领域，具体涉及一种基于红外图像的变电设备缺陷智能诊断方法及系统。

背景技术：

红外检测是一种常见的变电设备检测手段，对于红外图像的缺陷诊断是对变电设备运行状态实时掌控的重要手段。随着近年来变电站规模的不断扩大，红外检测作为一种常规的检测手段，仅山东省电力公司一年就产生几百万张的检测数据。由此，单纯依赖人工检测的方式显然已经无法满足对变电设备状态实时掌控分析的目的。

当前，针对于变电设备的红外诊断方法，以传统的红外图像处理方式为主。

现有技术文件1(王小芳,康琛,程宏波,曾晗,辛建波,纪清照.基于红外图像处理的变电设备热故障自动诊断方法[J].华东交通大学学报，2019-06-15，36(03):111-118.)，该文通过ostu二值分割和区域生长的方法，获得变电设备区域，通过对变电设备区域边缘的分割确定变电设备部件结构，并根据带电设备红外诊断应用规范(DLT664-2016)规定进行诊断。该方案存在以下主要两个问题，1.ostu和区域生长属于传统的图像处理方法，对于红外图像中变电设备所处背景要求较高；2.受背景环境影响较大，分割精度难以保证。在此情况下，会严重影响基于传统设备检测方法结果的温度提取和缺陷诊断的准确性。

由于受实际检测条件影响，传统的基于DLT664导则的诊断方法较为宽泛，没有考虑检测环境、时刻、电压等级等影响，使得诊断阈值的可靠性不高。

发明内容：

为了解决现有技术中存在的上述问题，本发明提出了一种基于红外图像的变电设备缺陷智能诊断方法及系统，本方法基于YOLO(You Only Look Once，简称YOLO)深度学习模型及数据分析方法，通过设备部件定位、温度特征提取、温度阈值判定等步骤实现了对红外图像中设备的自动识别、缺陷智能诊断。

为实现上述发明目的，本发明的具体方案如下：

一种基于红外检测图像的变电设备缺陷智能诊断方法，其特征在于，所述变电设备缺陷智能诊断方法包括以下步骤：

步骤1：采集不同电压等级同一种类变电设备红外检测图像历史数据；

步骤2：对所采集的红外图像根据变电设备的不同部件，分别进行标注，构成变电设备不同部件数据集；

步骤3:利用深度学习网络对步骤2获得的变电设备不同部件数据集进行训练，获得训练好的红外检测图像部件识别模型；

步骤4：提取步骤2中变电设备不同部件数据集中所标注的部件的温度值，并获取温度差，根据温度差、不同电压等级和检测时间，以及所设定的置信度，计算威布尔分布下缺陷诊断温度阈值；

步骤5：对待检测的变电设备红外检测图像，经过步骤3的红外检测图像部件识别模型，即得到部件检测结果，从部件检测结果中提取温度值并获得温差值；

步骤6：对比步骤4中计算得出的威布尔分布下诊断温度阈值和步骤5中通过待检测的变电设备红外检测图像得到的温差值，进行变电设备的缺陷诊断。

本发明进一步包括以下优选方案：

在所述步骤1中，获取不同电压等级同一种类变电设备的红外检测图像，红外检测图像的数据来源是带电检测红外数据，所有的图像都能够关联获得该图像的被测变电设备信息、检测时间。

在所述步骤2中，对所采集的红外图像根据变电设备的不同部件分别进行标注是指，采用一个五元数组表示的标注框对不同部件进行标注，所述五元数组表示为[x_c,y_c,θ,w,h]，其中[x_c,y_c]是该标注框的中心点坐标，θ是该标注框与水平方向形成的倾斜角，[w,h]是该标注框的宽和高。

所述变电设备包括避雷器、电容式电压互感器；

当所述变电设备为避雷器时，需要进行标注的不同部件包括均压环、法兰、本体；

当所述变电设备为电容式电压互感器时，需要进行标注的不同部件包括本体和法兰。

在所述步骤3中，利用深度学习网络对步骤2中标注后的变电设备不同部件数据集进行训练，所述深度学习网络采用YOLO深度学习模型，并采用带动量SGD算法进行迭代运算训练，训练后生成红外检测图像部件识别模型，对待测红外检测图像进行处理，确定变电设备各个部件位置。

当变电设备为避雷器时，对避雷器三个不同部件分别采用五元数组表示的标注框进行标注得到本体标注框、均压环标注框和法兰标注框，提取本体标注框中轴线上的温度差。

计算获得本体标注框中轴线[X_u,1,X_d,1]，其中，X_u,1为中轴线的起点即中轴线上端点，X_d,1为中轴线的终点即中轴线下端点，选择以距均压环标注框中轴线从上顶端开始向下1/3均压环标注框中轴线长度处作为本体标注框中轴线的新起点。

去除法兰的检测区域，所述法兰的检测区域为法兰标注框加上法兰标注框上下两侧留出的预定像素的裕度，所述预定像素的裕度取5-15个像素点。

所留出预定像素的裕度选取10个像素点的裕度。

在步骤4中，在本体标注框中，进一步除去最下一节本体长度的1/10的像素区域。

按照以下方式提取每一组避雷器本体上的N个温度差值△T_i：

将由法兰分隔的本体每一节沿标注框中轴线平均分成n₃段，提取每一段温度的最大值及最小值，并计算两者之间的温差△T_i,i＝1,2,.....,N；

N代表的是温差值的数量，N＝n₁×n₂×n₃，n₁表示红外图像中拍摄避雷器的相数，n₂为该红外图像中每相避雷器包含的节数即由法兰所分隔的本体节数，n₃为本体每一节沿着标注框中轴线平均分成的段数。

对于单相避雷器的红外图像，n₁＝1；n₂由电压等级决定，当电压为220kV时为n₂＝2，当电压为500kV为n₂＝3；本体每一节的标注框中轴线平均分为3段，n₃＝3。

对于待检测红外图像，根据不同电压等级和检测时间，将所有的数据集根据电压等级和检测时刻划分，结合红外检测图像的检测信息，每一张红外检测图像获得一系列的温度特征值，所述温度特征值包括温差和时间，所述时间包括X₁个检测时间段，所述电压等级包括Y₁种电压等级，类别为X₁×Y₁类，获得每一类情况下的缺陷诊断温度阈值。

所述时间包括2个检测时间段，白天和黑天，所述电压等级包括2种电压等级，220KV和500KV，所述类别为4类。

在步骤4中，选择威布尔分布函数对所有温差数据的分布进行拟合，威布尔分布的概率密度函数公式为

累积分布函数公式为

其中，m为拟合后得到函数尺度参数，a为拟合得到的形状参数，x为温差；

使用逆累积分布函数即可确定与特定概率相关联的响应值，威布尔函数的逆累积分布函数为：

x＝F^-1(p|m,a)＝m[-ln(1-p)]^1/a,p∈[0,1]

其中，p表示累积分布概率，p＝F(x)，x表示当累积概率为p时对应的温度值，将置信度设为0.85到0.96，该置信度区间所得到对应的温度值作为缺陷诊断阈值。

设定置信度为0.95。

结合被测避雷器的电压等级及检测时间，根据所属类别比照对应的缺陷诊断阈值，当N个温度差值△T_i中任一温度差值大于对应类别的缺陷诊断阈值，则判定该避雷器异常。

本申请还同时公开了一种基于前述基于红外图像的变电设备缺陷智能诊断方法的变电设备缺陷诊断系统。

所述智能诊断系统包括初始图像采集模块、变电设备部件数据集生成模块、深度学习训练模块、诊断阈值生成模块、动态检测图像生成模块、动态温差获取模块和变电设备智能诊断模块。

所述初始图像采集模块采集样本数据中不同电压等级变电设备红外检测图像；

所述变电设备部件数据集生成模块对所采集的红外图像根据变电设备的不同部件，分别进行标注，构成变电设备不同部件数据集；

所述深度学习训练模块利用深度学习网络获得的变电设备不同部件数据集进行训练，获得训练好的红外检测图像部件识别模型；

所述诊断阈值生成模块提取变电设备不同部件数据集中所标注的部件的温度值，并获取温度差，根据温度差、不同电压等级和检测时间，以及所设定的置信度，计算威布尔分布下诊断阈值；

所述动态检测图像生成模块和数值获取模块对待检测的避雷器红外检测图像，经过红外检测图像部件识别模型，得到部件检测结果，从部件检测结果中提取温度值并获得温差值；

所述变电设备智能诊断模块对比计算得出的威布尔分布下诊断阈值和通过待检测的变电设备外检测图像得到的温差值，进行变电设备的缺陷诊断。

相当于现有技术，本发明能取得以下有益的技术效果：

本发明可以替代人工分析，自动地对红外图像进行诊断分析，一方面，依赖于YOLO深度学习网络的目标检测性能，保证变电设备部件定位的准确性；在变电设备部件精确定位的基础上，提取特征参量，将红外图像数据转化为可量化分析的温度特征值，另一方面，依赖于积累的大量历史检测数据，通过提取的温度特征值，可以统计分析出体现海量温差数据的分布特性，从而获得可靠性较高的缺陷阈值判定方法，从而区别于依赖单纯图像分析或人工设定阈值的诊断方法，极大地提高了变电设备红外图像缺陷诊断的可靠性和准确性。

附图说明：

图1为本发明变电设备红外图像缺陷智能诊断方法流程示意图；

图2为本申请实施例中220kV避雷器红外图像标注示例；

图3为避雷器红外图像标注框坐标关系图；

图4为本申请实施例中220kV避雷器红外图像中的部件标注图；

图5为本申请实施例中220kV避雷器红外图像中两节温度分布中轴线示例；

图6为避雷器红外图像三相避雷器红外图像检测图；

图7(a)为实施例中220kV避雷器本体温差提取结果第一节温度分布图；

图7(b)为实施例中220kV避雷器本体温差提取结果第二节温度分布图；

图8为避雷器红外温度分组直方图及概率密度函数拟合曲线；

图9为基于红外图像的变电设备缺陷智能诊断方法的变电设备缺陷诊断系统工作流程图。

具体实施方式：

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。

本申请公开了一种基于红外图像的变电设备缺陷智能诊断方法，其流程步骤如图1所示。

实施例1：为使本领域普通技术人能更清楚、方便地理解本发明的技术方案，在实施例1中，首先以避雷器为例，详细介绍基于红外图像进行变电设备缺陷智能诊断方法的技术方案，具体包括以下步骤：

步骤1、采集不同电压等级避雷器红外检测图像历史数据；

红外图像的数据来源是带电检测红外数据，所有的图像都可以关联获得该图像的被测设备信息、检测时间。在本申请的实施例1中，共整理220kV、500kV避雷器红外图像28000张。

步骤2、对步骤1所采集的红外图像根据避雷器的不同部件，即均压环、法兰和本体，分别进行标注，构成避雷器部件数据集；

在本申请的实施例中，针对避雷器从红外图像中可以观察到的外观特征，将避雷器分为均压环、法兰、本体三类部件。其中均压环样本44000张，法兰样本54000张，本体44000张。

由于拍摄的避雷器存在一定的倾斜角度，因此每一个标注框利用一个五元组来进行表示[x_c,y_c,θ,w,h]，其中[x_c,y_c]是该标注框的中心点坐标，θ是该标注框的倾斜角，[w,h]是该标注框的宽和高。标注示例见图2。图2中为一台220kV的避雷器，共标注了本体1个，法兰1个，按照不同电压等级，220kV避雷器法兰数量为1,500kV避雷器法兰数量为2，均压环1个。

如图3所示，一张图像中的像素坐标系以左上角为坐标原点，中间的斜框代表样本标注框，X_c＝[x_c,y_c]即标注框的中心点，根据[θ,w,h]三个参数，可以获取该标注框四个顶点的像素坐标。

X_u,X_d为该标注框中轴线的起点和终点，

X_u＝(X_u,l+X_u,r)/2；X_d＝(X_d,l+X_d,r)/2 (2)

步骤3、利用深度学习网络对变电设备不同部件数据集进行训练，获得训练好的红外检测图像部件识别模型；

本发明可采用YOLO深度学习模型或者R2CNN深度学习网络对变电设备不同部件数据集进行训练，本实施例优选YOLO深度学习模型，所述“YOLO深度学习模型”本申请不再赘述，参见本申请人在前的专利申请，发明名称为“一种红外图像电力设备部件实时检测方法、服务器及系统”、申请号为201710780528.9。

步骤4、对输入处理的避雷器红外图像，进行目标检测，即经过步骤3中已经训练好的红外检测图像部件识别模型，获取不同部件的五元组标记的对应位置；对于任意一张输入处理的避雷器红外图像，通过部件检测模型，可以得到部件的检测结果，检测结果如图4中标注的白色边框所示。

步骤5、根据步骤4所获得的不同部件的对应位置，对于得到的会产生缺陷的部件进行温度参量提取，根据红外图像诊断导则，避雷器会产生部件的缺陷主要是本体部分会出现电压型致热缺陷。为了对本体部分的温度分布进行分析，可以提取该部件检测范围内主轴线上的温度值进行分析。由于法兰和均压环的位置本身和本体位置有所重叠，而且法兰和均压环的温度特性与本体差异较大，所以在提取本体上的温度参量时需要排除对应的均压环和法兰部分。具体的做法是：对于法兰，剔除主轴线上所有在法兰内部区域的点。对于均压环，只剔除均压环上边附近的点。均压环区域内部的点，因为也是属于本体部分，并且没有受均压环边的影响，因此需要保留这一段的温度曲线。

以图3的检测结果为例，描述温度参量的提取过程，本体的检测框表示为[x_c,1,y_c,1,θ₁,w₁,h₁]，均压环的检测框表示为[x_c,2,y_c,2,θ₂,w₂,h₂]，法兰的检测框表示为[x_c,3,y_c,3,θ₃,w₃,h₃]，含义与样本标注的含义相同。

根据公式(1)(2)中的转换关系，可以计算获得本体检测框中轴线[X_u,1,X_d,1]，以起点和终点表示，该线段的斜率a，截距为b。

其中，(x_u,1，y_u,1)为本体检测框中轴线的起点坐标，(x_d,1，y_d,1)为本体检测框中轴线的终点坐标。

同理，均压环和法兰的中轴线标记为[X_u,2,X_d,2]、[X_u,3,X_d,3]。

截取均压环区域后获得的本体中轴线为[X'_u,1,X_d,1]。在本申请的实施例1中，优选以距均压环标注框中轴线从上顶端开始向下1/3均压环标注框中轴线长度处作为本体标注框中轴线的新起点X'_u,1。

在此基础上，继续去除法兰的检测区域，并在两侧留出预定像素的裕度，所述裕度像素的裕度通常取5-15个像素点。在本申请的实施例1中，优选10个像素点的裕度，将本体部分分为两节分析，对于500kV避雷器，会检测到两个法兰，将本体分为三节。另外，会在本体底部截取1/10本体第二节长度的像素区域，来减小检测边框背景噪声对提取温度参量的影响。

最终实施例中该220kV避雷器本体的第一节温度分布中轴线为[X'_u,1,X'_d,1]，第二节温度分布中轴线为[X'_u,2,X'_d,2]。各个点的计算方式如下式

其中，(x'_u,1，y'_u,1)为最终本体的第一节温度分布中轴线的起点坐标，(x'_d,1，y'_d,1)为相应的终点坐标；

(x'_u,2，y'_u,2)为最终本体的第二节温度分布中轴线的起点坐标，(x'_d,2，y'_d,2)为相应的终点坐标。

本体第一节和第二节的温度分布中轴线如图5所示

将本体每一节的温度分布中轴线平均分为3段，对每一段提取温度的最大值及最小值，并计算两者之间的温差，由此，本体每一节可以获得三个温差值。结合该红外检测图像的检测信息，本体每一张红外图像可以获得如下参量一系列的温差特征值，这里的温度特征值包括温差和时间。

在时刻t，本体每一节所分成的三段中的任意位置的温度差为

△T_i,i＝1,2,.....,N

N代表的是温差值的数量，N＝n₁×n₂×n₃，n₁表示该红外图像中拍摄避雷器的相数，对于仅有单相避雷器的红外图像，n₁取值为1，对于如图6所示的红外图像，则n₁的值为3；n₂为该红外图像中每相避雷器的节数，由电压等级决定，220kV为两节，500kV为三节；n₃为每节避雷器划分的段数，也就是上面提到的将本体每一节的温度分布中轴线平均分为3段，所以n₃＝3。本体每一节温度中轴线上每一段提取的温度最大值和最小值如图7(a)和图7(b)所示。曲线的x轴为该温度中轴线中像素点的序号，y轴为对应点的温度值，方块和圆的标识分别代表该段提取的温度最大值和温度最小值，每一段的两个值相减，即可获取对应的温差值。对于图7(a)和图7(b)的示意图，共获得6个温差值。

除了温差特征值外，还考虑了外部环境对检测数据的影响，因此每张图像的附加信息包含检测时间信息，t代表检测的时刻以及该图像检测变电设备的电压等级。

步骤6、对步骤5提取的温度参量进行数据分析；

对于在第2步中整理的样本图像，根据该样本集中不同电压等级、拍摄相别的不同，共获得了29.4万个温差特征值，来自于28000张不同检测时刻的避雷器红外图像。

1)将所有的温差根据其检测时间标签划分为4类。划分依据为该温差来源的电压等级和检测时刻，依据如下：电压等级的类别取值为2，代表220kV及500kV两个电压等级，根据检测时刻t划分2类，代表白天和黑天，6<t<18为白天，其他时刻为黑天，因此标签类数为2×2＝4。

2)计算每一类的温差值直方图，对于电压致热型缺陷来说，温差判定为缺陷的阈值很小，该直方图中固定组数和组距，组距为0.1℃，5℃为直方图的统计上限，因此该直方图的组数为50。4组温差数据的直方图结果如图8所示。

3)采用威布尔分布对四个分布进行拟合，威布尔分布的概率密度函数(probability density function，简称pdf)公式为

累积分布函数公式为

累积分布函数由得出。

上面两个公式中，m为影响函数均值和广度的尺度参数，a为影响函数图像的形状参数，x和x’为温差。对温差数据的分布进行拟合，其概率密度函数的拟合曲线如图8所示。

利用极大似然法可以估计威布尔分布的形状参数a和尺度参数m，在获取了威布尔分布的参数后，使用逆累积分布函数即可确定与特定概率相关联的响应值。威布尔函数的逆累积分布函数为：

x＝F^-1(p|m,a)＝m[-ln(1-p)]^1/a,p∈[0,1]

其中，p表示累积分布概率，p＝F(x)，x表示当累积概率为p时对应的取值，

置信度设为0.95，带入逆累积分布函数计算，就可以得到对应的缺陷诊断值。

最终获得的阈值结果如表1所示：

表1：缺陷诊断阈值

类别	220kV+黑天	220kV+白天	500kV+黑天	500kV+白天
					阈值(℃)	2.23	4.05	1.53	1.54

对于一张输入的避雷器红外图像，在根据步骤5中所述内容提取了对应的温差特征参量后，结合其被测变电设备的电压等级及检测时间，即可根据所属类别比照对应的阈值，对于提取的温差数据来说，只要有一个温差大于对应类别阈值，即可判定该避雷器异常。

实施例2：为使本领域普通技术人能更清楚、方便地理解本发明的技术方案，在实施例2中，以电容式电压互感器为例，介绍基于红外图像进行变电设备缺陷智能诊断方法的技术方案，对于和避雷器相同的部分不再赘述，其包括以下步骤：

步骤1、采集不同电压等级电容式电压互感器的红外检测图像历史数据；

红外图像的数据来源是带电检测红外数据，所有的图像都可以关联获得该图像的被测变电设备信息、检测时间，共整理220kV、500kV电容式电压互感器红外图像30000张。

步骤2、对步骤1所采集的红外图像根据电容式电压互感器的不同部件，即法兰和本体，分别进行标注，构成电容式电压互感器部件数据集；

步骤3、利用深度学习网络对数据及进行预训练，获得训练好的检测模型；

步骤4、对输入处理的电容式电压互感器红外图像，进行目标检测，即经过步骤3中已经训练好的红外检测图像部件识别模型，获取不同部件的五元组标记的对应位置；对于任意一张输入处理的变压器红外图像，通过部件检测模型，可以得到部件的检测结果。

步骤5、根据步骤4所获得的不同部件的对应位置，对于得到的会产生缺陷的部件进行温度参量提取，根据红外图像诊断导则，电容式电压互感器会产生部件的缺陷主要是本体部分会出现电压型致热缺陷。

步骤6、对步骤5提取的温度参量进行数据分析；

对于一张输入的电容式电压互感器红外图像，在根据步骤5中所述内容提取了对应的温差特征参量后，结合其被测变电设备的电压等级及检测时间，即可根据所属类别比照对应的阈值，对于提取的多个温差数据来说，只要有一个温差大于对应类别阈值，即可判定该电容式电压互感器异常。

本申请还同时公开了一种基于前述基于红外图像的变电设备缺陷智能诊断方法的变电设备缺陷诊断系统，具体工作流程如图9所示。

所述智能诊断系统包括初始图像采集模块、变电设备部件数据集生成模块、深度学习训练模块、诊断阈值生成模块、动态检测图像生成模块、动态温差获取模块和变电设备智能诊断模块，具体包括如下步骤：

步骤1、初始图像采集模块采集不同电压等级变电设备红外检测图像历史数据，红外图像的数据来源是带电检测红外数据，所有的图像都可以关联获得该图像的被测设备信息、检测时间；

步骤2、变电设备部件数据集生成模块对步骤1所采集的红外图像根据变电设备的不同部件，分别进行标注，构成变电设备部件数据集；

步骤3、深度学习训练模块利用深度学习网络获得的变电设备不同部件数据集进行训练，获得训练好的红外检测图像部件识别模型；

步骤4：诊断阈值生成模块提取步骤2中变电设备不同部件数据集中所标注的部件的温度值，并获取温度差，根据温度差、不同电压等级和检测时间，以及设定的置信度，计算威布尔分布下缺陷诊断温度阈值；

步骤5、动态检测图像生成模块处理待检测的避雷器红外检测图像，经过数值获取模块中红外检测图像部件识别模型，得到部件检测结果，并从部件检测结果中提取温度值，获得温差值；

步骤6、变电设备智能诊断模块对比步骤4得出的威布尔分布下诊断阈值和步骤5通过待检测的变电设备检测图像得到的温差值，进行变电设备的缺陷诊断。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (13)

1.一种基于红外检测图像的变电设备缺陷智能诊断方法，其特征在于，所述变电设备缺陷智能诊断方法包括以下步骤：

步骤1：采集不同电压等级同一种类变电设备红外检测图像历史数据；

步骤2：对所采集的红外图像根据变电设备的不同部件，分别进行标注，对所采集的红外图像根据变电设备的不同部件分别进行标注是指，采用一个五元数组表示的标注框对不同部件进行标注，所述五元数组表示为[x_c,y_c,θ,w,h]，其中[x_c,y_c]是该标注框的中心点坐标，θ是该标注框与水平方向形成的倾斜角，[w,h]是该标注框的宽和高，构成变电设备不同部件数据集；步骤3:利用深度学习网络对步骤2获得的变电设备不同部件数据集进行训练，获得训练好的红外检测图像部件识别模型；

步骤4：提取步骤2中变电设备不同部件数据集中所标注的部件的温度值，并获取温度差，根据温度差、不同电压等级和检测时间，以及所设定的置信度，计算威布尔分布下缺陷诊断温度阈值；

步骤5：对待检测的变电设备红外检测图像，经过步骤3的红外检测图像部件识别模型，即得到部件检测结果，从部件检测结果中提取温度值并获得温差值；

步骤6：对比步骤4中计算得出的威布尔分布下诊断温度阈值和步骤5中通过待检测的变电设备红外检测图像得到的温差值，进行变电设备的缺陷诊断；

当所述变电设备为避雷器时，需要进行标注的不同部件包括均压环、法兰、本体，对避雷器三个不同部件分别采用五元数组表示的标注框进行标注得到本体标注框、均压环标注框和法兰标注框，提取本体标注框中轴线上的温度差；

计算获得本体标注框中轴线[X_u,1,X_d,1]，其中，X_u,1为中轴线的起点即中轴线上端点，X_d,1为中轴线的终点即中轴线下端点，选择以距均压环标注框中轴线从上顶端开始向下1/3均压环标注框中轴线长度处作为本体标注框中轴线的新起点；

去除法兰的检测区域，所述法兰的检测区域为法兰标注框加上法兰标注框上下两侧留出的预定像素的裕度；

按照以下方式提取每一组避雷器本体上的N个温度差值ΔT_i：

将由法兰分隔的本体每一节沿标注框中轴线平均分成n₃段，提取每一段温度的最大值及最小值，并计算两者之间的温差ΔT_i,i＝1,2,.....,N；

N代表的是温差值的数量，N＝n₁×n₂×n₃，n₁表示红外图像中拍摄避雷器的相数，n₂为该红外图像中每相避雷器包含的节数即由法兰所分隔的本体节数，n₃为本体每一节沿着标注框中轴线平均分成的段数。

2.根据权利要求1所述的变电设备缺陷智能诊断方法，其特征在于：

在所述步骤1中，获取不同电压等级同一种类变电设备的红外检测图像，红外检测图像的数据来源是带电检测红外数据，所有的图像都能够关联获得该图像的被测变电设备信息、检测时间。

3.根据权利要求1所述的变电设备缺陷智能诊断方法，其特征在于：

在所述步骤3中，利用深度学习网络对步骤2中标注后的变电设备不同部件数据集进行训练，所述深度学习网络采用YOLO深度学习模型，并采用带动量SGD算法进行迭代运算训练，训练后生成红外检测图像部件识别模型，对待测红外检测图像进行处理，确定变电设备各个部件位置。

4.根据权利要求3所述的变电设备缺陷智能诊断方法，其特征在于：

所述预定像素的裕度取5-15个像素点。

5.根据权利要求4所述的变电设备缺陷智能诊断方法，其特征在于：

所留出预定像素的裕度选取10个像素点的裕度。

6.根据权利要求4或5所述的变电设备缺陷智能诊断方法，其特征在于：

在步骤4中，在本体标注框中，进一步除去最下一节本体长度的1/10的像素区域。

7.根据权利要求6所述的变电设备缺陷智能诊断方法，其特征在于：

对于单相避雷器的红外图像，n₁＝1；n₂由电压等级决定，当电压为220kV时为n₂＝2，当电压为500kV为n₂＝3；本体每一节的标注框中轴线平均分为3段，n₃＝3。

8.根据权利要求1或7任一项所述的变电设备缺陷智能诊断方法，其特征在于：

对于待检测红外图像，根据不同电压等级和检测时间，将所有的数据集根据电压等级和检测时刻划分，结合红外检测图像的检测信息，每一张红外检测图像获得一系列的温度特征值，所述温度特征值包括温差和时间，所述时间包括X₁个检测时间段，所述电压等级包括Y₁种电压等级，类别为X₁×Y₁类，获得每一类情况下的缺陷诊断温度阈值。

9.根据权利要求8所述的变电设备缺陷智能诊断方法，其特征在于：

所述时间包括2个检测时间段，白天和黑天，所述电压等级包括2种电压等级，220KV和500KV，所述类别为4类。

10.根据权利要求9所述的变电设备缺陷智能诊断方法，其特征在于：

在步骤4中，选择威布尔分布函数对所有温差数据的分布进行拟合，威布尔分布的概率密度函数公式为

累积分布函数公式为

其中，m为拟合后得到函数尺度参数，a为拟合得到的形状参数，x为温差；

使用逆累积分布函数即可确定与特定概率相关联的响应值，威布尔函数的逆累积分布函数为：

x＝F^-1(p|m,a)＝m[-ln(1-p)]^1/a,p∈[0,1]

其中，p表示累积分布概率，p＝F(x)，x表示当累积概率为p时对应的温度值，将置信度设为0.85到0.96，该置信度区间所得到对应的温度值作为缺陷诊断阈值。

11.根据权利要求10所述的变电设备缺陷智能诊断方法，其特征在于：

设定置信度为0.95。

12.根据权利要求10或11任一项所述的变电设备缺陷智能诊断方法，其特征在于：

结合被测避雷器的电压等级及检测时间，根据所属类别比照对应的缺陷诊断阈值，当N个温度差值ΔT_i中任一温度差值大于对应类别的缺陷诊断阈值，则判定该避雷器异常。

13.一种利用权利要求1-12中任一权利要求所述变电设备缺陷智能诊断方法的缺陷智能诊断系统，所述智能诊断系统包括初始图像采集模块、变电设备部件数据集生成模块、深度学习训练模块、诊断阈值生成模块、动态检测图像生成模块、动态温差获取模块和变电设备智能诊断模块，其特征在于：

所述初始图像采集模块采集样本数据中不同电压等级变电设备红外检测图像；

所述变电设备部件数据集生成模块对所采集的红外图像根据变电设备的不同部件，分别进行标注，构成变电设备不同部件数据集；

所述深度学习训练模块利用深度学习网络获得的变电设备不同部件数据集进行训练，获得训练好的红外检测图像部件识别模型；

所述诊断阈值生成模块提取变电设备不同部件数据集中所标注的部件的温度值，并获取温度差，根据温度差、不同电压等级和检测时间，以及所设定的置信度，计算威布尔分布下诊断阈值；

所述动态检测图像生成模块和数值获取模块对待检测的避雷器红外检测图像，经过红外检测图像部件识别模型，得到部件检测结果，从部件检测结果中提取温度值并获得温差值；

所述变电设备智能诊断模块对比计算得出的威布尔分布下诊断阈值和通过待检测的变电设备外检测图像得到的温差值，进行变电设备的缺陷诊断。