CN111830051A - 一种基于深度学习的变电站设备漏油检测方法及检测系统 - Google Patents

一种基于深度学习的变电站设备漏油检测方法及检测系统 Download PDF

Info

Publication number
CN111830051A
CN111830051A CN202010815910.0A CN202010815910A CN111830051A CN 111830051 A CN111830051 A CN 111830051A CN 202010815910 A CN202010815910 A CN 202010815910A CN 111830051 A CN111830051 A CN 111830051A
Authority
CN
China
Prior art keywords
photo
equipment
oil leakage
module
leakage defect
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010815910.0A
Other languages
English (en)
Inventor
杨强
张葛祥
王焓丁
荣海娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan Daman Zhengte Technology Co ltd
Chengdu Univeristy of Technology
Original Assignee
Sichuan Daman Zhengte Technology Co ltd
Chengdu Univeristy of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sichuan Daman Zhengte Technology Co ltd, Chengdu Univeristy of Technology filed Critical Sichuan Daman Zhengte Technology Co ltd
Priority to CN202010815910.0A priority Critical patent/CN111830051A/zh
Publication of CN111830051A publication Critical patent/CN111830051A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M3/00—Investigating fluid-tightness of structures
    • G01M3/38—Investigating fluid-tightness of structures by using light
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于深度学习的变电站设备漏油检测方法及系统，属于变电站设备技术领域，包括照片获取模块、模型训练模块、照片预处理模块、设备漏油缺陷识别模块和信息发送模块，照片获取模块获取终端设备发送的待检测设备照片，在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备漏油缺陷识别模型中，得到照片中的设备漏油缺陷信息，再通过信息发送模块发送给终端设备，实现电力设备的缺陷识别。本发明解决了现有变电站智能巡检机器人在巡检时易受环境因素影响，导致巡检准确率和工作效率较低的问题。

Description

一种基于深度学习的变电站设备漏油检测方法及检测系统
技术领域
本发明涉及变电站设备技术领域，尤其涉及一种基于深度学习的变电站设备漏油检测方法及检测系统。
背景技术
变电站的设备巡检工作一直以来都是变电站在运行过程中的核心工作，对当前设备的运行状态进行检查，从而第一时间发现设备运行过程中所存在的缺陷，进而确保设备能够安全、可靠、稳定的运行。但就目前绝大多数变电站的巡检工作看来，变电站巡检过分依赖人工且恶劣环境下变电站设备易时效，因而恶劣环境下变电站的高效巡检工作显得格外重要。
传统的变电站巡检存在以下问题：一是地处高温、高盐、高湿、强台风地区的变电站，设备腐蚀及发热情况十分严重，值班员需要开展大量巡视及测温工作，工作量大，人力成本高；二是需要人工全天候监视，极易因巡视人员疲惫而导致无法有效识别出变电站的危险情况；三是人工开展巡视工作时，数小时内暴露在阳光直射，40摄氏度以上的高温环境下，容易引发相关疾病。
因此目前变电站智能巡检机器人的运用越来越广泛。基于巡检机器人，操作人员可以远离带电设备进行远程操作，安全性好，可靠性高，提高了巡检效率和巡检质量。但目前并没有专门针对变电站设备漏油缺陷的巡检机器人，同时变电站中存在的大量充油设备的漏油缺陷又严重危害着变电站运行的安全。
因此，针对以上问题，本发明提出了一种基于深度学习的变电站设备漏油检测方法及系统。
发明内容
本发明的目的在提供一种基于深度学习的变电站设备漏油检测方法及检测系统，解决现有变电站智能巡检机器人在巡检时易受到环境因素影响，而导致巡检准确率和工作效率低下的问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于深度学习的变电站设备漏油检测方法，包括以下步骤：
步骤1、获取终端设备发送的待检测设备照片；
步骤2、对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型；
步骤3、对待检测设备照片进行预处理；
步骤4、将预处理后的照片输入至设备漏油缺陷识别模型中，得到待检测设备照片中的设备漏油缺陷信息，并发送至终端设备。
进一步地，步骤1还包括根据所述待检测设备照片所处场景不同进行分类，将不同场景的待检测设备照片分类到不同的照片类别中。
进一步地，步骤2包括以下步骤：
步骤2.1、获取大于1张的包含变电站设备漏油缺陷的照片样本；
步骤2.2、根据照片样本中电力设备所处场景不同进行分类，获得至少一个照片类别；
步骤2.3、对每个照片类别中各照片样本进行白化处理，调整各照片样本的尺寸，对照片样本进行数据增强，得到各照片类别下的照片样本集合；
步骤2.4、从照片样本集合中随机抽取照片样本得到待训练照片样本集合及待校验照片样本集合；
步骤2.5、将待训练照片样本集合中的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到设备漏油缺陷分类检测模型；
步骤2.6、利用待校验照片样本集合中的照片样本校验设备漏油缺陷分类检测模型，得到设备漏油缺陷识别模型。
进一步地，步骤3的预处理包括：
步骤3.1、对待检测设备照片进行白化处理，以过滤照片中的噪声像素；其中，白化处理后的各待检测设备照片的像素均为0且像素方差为1；
步骤3.2、调整白化处理后的待检测设备照片的尺寸，使之与设备漏油缺陷识别模型的输入参数匹配。
一种基于深度学习的变电站设备漏油检测系统，包括与变电站内的终端设备连接的电子装置，电子装置包括照片获取模块、模型训练模块、照片预处理模块、设备漏油缺陷识别模块及信息发送模块；
照片获取模块用于获取终端设备发送的待检测设备的照片；
模型训练模块用于对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型；
照片预处理模块对照片获取模块获取到的照片进行预处理后，发送至设备漏油缺陷识别模块；
设备漏油缺陷识别模块将预处理后的照片输入至设备漏油缺陷识别模型中，得到照片中的设备漏油缺陷信息；
信息发送模块将设备漏油缺陷识别模型得到的设备漏油缺陷信息发送至终端设备
进一步地，电子装置还包括照片分类模块，用于对照片获取模块获取的照片根据照片中电力设备所处场景不同进行分类，将不同场景的照片分类到不同的照片类别中。
进一步地，模型训练模块包括照片样本获取子模块、照片样本分类子模块，照片样本预处理字模块及模型训练子模块；
照片样本获取子模块用于获取包含变电站设备漏油缺陷的照片样本，并发送至照片样本分类子模块；
照片样本分类子模块用于根据照片样本中电力设备所处场景不同进行分类，获得至少一个照片类别，并将所有照片发送至照片样本预处理模块；
照片样本预处理模块用于对每个照片类别中的各照片样本进行白化处理，并调整照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，从照片样本集合中随机抽取照片样本得到待训练照片样本集合及待校验照片样本集合；
模型训练子模块用于将待训练照片样本集合的照片样本一次输入深度卷积神经网络模型中，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到设备漏油缺陷分类检测模型；并利用待校验照片样本集合中的照片样本校验设备漏油缺陷分类检测模型，得到设备漏油缺陷识别模型。
进一步地，照片预处理模块用于对照片进行白化处理，再调整照片的尺寸使之与设备漏油缺陷识别模型的输入参数匹配。
与现有技术相比，本发明具有以下有益效果：
(1)本发明的变电站设备漏油检测方法及检测系统，通过照片获取模块获取终端设备发送的待检测设备的照片，在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备漏油缺陷识别模型中，而得出设备漏油缺陷信息。将基于深度学习的图像识别技术运用到变电站的电力设备漏油缺陷检测中，识别出照片中电力设备的漏油缺陷信息，再通过信息发送模块发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误，该系统与智能巡检机器人配合使用，提高了智能巡检机器人的巡检准确率和工作效率。
(2)本发明的照片分类模块根据待检测设备照片中电力设备所处场景不同，对照片进行分类，获取照片类别，将不同场景的照片分类到相对应的照片类别中，再进行设备漏油缺陷识别模型的识别。用于建立设备漏油缺陷识别模型中的照片样本同样经过基于场景不同的分类，从而有效的降低识别误差。
(3)本发明对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与设备漏油缺陷识别模型的输入参数匹配，减小环境因素对照片识别的影响，进一步提高智能巡检机器人的巡检准确率。
附图说明
图1为本发明实施例提供的基于深度学习的变电站设备漏油检测方法流程图。
图2为本发明实施例提供的基于深度学习的变电站设备漏油检测系统的连接框图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。
实施例一
请参阅图1，一种基于深度学习的变电站设备漏油检测方法，深度学习是学习样本数据的内在规律和表达层次，在学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。从而让机器人具有分析学习能力，能够识别文字、图像和声音等数据，本实施例主要学习的是图像的分析能力。
检测方法包括以下步骤：
步骤1：对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型。建立好模型，后续只用直接对比识别，可以快识别速度。
具体的，先获取大于1张的包含变电站设备漏油缺陷的照片样本，并根据照片样本中电力设备所处场景不同进行分类，获得至少一个照片类别，将照片样本放置对应的照片类别下，本案所述的根据场景不同进行分类，具体的是根据设备的不同进行分类，以便于同类设备与同类设备相比较。
对每个照片类别中各照片样本进行白化处理，调整各照片样本的尺寸，对照片样本进行数据增强，得到各照片类别下的照片样本集合。其中，数据增强是基于深度学习技术，对照片进行去雾、旋转、裁剪、平移、翻转、对比度增强、无损放大、拉伸恢复等多种优化处理，从而获得高清照片。
从照片样本集合中随机抽取照片样本得到待训练照片样本集合及待校验照片样本集合，这里的随机抽取按照一定比例进行，当照片样本集合的照片数量不超过5000张时，按照10:1的比例随机抽取待训练照片样本集合和待校验照片样本集合，且随机抽取中需覆盖各个照片类别，当照片样本集合的照片数量超过5000张时，可适当的增加随机比例。
将待训练照片样本集合中的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到设备漏油缺陷分类检测模型。卷积神经网络的输入层可以处理多维数据，在计算机视觉领域应用较广，由于使用梯度下降算法进行学习，因此在将学习数据输入卷积神经网络前，需要将照片样本进行处理，使得输入数据归一化，输入特征的标准化有利于提升卷积神经网络的学习效率和表现。
随机梯度下降法每次训练接收一定数量的训练数据，经过网络前向后，实用损失函数来衡量输出和数据实际标签的差距，接着利用这种衡量来反向训练网络参数，其中，损失函数采用交叉熵损失函数与内聚性损失函数的结合体，公式为：
Figure BDA0002632678050000061
利用待校验照片样本集合中的照片样本校验设备漏油缺陷分类检测模型，得到设备漏油缺陷识别模型。经过场景分类而得到设备漏油缺陷识别模型，将环境因素的影响降到最低，提高了识别的精确度。
步骤2：获取终端设备发送的待检测设备照片，终端设备包括设备漏油缺陷识别操作界面，对终端设备发送的图片数量进行控制。
设备漏油缺陷识别操作界面包括单张照片识别控件和多张照片识别控件；单张照片识别控件接收用户通过设备漏油缺陷识别操作界面发出的识别单张照片中变电站设备漏油缺陷的指令；多张照片识别控件接收用户通过设备漏油缺陷识别操作界面发出的识别多张照片中变电站设备漏油缺陷的指令。
步骤3：根据待检测设备照片所处场景不同进行分类，将不同场景的待检测设备照片分类到不同的照片类别中。带检测设备照片根据场景分类，以对应照片样本的照片类别，减少因为环境因素造成的差异，提高检测的准确率和效率。
步骤4：对待检测设备照片进行预处理，首先对待检测设备照片进行白化处理，以过滤照片中的噪声像素，使得白化处理后的各待检测设备照片的像素均为0且像素方差为1。调整白化处理后的待检测设备照片的尺寸，使之与设备漏油缺陷识别模型的输入参数匹配，即满足卷积神经网络的输入特征需要归一化标准化，从而减小环境因素对照片识别的影响，进一步提高智能巡检机器人的巡检准确率。
步骤5：将预处理后的照片输入至设备漏油缺陷识别模型中，通过多个卷积层和下采样层输出特征图，得到待检测设备照片中的设备漏油缺陷信息，并发送至终端设备。
设备漏油缺陷识别模型中的网络配置参数为：输入256×256的RGB图像。网络层结构：resnet101-c(103层网络)，具体分布如表1所示：
表1
Figure BDA0002632678050000071
表1中，所述卷积层的公式为：
convoutput＝f(WT x+b)
其中，f(*)代表激活函数，X代表输入数据，W和b代表参数，所述激活函数采用ReLu激活函数，公式为：
f(x)＝max(0，x)
其求导形式为：
Figure BDA0002632678050000072
下采样层的公式采用Max-pooling方法表示为：
poolingoutput＝max(X)，
其中，X代表n*n矩阵；
所述全连接层的输入是一个向量，通过光栅化得到向量连接到全连接层，最后通过Softmax分类器得到该分类器的分类结果，该Softmax分类器接受4096维的输入数据，输出n(设备漏油缺陷种类数)维的结果，该结果代表该输入样本对应n(设备漏油缺陷种类数)个设备漏油缺陷类别的置信度，而后取其最大值所在类别为分类结果，Softmax分类器的公式为：
Figure BDA0002632678050000081
其中，j＝1,2,…,K，K代表类的次数，取值n(设备漏油缺陷种类数)；z＝WT x+b，W、b为Softmax的参数，x为4096维的输入特征。
本实施例提供的基于深度学习的变电站设备漏油检测方法，通过获取终端设备发送的当前电力设备的照片，进行预处理后输入预先训练好的设备漏油缺陷识别模型中，将基于深度学习的图像识别技术运用到变电站的电力设备漏油缺陷检测中，识别出照片中电力设备的缺陷信息，并发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误。
实施例二
本发明较佳实施例，提供了一种变电站智能巡检装置，该实施例的变电站智能巡检装置包括：处理器、存储器以及存储在存储器中并可在处理器上运行的计算机程序，例如一种基于深度学习的变电站设备漏油检测方法的程序。
在非限制性示例中，计算机程序可以被分割成一个或多个模块，一个或者多个模块被存储在存储器中，并由处理器执行，以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在变电站智能巡检装置中的执行过程。例如，计算机程序可以被分割成照片获取模块、照片分类模块、模型训练模块、照片预处理模块、设备漏油缺陷识别模块和信息发送模块；各模块具体功能如下：
照片获取模块获取终端设备发送的照片。终端设备包括设备漏油缺陷识别操作界面，对终端设备发送的图片数量进行控制。设备漏油缺陷识别操作界面包括单张照片识别控件和多张照片识别控件；单张照片识别控件接收用户通过设备漏油缺陷识别操作界面发出的识别单张照片中变电站设备漏油缺陷的指令；多张照片识别控件接收用户通过设备漏油缺陷识别操作界面发出的识别多张照片中变电站设备漏油缺陷的指令。
照片分类模块对照片获取模块获取到的照片根据照片中电力设备所处场景的不同进行分类，将不同场景的照片分类到不同的照片类别中，这里的场景可以是以电力设备类别不同划分。
模型训练模块对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型。
照片预处理模块对所述照片获取模块获取到的照片进行预处理，具体为对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与模型训练模块得到的设备漏油缺陷识别模型的输入参数匹配后，发送至设备漏油缺陷识别模块。
设备漏油缺陷识别模块将预处理后的照片输入所述模型训练模块的设备漏油缺陷识别模型中，得到照片中的设备漏油缺陷信息。
信息发送模块将设备漏油缺陷识别模块得到的设备漏油缺陷信息发送给终端设备。
模型训练模块包括照片样本获取子模块、照片样本分类子模块、照片样本预处理子模块和模型训练子模块。
照片样本获取子模块获取大于等于1张的包含变电站设备漏油缺陷的照片样本后发送给照片样本分类子模块；
照片样本分类子模块根据照片样本中的设备漏油缺陷信息，对获取的照片样本中电力设备所处场景的不同进行分类，获得至少一个的照片类别，并将所有照片类别发送给照片样本预处理子模块；
照片样本预处理子模块对每个照片类别中各个照片样本进行白化处理后，调整各个照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，再从照片样本集合中随机抽取得到待训练照片样本集合和待校验照片样本集合，数据增强包括旋转、裁剪、平移和翻转。
模型训练子模块将照片样本预处理子模块得到的待训练照片样本集合的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到用于变电站设备漏油缺陷分类检测的模型；并利用照片样本预处理子模块得到的待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型，从而得到设备漏油缺陷识别模型。
变电站智能巡检装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，本实施例仅仅是变电站智能巡检装置的示例，并不构成对变电站智能巡检装置的限定，可以包括比本实施例所述更多或更少的部件，或者组合某些部件，或者不同的部件，例如变电站智能巡检装置还可以包括输入输出设备、网络接入设备、总线等。
处理器可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是所述变电站智能巡检装置的控制中心，利用各种接口和线路连接整个变电站智能巡检装置的各个部分。
存储器可用于存储计算机程序和/或模块，处理器通过运行或执行存储在存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现变电站智能巡检装置的各种功能。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据装置的使用所创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例三
请参阅图2，一种基于深度学习的变电站设备漏油检测系统，包括与变电站内的终端设备连接的电子装置，电子装置包括照片获取模块、模型训练模块、照片预处理模块、设备漏油缺陷识别模块、照片分类模块及信息发送模块。
模型训练模块用于对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型。模型训练模块包括照片样本获取子模块、照片样本分类子模块，照片样本预处理字模块及模型训练子模块。
照片样本获取子模块用于获取包含变电站设备漏油缺陷的照片样本，并发送至照片样本分类子模块。照片样本分类子模块用于根据照片样本中电力设备所处场景不同进行分类，获得至少一个照片类别，并将所有照片发送至照片样本预处理模块。照片样本预处理模块用于对每个照片类别中的各照片样本进行白化处理，并调整照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，从照片样本集合中随机抽取照片样本得到待训练照片样本集合及待校验照片样本集合。
模型训练子模块用于将待训练照片样本集合的照片样本一次输入深度卷积神经网络模型中，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到设备漏油缺陷分类检测模型；并利用待校验照片样本集合中的照片样本校验设备漏油缺陷分类检测模型，得到设备漏油缺陷识别模型。
照片获取模块用于获取终端设备发送的待检测设备的照片。
照片分类模块用于对照片获取模块获取的照片根据照片中电力设备所处场景不同进行分类，将不同场景的照片分类到不同的照片类别中。
照片预处理模块对照片获取模块获取到的照片进行预处理，具体的，对照片进行白化处理，再调整照片的尺寸使之与设备漏油缺陷识别模型的输入参数匹配，并将预处理后的待检测设备照片发送至设备漏油缺陷识别模块。
设备漏油缺陷识别模块将预处理后的照片输入至设备漏油缺陷识别模型中，得到照片中的设备漏油缺陷信息。
信息发送模块将设备漏油缺陷识别模型得到的设备漏油缺陷信息发送至终端设备。从而完成对待检测设备漏油的检测。
电子装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
本发明的基于深度学习的变电站设备漏油检测系统，通过照片获取模块获取终端设备发送的待检测设备的照片，在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备漏油缺陷识别模型中，而得出设备漏油缺陷信息。将基于深度学习的图像识别技术运用到变电站的电力设备漏油缺陷检测中，识别出照片中电力设备的漏油缺陷信息，再通过信息发送模块发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误，该系统与智能巡检机器人配合使用，提高了智能巡检机器人的巡检准确率和工作效率。
上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。

Claims (8)

1.一种基于深度学习的变电站设备漏油检测方法，其特征在于，包括以下步骤：
步骤1、获取终端设备发送的待检测设备照片；
步骤2、对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型；
步骤3、对待检测设备照片进行预处理；
步骤4、将预处理后的照片输入至设备漏油缺陷识别模型中，得到待检测设备照片中的设备漏油缺陷信息，并发送至终端设备。
2.根据权利要求1所述的一种基于深度学习的变电站设备漏油检测方法，其特征在于，所述步骤1还包括根据所述待检测设备照片所处场景不同进行分类，将不同场景的待检测设备照片分类到不同的照片类别中。
3.根据权利要求2所述的一种基于深度学习的变电站设备漏油检测方法，其特征在于，所述步骤2包括以下步骤：
步骤2.1、获取大于1张的包含变电站设备漏油缺陷的照片样本；
步骤2.2、根据照片样本中电力设备所处场景不同进行分类，获得至少一个照片类别；
步骤2.3、对每个照片类别中各照片样本进行白化处理，调整各照片样本的尺寸，对照片样本进行数据增强，得到各照片类别下的照片样本集合；
步骤2.4、从照片样本集合中随机抽取照片样本得到待训练照片样本集合及待校验照片样本集合；
步骤2.5、将待训练照片样本集合中的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到设备漏油缺陷分类检测模型；
步骤2.6、利用待校验照片样本集合中的照片样本校验设备漏油缺陷分类检测模型，得到设备漏油缺陷识别模型。
4.根据权利要求3所述的一种基于深度学习的变电站设备漏油检测方法，其特征在于，所述步骤3的预处理包括：
步骤3.1、对待检测设备照片进行白化处理，以过滤照片中的噪声像素；其中，白化处理后的各待检测设备照片的像素均为0且像素方差为1；
步骤3.2、调整白化处理后的待检测设备照片的尺寸，使之与设备漏油缺陷识别模型的输入参数匹配。
5.一种基于深度学习的变电站设备漏油检测系统，包括与变电站内的终端设备连接的电子装置，其特征在于，电子装置包括照片获取模块、模型训练模块、照片预处理模块、设备漏油缺陷识别模块及信息发送模块；
照片获取模块用于获取终端设备发送的待检测设备的照片；
模型训练模块用于对深度卷积神经网络模型进行训练，得到设备漏油缺陷识别模型；
照片预处理模块对照片获取模块获取到的照片进行预处理后，发送至设备漏油缺陷识别模块；
设备漏油缺陷识别模块将预处理后的照片输入至设备漏油缺陷识别模型中，得到照片中的设备漏油缺陷信息；
信息发送模块将设备漏油缺陷识别模型得到的设备漏油缺陷信息发送至终端设备。
6.根据权利要求5所述的一种基于深度学习的变电站设备漏油检测系统，其特征在于，所述电子装置还包括照片分类模块，用于对照片获取模块获取的照片根据照片中电力设备所处场景不同进行分类，将不同场景的照片分类到不同的照片类别中。
7.根据权利要求6所述的一种基于深度学习的变电站设备漏油检测系统，其特征在于，所述模型训练模块包括照片样本获取子模块、照片样本分类子模块，照片样本预处理字模块及模型训练子模块；
照片样本获取子模块用于获取包含变电站设备漏油缺陷的照片样本，并发送至照片样本分类子模块；
照片样本分类子模块用于根据照片样本中电力设备所处场景不同进行分类，获得至少一个照片类别，并将所有照片发送至照片样本预处理模块；
照片样本预处理模块用于对每个照片类别中的各照片样本进行白化处理，并调整照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，从照片样本集合中随机抽取照片样本得到待训练照片样本集合及待校验照片样本集合；
模型训练子模块用于将待训练照片样本集合的照片样本一次输入深度卷积神经网络模型中，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到设备漏油缺陷分类检测模型；并利用待校验照片样本集合中的照片样本校验设备漏油缺陷分类检测模型，得到设备漏油缺陷识别模型。
8.根据权利要求7所述的一种基于深度学习的变电站设备漏油检测系统，其特征在于，所述照片预处理模块用于对照片进行白化处理，再调整照片的尺寸使之与设备漏油缺陷识别模型的输入参数匹配。
CN202010815910.0A 2020-08-14 2020-08-14 一种基于深度学习的变电站设备漏油检测方法及检测系统 Pending CN111830051A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010815910.0A CN111830051A (zh) 2020-08-14 2020-08-14 一种基于深度学习的变电站设备漏油检测方法及检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010815910.0A CN111830051A (zh) 2020-08-14 2020-08-14 一种基于深度学习的变电站设备漏油检测方法及检测系统

Publications (1)

Publication Number Publication Date
CN111830051A true CN111830051A (zh) 2020-10-27

Family

ID=72917786

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010815910.0A Pending CN111830051A (zh) 2020-08-14 2020-08-14 一种基于深度学习的变电站设备漏油检测方法及检测系统

Country Status (1)

Country Link
CN (1) CN111830051A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033322A (zh) * 2021-03-02 2021-06-25 国网江苏省电力有限公司南通供电分公司 基于深度学习的变电站充油设备渗漏油隐患识别方法
CN115560926A (zh) * 2022-11-30 2023-01-03 四川欧乐智能技术有限公司 一种手机密封性检测方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033322A (zh) * 2021-03-02 2021-06-25 国网江苏省电力有限公司南通供电分公司 基于深度学习的变电站充油设备渗漏油隐患识别方法
CN115560926A (zh) * 2022-11-30 2023-01-03 四川欧乐智能技术有限公司 一种手机密封性检测方法及装置

Similar Documents

Publication Publication Date Title
CN110705847A (zh) 一种基于图像识别技术的变电站智能巡检方法及系统
CN110705405B (zh) 目标标注的方法及装置
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN112906769A (zh) 一种基于CycleGAN的输变电设备图像缺陷样本增广方法
CN106845434B (zh) 一种基于支持向量机的图像型机房漏水监测方法
CN111105389B (zh) 融合Gabor滤波器与卷积神经网络的路面裂缝的检测方法
CN109919917B (zh) 基于图像处理的架空输电线路的异物检测方法
CN111830051A (zh) 一种基于深度学习的变电站设备漏油检测方法及检测系统
CN114494185B (zh) 一种基于rgb-t多尺度特征融合的电气设备故障检测方法
CN114882039B (zh) 一种应用于pcb板自动分拣过程中的pcb板缺陷识别方法
CN106960196B (zh) 基于模板匹配和svm的工业视频小数字识别方法
CN109509188B (zh) 一种基于hog特征的输电线路典型缺陷识别方法
CN105550710A (zh) 基于非线性拟合的接触网运行异常状态智能检测方法
CN112580657A (zh) 一种自学习字符识别方法
CN113515655A (zh) 一种基于图像分类的故障识别方法及装置
CN111047598B (zh) 基于深度学习的输变电设备紫外放电光斑分割方法及装置
CN113888462A (zh) 一种裂纹识别方法、系统、可读介质及存储介质
CN114227717A (zh) 基于巡检机器人的智能巡检方法、装置、设备及存储介质
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN116524725B (zh) 一种智能驾驶的交通标志图像数据识别系统
CN113378672A (zh) 基于改进YOLOv3的输电线缺陷多目标检测方法
CN113052234A (zh) 一种基于图像特征和深度学习技术的玉石分类方法
Lin et al. Deep learning for intelligent substation device infrared fault image analysis
CN114581407B (zh) 一种光伏模块的自适应缺陷检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20201027

RJ01 Rejection of invention patent application after publication