CN112036463A - 一种基于深度学习的电力设备缺陷检测识别方法 - Google Patents

Abstract

本发明涉及一种基于深度学习的电力设备缺陷检测识别方法，其包括对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；对数据集进行数据增强以增加样本丰富度；基于Mobilenet‑SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。本发明在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为变电站设备油液渗漏的机器人巡检提供了新的思路和方法，对边缘计算在变电站运维中的应用具有一定的参考价值。

Description

一种基于深度学习的电力设备缺陷检测识别方法

技术领域

本发明涉及电网故障识别诊断技术领域，具体是一种基于深度学习的电力设备缺陷检测识别方法。

背景技术

目前，国内外对变电站充油设备的渗油和漏油尚未有明确规定。一般地，认为有油迹的为渗油，有油珠下滴的为漏油。变电站充油设备产生油液渗漏的原因很多，其与加工工艺、密封结构设计、环境温湿度、四季温差、材料的材质、设备压力大小、机械振动频率大小等均密切相关。当设备生产、运输、运行或检修中的某一个环节出现问题后，就很有可能引起连锁反应，从而发生油液的渗漏。变电站设备的油液渗漏会导致严重的后果，不仅影响设备的外观，使设备的油位降低，引起低油位告警，严重时还会导致设备绝缘的击穿、短路，甚至起火爆炸。因此对变电站中充油设备进行渗油、漏油的巡检是十分必要的。

当今，智能变电站和无人值守变电站正成为变电站的主要推广和发展模式，因此随着机器人及其相关控制技术的不断发展，机器人代替人工进行变电站巡检成为大势所趋，因此近年来关于机器人在变电站智能巡检中的研究和应用也随之推进。随着现代成像技术的快速发展，图像的质量得到了极大的提高，拍摄的图像和视频已经非常清晰。

传统的检测算法根据变电站设备缺陷特征进行定位需手动选择或设计特征，需要大量人工的先验知识，对特征进行组合或改进，往往需要尝试多种模型，以适用于特定场景下的目标识别任务，电力设备部署环境复杂、设备类别繁多、同种设备类型多样，传统目标识别方法最终选定的特征很可能不具备良好的泛化能力，不能适应多种场景、不同自然条件下的缺陷提取，不利于推广和应用。基于阈值分割方法提取变电站设备缺陷则受背景、光照以及绝缘子材质的影响，难以保证准确率。近年来，基于深度学习的计算机视觉技术不断发展并在多个行业开始应用。与传统的目标识别算法相比，Faster-RCNN、SSD和YOLO等基于深度卷积神经网络的目标识别算法从大量的图像数据中自动学习目标特征，无需人工设计特征提取器。这种端到端的学习策略有效地简化了算法的流程，提升了目标识别算法的效率、准确率以及泛化能力。而针对一般深度卷积神经网络模型复杂，参数过多，无法在嵌入式平台上部署的缺陷，近期针对模型的简化和压缩成为了热门研究方向。

发明内容

本发明所要解决的技术问题是提供一种基于深度学习的电力设备缺陷检测识别方法，针对前端计算场景，可以对变电设备缺陷进行快速识别诊断，为基于深度学习的变电站设备油液渗漏检测算法的边缘部署提供了可能。

本发明所采用的技术方案是：

一种基于深度学习的电力设备缺陷检测识别方法，其包括如下步骤：

S1：对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；

S2：对数据集进行数据增强以增加样本丰富度；

S3：基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；

S4：将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。

进一步的，在S1中构建图像数据集时，在变电站中收集设备的油液渗漏图像X张，其中随机选取Y张作为训练集，Z张作为验证集监督训练的流程，A张作为测试集来测试最终训练所得模型的实际效果。

进一步的，X＝Y+Z+A。

进一步的，在S2中，对数据集进行数据增强方法包括：

a、随机调整图像的亮度、饱和度或对比度；或

b、对图像进行随机角度旋转和镜像操作；或

c、将图像中的某一块区域随机替换为图像均值。

进一步的，在S3中使用的模型参数回归方法为RMSProp，深度学习框架为Tensorflow。

进一步的，RMSProp算法采用指数衰减平均的方式淡化遥远过去的历史对当前步骤参数更新量△ω的影响；

设全局学习率为σ，历史梯度值的衰减速率参数ρ，初始化的参数ω，为了数值稳定而创建的小常数δ，以及梯度累积变量r,循环执行以下步骤:

从训练数据集中取出包含m个样本的小批量数据数据对应的目标用yi表示；

a、在小批量数据的基础上按照以下公式计算梯度：

b、累积平方梯度，并刷新r：

r←ρr+(1-ρ)g⊙g

c、计算参数的更新量：

d、根据△ω更新参数：

w←w+△w。

进一步的，Mobilenet通过采用深度可分离卷积和引入宽度乘数、分辨率乘数来减少模型的计算量。

进一步的，SSD算法是一种One-stage方法，步骤包括：

a、输入一幅图片，让图片经过卷积神经网络(CNN)提取特征，并生成feature map；

b、抽取其中六层的feature map，然后再feature map的每个点上生成defaultbox；

c、将生成的所有default box都集合起来，经过NMS处理输出筛选后的defaultbox。

一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。

本发明的积极效果为：

本发明提出的方法与目前传统的基于深度学习的目标检测方法相比，在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为变电站设备油液渗漏的机器人巡检提供了新的思路和方法，对边缘计算在变电站运维中的应用具有一定的参考价值。

附图说明

为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明流程图；

图2为本发明数据集示意图；

图3为本发明传统卷积示意图；

图4为本发明深度可分离卷积示意图；

图5为本发明Mobilenet-SSD网络结构示意图；

图6为本发明检测效果样例图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例，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所有其他实施例，都属于本申请保护的范围。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本申请的范围。对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。

如附图1、2所示，本发明包括如下步骤：

S1、对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；

S2、对数据集进行数据增强以增加样本丰富度；

S3、基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；

S4、将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。

作为优选，S1在构建数据集的过程中，为保证数据集的多样性，在变电站中收集各种设备的油液渗漏图像共计3528张，其中随机选取2800张作为训练集，364张作为验证集监督训练的流程，364张作为测试集来测试最终训练所得模型的实际效果。

作为优选，S2中，所使用的的数据增强方法有：

a.通过调整图像的像素值，随机调整图像的亮度、饱和度、对比度等参数，通过随机调整图像亮度/对比度/饱和度，可以衍生出更多的训练样本，减小识别物体不同的色彩等无关因素对图像识别模型的影响；

b.对图像进行随机角度旋转和镜像操作，可以衍生出更多的训练样本，减小识别物体不同的方位等无关因素对图像识别模型的影响；

c.将图像中的某一小块区域随机替换为图像均值，可以衍生出更多的训练样本，增强模型的鲁棒性。

作为优选，S3使用的模型参数回归方法为RMSProp，设定学习率为0.001，训练总次数为50000次，选取的深度学习框架为Tensorflow。

所述的RMSProp(Root Mean Square Prop)算法采用了指数衰减平均的方式淡化遥远过去的历史对当前步骤参数更新量△ω的影响。设全局学习率为σ，历史梯度值的衰减速率参数ρ，初始化的参数ω，一个为了数值稳定而创建的小常数δ(默认取δ＝10^(-6))，以及一个梯度累积变量r(初始化r＝0),循环执行以下步骤:

从训练数据集中取出包含m个样本的小批量数据数据对应的目标用yi表示。

a、在小批量数据的基础上按照以下公式计算梯度：

b、累积平方梯度，并刷新r：

r←ρr+(1-ρ)g⊙g

c、计算参数的更新量：

d、根据△ω更新参数：

w←w+△w

Mobilenet是一种专注于在移动设备和嵌入式设备上的轻量级CNN神经网络，网络结构如表所示:

参照图3、4，Mobilenet主要通过采用深度可分离卷积(Depthwise SeparableConvolution)和引入宽度乘数(Width Multiplier)、分辨率乘数(ResolutionMultiplier)来减少模型的计算量。深度可分离卷积的中心思想是：将一个标准的卷积核分解成一个深度卷积(Depthwise Convolution)和一个逐点卷积(Pointwise Convolution)的组合。对于某一卷积运算，假设其输入为Dm×Dm×M，输出为Dn×Dn×N，卷积核的尺寸为K×K。通过上图可以算出，对于传统卷积，其参数量为M×N×K×K个，乘法计算次数(FLOPs)为Dn×Dn×N×K×K×M次。而对于深度可分离卷积，其参数量为M×K×K+M×N个，乘法运算次数为K×K×M×Dn×Dn+Dn×Dn×N×M次。因此，深度可分离卷积相对于传统卷积从卷积核参数和计算量上都有明显的优势。

SSD算法是一种One-stage方法，基本步骤包括：

a.输入一幅图片，让图片经过卷积神经网络(CNN)提取特征，并生成feature map

b.抽取其中六层的feature map，然后再feature map的每个点上生成defaultbox

c.将生成的所有default box都集合起来，经过NMS处理输出筛选后的defaultbox

参照图5，以Mobilenet为网络主框架搭建用于目标识别的Mobilenet-SSD算法，相当于用SSD模型的后半部分替换了Mobilenet的全平均池化、全连接层和Softmax层。

参照图6，本发明是一种基于轻量化卷积神经网络Mobilenet-SSD的变电站设备油液渗漏的识别定位方法，模型能够较好的完成对变电站中设备的油液渗漏的识别。

参照表格，本发明提出的变电站设备油液渗漏的识别定位模型的运行速度比传统的基于候选框的Faster-RCNN模型快50倍左右，模型参数小约25倍，而其准确率和召回率的损失大概在5％左右。在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中。

本发明实施例还提供了一种终端设备，包括存储器、处理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，处理器执行计算机程序时实现如实施例中所述的步骤。

所述计算机程序可以被分割成一个或多个程序模块/单元，所述一个或者多个程序模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个程序模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称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。

所述存储器可以是所述终端设备的内部存储单元，例如终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储设备，例如所述终端设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。

本发明实施例还提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如实施例中所述的S1至步骤S4。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

所述的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，所述计算机程序包括计算机程序代码，所述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。所述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，所述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是电载波信号和电信信号。

以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种基于深度学习的电力设备缺陷检测识别方法，其特征在于其包括如下步骤：

S1：对待具有油液渗漏缺陷的变电站设备进行拍照，构建变电站中设备油液渗漏图像数据集；

S2：对数据集进行数据增强以增加样本丰富度；

S3：基于Mobilenet-SSD评判机制和变电站中设备油液渗漏图像数据集进行模型训练；

S4：将待检测变电站设备图像输入S3所得模型中，进行油液渗漏故障诊断识别。

2.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于在S1中构建图像数据集时，在变电站中收集设备的油液渗漏图像X张，其中随机选取Y张作为训练集，Z张作为验证集监督训练的流程，A张作为测试集来测试最终训练所得模型的实际效果。

3.根据权利要求2所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于X＝Y+Z+A。

4.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于在S2中，对数据集进行数据增强方法包括：

a、随机调整图像的亮度、饱和度或对比度；或

b、对图像进行随机角度旋转和镜像操作；或

c、将图像中的某一块区域随机替换为图像均值。

5.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于在S3中使用的模型参数回归方法为RMSProp，深度学习框架为Tensorflow。

6.根据权利要求5所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于RMSProp算法采用指数衰减平均的方式淡化遥远过去的历史对当前步骤参数更新量△ω的影响；

设全局学习率为σ，历史梯度值的衰减速率参数ρ，初始化的参数ω，为了数值稳定而创建的小常数δ，以及梯度累积变量r,循环执行以下步骤:

从训练数据集中取出包含m个样本的小批量数据数据对应的目标用yi表示；

a.在小批量数据的基础上按照以下公式计算梯度：

b.累积平方梯度，并刷新r：

r←ρr+(1-ρ)g⊙g

c.计算参数的更新量：

d.根据△ω更新参数：

w←w+△w。

7.根据权利要求5所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于Mobilenet通过采用深度可分离卷积和引入宽度乘数、分辨率乘数来减少模型的计算量。

8.根据权利要求1所述的一种基于深度学习的电力设备缺陷检测识别方法，其特征在于SSD算法是一种One-stage方法，步骤包括：

a、输入一幅图片，让图片经过卷积神经网络提取特征，并生成feature map；

b、抽取其中六层的feature map，然后再feature map的每个点上生成default box；

c、将生成的所有default box都集合起来，经过NMS处理输出筛选后的default box。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-8中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述方法的步骤。

Images