CN112396038A - 一种基于深度学习的变电站异常智能识别方法及系统 - Google Patents

Abstract

本发明公开了一种基于深度学习的变电站异常智能识别方法及系统，包括：建立变电站异常数据库；对监控视频数据进行分析，获得变电站异常图像数据集；对变电站异常图像数据集中的每个图像进行标注，获得标注后的训练数据集；建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出结果完成变电站异常识别。本方法及系统能够高效准确的对变电站进行识别；本方法中的模型训练数据准确，能够保障模型识别准确，且训练数据质量高，计算量小。本方法中的清洁结构能够对镜片进行清洁，避免模型误识别。

Description

一种基于深度学习的变电站异常智能识别方法及系统

技术领域

本发明涉及变电站异常智能处理领域，具体地，涉及一种基于深度学习的变电站异常智能识别方法及系统。

背景技术

变电站异常主要指变电设备在运维或操作的过程中出现的不正常工作状态，暂时没有影响供电，但变电站异常如果不能及时消除或处理不当，就会导致电力系统事故的发生。

现有技术中变电站异常时主要采用现场人员进行识别，判断异常的类型和原因，然后将异常情况汇报给后台。

现有技术中的上述人工识别方法存在以下技术问题：

人工识别效率低，需要人工及时到现场进行汇报才行，容易导致异常汇报效率较低且出现汇报不准确的问题。

发明内容

为了解决传统人工识别变电站异常存在的效率低和准确率得不到保障的技术问题，本发明提供了一种基于深度学习的变电站异常智能识别方法及系统。

为实现上述目的，本发明提供了一种基于深度学习的变电站异常智能识别方法，所述方法包括：

建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。

其中，本发明的原理为：本发明首先建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

然后对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

然后对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

然后建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

然后当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。即利用变电站异常识别模型替代传统的人工实现异常智能识别，识别效率和准确率得到提高。

优选的，从监控视频中提取出满足预设要求的变电站异常图像，具体包括：

对监控视频进行分析，将监控视频分为故障初始阶段、故障进行阶段、故障结束阶段；

分别从故障初始阶段、故障进行阶段、故障结束阶段各提取出一张满足预设要求的变电站异常子图像；

按照提取的3张变电站异常子图像按照事故进展的顺序拼接成完整的变电站异常图像。

其中，本发明中的异常图像包括了故障初始阶段、故障进行阶段、故障结束阶段3个阶段的图像，通过3个阶段实现了异常整个过程的监控，这种反映异常全程的图像训练出的模型能够更加准确的对异常情况进行识别，更加符合实际的情况，满足实际的使用需求。

优选的，从故障初始阶段、故障进行阶段、故障结束阶段各提取出一张满足预设要求的变电站异常子图像，具体包括：

将故障初始阶段、故障进行阶段、故障结束阶段的监控视频逐帧播放；

针对每个阶段，比较每个阶段中每帧图像的清晰度，按照图像清晰度对每帧图像进行排序，提取出排序靠前的若干帧图像，获得第一图像集，每个阶段对应一个第一图像集；

针对每个第一图像集，判断每帧图像中是否有干扰目标，过滤具有干扰目标的图像，获得第二图像集，每个阶段对应一个第二图像集；

针对每个第二图像集，比较每帧图像中故障目标的故障特征信息，按照故障特征信息的显著度对每帧图像进行排序，提取出故障特征信息最显著的图像作为变电站异常子图像。

其中，本发明通过对视频图像进行分析，提取出最清晰、干扰最少、故障特征信息最显著的图像作为变电站异常子图像拼接成最终的图像，一方面保障图像的质量，提高模型的训练质量，另一方面，减少了传统中将所有图像均进行训练和标注，减少了工作量和计算量。

优选的，本方法还建立有验证集和测试集，用于对变电站异常识别模型进行验证和测试。

优选的，所述方法通过监控终端采集变电站监控数据，并对采集的变电站监控数据进行分析，根据分析结果判断变电站是否异常。

优选的，由于本方法中的模型是对图像进行分析获得结果，其较为灵敏，发明人发现若监控摄像头的镜片具有污渍或水渍时，其会导致图像中出现污点或其他情况，进而导致模型出现异常分析结果，进而导致最终的异常分析结果不准确，因此，本发明设计了清洗结构可以对监控摄像头的镜片进行清洗，保障最终的模型识别结果准确，监控终端为摄像头，所述摄像头设有清洗结构用于定期对摄像头的镜片进行清洗，所述清洗结构包括：

控制器、底座、第一电动伸缩杆、基座、第二电动伸缩杆、第一存储箱、第二存储箱、第一喷嘴、第二喷嘴、第一气嘴、第一水管、第二水管、第一气管、热风机、第一水泵、第二水泵、第一气泵、第一电动清洗刷、第一支架、第二支架和第三支架；

控制器安装在底座内，用于接收清洗指令，并控制清洗结构对摄像头的镜片进行清洗；底座固定在固定物上，第一电动伸缩杆下端与底座上表面固定连接，第一电动伸缩杆上端与基座固定连接，第一电动伸缩杆在控制器的控制下进行伸缩；第二电动伸缩杆左端与基座固定连接，第二电动伸缩杆右端向摄像头的镜片延伸，第二电动伸缩杆在控制器的控制下进行伸缩；第一电动清洗刷的手柄端与第二电动伸缩杆的右端连接，第一电动清洗刷的清洗端向摄像头的镜片延伸，第一电动清洗刷用于对摄像头的镜片进行清洗；第一支架一端与第二电动伸缩杆的杆身连接，第一支架的另一端与第一喷嘴连接，第一喷嘴用于向摄像头的镜片喷洒清洗液；第二支架一端与第二电动伸缩杆的杆身连接，第二支架的另一端与第二喷嘴连接，第二喷嘴用于向摄像头的镜片喷水；第一存储箱内存储有清洗液，第二存储箱内存储有水，第一水管一端与第一水泵连接后延伸至第一存储箱内，第一水管另一端与第一喷嘴连接，第二水管一端与第二水泵连接后延伸至第二存储箱内，第二水管另一端与第二喷嘴连接；第一气管一端与第一气泵连接后与热风机的出风口连接，第一气管另一端与第一气嘴连接，第一气嘴用于向摄像头的镜片吹气，第三支架一端与第二电动伸缩杆的杆身连接，第三支架的另一端与第一气嘴连接；第一水泵、第二水泵、第一气泵、热风机和第一电动清洗刷的启停均由控制器进行控制。

优选的，所述清洗结构的清洗流程为：

控制器接收到清洗指令，控制器控制第一电动伸缩杆伸长至第一预设长度；

控制器控制第二电动伸缩杆伸长至第二预设长度；

控制器开启第一水泵，将预设量的清洗液喷洒在摄像头的镜片表面，然后关闭第一水泵；

控制器开启第一电动清洗刷，第一电动清洗刷对摄像头的镜片表面进行清洗，清洗第一预设时间段后关闭第一电动清洗刷；

然后控制器控制第二电动伸缩杆缩回至第三预设长度；

然后控制器开启第二水泵，将预设量的水喷洒在摄像头的镜片表面，然后关闭第二水泵；

然后控制器开启第一气泵和热风机，对摄像头的镜片表面进行风干，风干完成后关闭第一气泵和热风机；

然后控制控制第二电动伸缩杆缩回至初始长度；

然后控制控制第一电动伸缩杆缩回至初始长度。

其中，本发明中清洗结构的清洗原理为：在不清洗时收缩避免对镜头造成遮挡，在需要进行清洗时，伸长进行清洗，首先喷洒清洗液，保障表面的污渍能够清洗掉，然后利用电动刷进行清洗，然后进行水洗，最好进行烘干，清洗完成后收回结构。

优选的，在控制器控制第二电动伸缩杆伸长至第二预设长度后，以及在控制器开启第一水泵之前，本方法还包括：

检测第一电动清洗刷的中心线与摄像头的镜片表面中心线是否对齐，

若没有对齐则进行调整，将第一电动清洗刷的中心线与摄像头的镜片表面中心线调整为对齐。

其中，为了保障清洗效果，本发明在清洗前要将一电动清洗刷与摄像头的镜片表面进行对齐。

优选的，所述清洗结构为定期自动清洗和满足预设条件自动清洗，定期自动清洗为距离上次清洗间隔预设时间段后自动进行清洗，满足预设条件自动清洗为：下雨后或风沙天气后自动进行清洗。自动清洗一般为间隔3天左右清洗一次，或间隔一天清洗一次，当下雨后或风沙天气后镜片表面容易不干净，则进行清洗。

另一方面，本发明还提供了一种基于深度学习的变电站异常智能识别系统，所述系统包括：

数据库建立单元，用于建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

分析单元，用于对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

标注单元，用于对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

模型建立单元，用于建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

识别单元，用于当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。

本发明提供的一个或多个技术方案，至少具有如下技术效果或优点：

本方法及系统能够高效准确的对变电站进行识别。

本方法中的模型训练数据准确，能够保障模型识别准确，且训练数据质量高，计算量小。

本方法中的清洁结构能够对镜片进行清洁，避免模型误识别。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本发明的一部分，并不构成对本发明实施例的限定；

图1为基于深度学习的变电站异常智能识别方法的流程示意图；

图2为清洗结构的结构示意图；

图3为基于深度学习的变电站异常智能识别系统的组成示意图；

其中，1-控制器，2-底座，3-第一电动伸缩杆，4-基座，5-第二电动伸缩杆，6-第一存储箱，7-第二存储箱，8-第一喷嘴，9-第二喷嘴，10-第一气嘴，11-第一水管，12-第二水管，13-第一气管，14-热风机，15-第一水泵，16-第二水泵，17-第一气泵，18-第一电动清洗刷，19-第一支架，20-第二支架，21-第三支架，22-镜片。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

请参考图1，图1为基于深度学习的变电站异常智能识别方法的流程示意图，本发明实施例提供了一种基于深度学习的变电站异常智能识别方法，所述方法包括：

建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。

其中，在本发明实施例中，从监控视频中提取出满足预设要求的变电站异常图像，具体包括：

对监控视频进行分析，将监控视频分为故障初始阶段、故障进行阶段、故障结束阶段；

分别从故障初始阶段、故障进行阶段、故障结束阶段各提取出一张满足预设要求的变电站异常子图像；

按照提取的3张变电站异常子图像按照事故进展的顺序拼接成完整的变电站异常图像。

其中，在本发明实施例中，从故障初始阶段、故障进行阶段、故障结束阶段各提取出一张满足预设要求的变电站异常子图像，具体包括：

将故障初始阶段、故障进行阶段、故障结束阶段的监控视频逐帧播放；

针对每个阶段，比较每个阶段中每帧图像的清晰度，按照图像清晰度对每帧图像进行排序，提取出排序靠前的若干帧图像，获得第一图像集，每个阶段对应一个第一图像集；

针对每个第一图像集，判断每帧图像中是否有干扰目标，过滤具有干扰目标的图像，获得第二图像集，每个阶段对应一个第二图像集；

针对每个第二图像集，比较每帧图像中故障目标的故障特征信息，按照故障特征信息的显著度对每帧图像进行排序，提取出故障特征信息最显著的图像作为变电站异常子图像。

其中，在本发明实施例中，本方法还建立有验证集和测试集，用于对变电站异常识别模型进行验证和测试。

其中，在本发明实施例中，所述方法通过监控终端采集变电站监控数据，并对采集的变电站监控数据进行分析，根据分析结果判断变电站是否异常。

其中，在本发明实施例中，请参考图2，图2为清洗结构的结构示意图，监控终端为摄像头，所述摄像头设有清洗结构用于定期对摄像头的镜片进行清洗，所述清洗结构包括：

控制器1、底座2、第一电动伸缩杆3、基座4、第二电动伸缩杆5、第一存储箱6、第二存储箱7、第一喷嘴8、第二喷嘴9、第一气嘴10、第一水管11、第二水管12、第一气管13、热风机14、第一水泵15、第二水泵16、第一气泵17、第一电动清洗刷18、第一支架19、第二支架20和第三支架21；

控制器安装在底座内，用于接收清洗指令，并控制清洗结构对摄像头的镜片22进行清洗；底座固定在固定物上，第一电动伸缩杆下端与底座上表面固定连接，第一电动伸缩杆上端与基座固定连接，第一电动伸缩杆在控制器的控制下进行伸缩；第二电动伸缩杆左端与基座固定连接，第二电动伸缩杆右端向摄像头的镜片延伸，第二电动伸缩杆在控制器的控制下进行伸缩；第一电动清洗刷的手柄端与第二电动伸缩杆的右端连接，第一电动清洗刷的清洗端向摄像头的镜片延伸，第一电动清洗刷用于对摄像头的镜片进行清洗；第一支架一端与第二电动伸缩杆的杆身连接，第一支架的另一端与第一喷嘴连接，第一喷嘴用于向摄像头的镜片喷洒清洗液；第二支架一端与第二电动伸缩杆的杆身连接，第二支架的另一端与第二喷嘴连接，第二喷嘴用于向摄像头的镜片喷水；第一存储箱内存储有清洗液，第二存储箱内存储有水，第一水管一端与第一水泵连接后延伸至第一存储箱内，第一水管另一端与第一喷嘴连接，第二水管一端与第二水泵连接后延伸至第二存储箱内，第二水管另一端与第二喷嘴连接；第一气管一端与第一气泵连接后与热风机的出风口连接，第一气管另一端与第一气嘴连接，第一气嘴用于向摄像头的镜片吹气，第三支架一端与第二电动伸缩杆的杆身连接，第三支架的另一端与第一气嘴连接；第一水泵、第二水泵、第一气泵、热风机和第一电动清洗刷的启停均由控制器进行控制。

其中，在本发明实施例中，所述清洗结构的清洗流程为：

控制器接收到清洗指令，控制器控制第一电动伸缩杆伸长至第一预设长度；

控制器控制第二电动伸缩杆伸长至第二预设长度；

控制器开启第一水泵，将预设量的清洗液喷洒在摄像头的镜片表面，然后关闭第一水泵；

控制器开启第一电动清洗刷，第一电动清洗刷对摄像头的镜片表面进行清洗，清洗第一预设时间段后关闭第一电动清洗刷；

然后控制器控制第二电动伸缩杆缩回至第三预设长度；

然后控制器开启第二水泵，将预设量的水喷洒在摄像头的镜片表面，然后关闭第二水泵；

然后控制器开启第一气泵和热风机，对摄像头的镜片表面进行风干，风干完成后关闭第一气泵和热风机；

然后控制控制第二电动伸缩杆缩回至初始长度；

然后控制控制第一电动伸缩杆缩回至初始长度。

其中，在本发明实施例中，在控制器控制第二电动伸缩杆伸长至第二预设长度后，以及在控制器开启第一水泵之前，本方法还包括：

检测第一电动清洗刷的中心线与摄像头的镜片表面中心线是否对齐，

若没有对齐则进行调整，将第一电动清洗刷的中心线与摄像头的镜片表面中心线调整为对齐。

其中，在本发明实施例中，所述清洗结构为定期自动清洗和满足预设条件自动清洗，定期自动清洗为距离上次清洗间隔预设时间段后自动进行清洗，满足预设条件自动清洗为：下雨后或风沙天气后自动进行清洗。

其中，在本发明实施例中，请参考图3，图3为基于深度学习的变电站异常智能识别系统的组成示意图，本饭实施例提供了一种基于深度学习的变电站异常智能识别系统，所述系统包括：

数据库建立单元，用于建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

分析单元，用于对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

标注单元，用于对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

模型建立单元，用于建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

识别单元，用于当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种基于深度学习的变电站异常智能识别方法，其特征在于，所述方法包括：

建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。

2.根据权利要求1所述的基于深度学习的变电站异常智能识别方法，其特征在于，从监控视频中提取出满足预设要求的变电站异常图像，具体包括：

对监控视频进行分析，将监控视频分为故障初始阶段、故障进行阶段、故障结束阶段；

分别从故障初始阶段、故障进行阶段、故障结束阶段各提取出一张满足预设要求的变电站异常子图像；

按照提取的3张变电站异常子图像按照事故进展的顺序拼接成完整的变电站异常图像。

3.根据权利要求1所述的基于深度学习的变电站异常智能识别方法，其特征在于，从故障初始阶段、故障进行阶段、故障结束阶段各提取出一张满足预设要求的变电站异常子图像，具体包括：

将故障初始阶段、故障进行阶段、故障结束阶段的监控视频逐帧播放；

针对每个阶段，比较每个阶段中每帧图像的清晰度，按照图像清晰度对每帧图像进行排序，提取出排序靠前的若干帧图像，获得第一图像集，每个阶段对应一个第一图像集；

针对每个第一图像集，判断每帧图像中是否有干扰目标，过滤具有干扰目标的图像，获得第二图像集，每个阶段对应一个第二图像集；

针对每个第二图像集，比较每帧图像中故障目标的故障特征信息，按照故障特征信息的显著度对每帧图像进行排序，提取出故障特征信息最显著的图像作为变电站异常子图像。

4.根据权利要求1所述的基于深度学习的变电站异常智能识别方法，其特征在于，本方法还建立有验证集和测试集，用于对变电站异常识别模型进行验证和测试。

5.根据权利要求1所述的基于深度学习的变电站异常智能识别方法，其特征在于，所述方法通过监控终端采集变电站监控数据，并对采集的变电站监控数据进行分析，根据分析结果判断变电站是否异常。

6.根据权利要求5所述的基于深度学习的变电站异常智能识别方法，其特征在于，监控终端为摄像头，所述摄像头设有清洗结构用于定期对摄像头的镜片进行清洗，所述清洗结构包括：

控制器、底座、第一电动伸缩杆、基座、第二电动伸缩杆、第一存储箱、第二存储箱、第一喷嘴、第二喷嘴、第一气嘴、第一水管、第二水管、第一气管、热风机、第一水泵、第二水泵、第一气泵、第一电动清洗刷、第一支架、第二支架和第三支架；

控制器安装在底座内，用于接收清洗指令，并控制清洗结构对摄像头的镜片进行清洗；底座固定在固定物上，第一电动伸缩杆下端与底座上表面固定连接，第一电动伸缩杆上端与基座固定连接，第一电动伸缩杆在控制器的控制下进行伸缩；第二电动伸缩杆左端与基座固定连接，第二电动伸缩杆右端向摄像头的镜片延伸，第二电动伸缩杆在控制器的控制下进行伸缩；第一电动清洗刷的手柄端与第二电动伸缩杆的右端连接，第一电动清洗刷的清洗端向摄像头的镜片延伸，第一电动清洗刷用于对摄像头的镜片进行清洗；第一支架一端与第二电动伸缩杆的杆身连接，第一支架的另一端与第一喷嘴连接，第一喷嘴用于向摄像头的镜片喷洒清洗液；第二支架一端与第二电动伸缩杆的杆身连接，第二支架的另一端与第二喷嘴连接，第二喷嘴用于向摄像头的镜片喷水；第一存储箱内存储有清洗液，第二存储箱内存储有水，第一水管一端与第一水泵连接后延伸至第一存储箱内，第一水管另一端与第一喷嘴连接，第二水管一端与第二水泵连接后延伸至第二存储箱内，第二水管另一端与第二喷嘴连接；第一气管一端与第一气泵连接后与热风机的出风口连接，第一气管另一端与第一气嘴连接，第一气嘴用于向摄像头的镜片吹气，第三支架一端与第二电动伸缩杆的杆身连接，第三支架的另一端与第一气嘴连接；第一水泵、第二水泵、第一气泵、热风机和第一电动清洗刷的启停均由控制器进行控制。

7.根据权利要求6所述的基于深度学习的变电站异常智能识别方法，其特征在于，所述清洗结构的清洗流程为：

控制器接收到清洗指令，控制器控制第一电动伸缩杆伸长至第一预设长度；

控制器控制第二电动伸缩杆伸长至第二预设长度；

控制器开启第一水泵，将预设量的清洗液喷洒在摄像头的镜片表面，然后关闭第一水泵；

控制器开启第一电动清洗刷，第一电动清洗刷对摄像头的镜片表面进行清洗，清洗第一预设时间段后关闭第一电动清洗刷；

然后控制器控制第二电动伸缩杆缩回至第三预设长度；

然后控制器开启第二水泵，将预设量的水喷洒在摄像头的镜片表面，然后关闭第二水泵；

然后控制器开启第一气泵和热风机，对摄像头的镜片表面进行风干，风干完成后关闭第一气泵和热风机；

然后控制控制第二电动伸缩杆缩回至初始长度；

然后控制控制第一电动伸缩杆缩回至初始长度。

8.根据权利要求7所述的基于深度学习的变电站异常智能识别方法，其特征在于，在控制器控制第二电动伸缩杆伸长至第二预设长度后，以及在控制器开启第一水泵之前，本方法还包括：

检测第一电动清洗刷的中心线与摄像头的镜片表面中心线是否对齐，

若没有对齐则进行调整，将第一电动清洗刷的中心线与摄像头的镜片表面中心线调整为对齐。

9.根据权利要求6所述的基于深度学习的变电站异常智能识别方法，其特征在于，所述清洗结构为定期自动清洗和满足预设条件自动清洗，定期自动清洗为距离上次清洗间隔预设时间段后自动进行清洗，满足预设条件自动清洗为：下雨后或风沙天气后自动进行清洗。

10.一种基于深度学习的变电站异常智能识别系统，其特征在于，所述系统包括：

数据库建立单元，用于建立变电站异常数据库，采集各变电站在异常时的监控视频数据，并将监控视频数据编号后存储在变电站异常数据库中；

分析单元，用于对监控视频数据进行分析，按照编号从每个监控视频中提取出满足预设要求的变电站异常图像，将变电站异常图像存储在变电站异常数据库中，并将变电站异常数据库中变电站异常图像对应编号的监控视频数据删除，完成变电站异常数据库中所有监控视频数据的变电站异常图像提取操作，获得变电站异常图像数据集；

标注单元，用于对变电站异常图像数据集中的每个图像进行标注，包括变电站异常类型、异常目标名称和异常目标的位置，获得标注后的训练数据集；

模型建立单元，用于建立基于深度学习的变电站异常识别模型，基于训练数据集对模型进行训练，获得训练后的变电站异常识别模型；

识别单元，用于当变电站异常报警时，将异常报警时的监控图像输入变电站异常识别模型，模型输出变电站异常类型、异常目标名称和位置，完成变电站异常识别。

Images