CN112508137B - 变压器异常检测方法、装置、计算机设备和存储介质 - Google Patents

变压器异常检测方法、装置、计算机设备和存储介质 Download PDF

Info

Publication number
CN112508137B
CN112508137B CN202110173383.2A CN202110173383A CN112508137B CN 112508137 B CN112508137 B CN 112508137B CN 202110173383 A CN202110173383 A CN 202110173383A CN 112508137 B CN112508137 B CN 112508137B
Authority
CN
China
Prior art keywords
convolution
transformer
scene image
anomaly detection
network model
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.)
Active
Application number
CN202110173383.2A
Other languages
English (en)
Other versions
CN112508137A (zh
Inventor
陈浩敏
姚森敬
辛文成
席禹
张凡
敖榜
于力
符健
王诗文
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.)
China Southern Power Grid Artificial Intelligence Technology Co ltd
Original Assignee
Southern Power Grid Digital Grid Research Institute Co Ltd
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 Southern Power Grid Digital Grid Research Institute Co Ltd filed Critical Southern Power Grid Digital Grid Research Institute Co Ltd
Priority to CN202110173383.2A priority Critical patent/CN112508137B/zh
Publication of CN112508137A publication Critical patent/CN112508137A/zh
Application granted granted Critical
Publication of CN112508137B publication Critical patent/CN112508137B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/60—Rotation of whole images or parts thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及一种变压器异常检测方法、装置、计算机设备和存储介质。所述方法包括：获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图；对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图；通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别。采用本方法能够提高变压器异常检测效率。

Description

变压器异常检测方法、装置、计算机设备和存储介质
技术领域
本申请涉及电网设备异常检测技术领域，特别是涉及一种变压器异常识别方法、装置、计算机设备和存储介质。
背景技术
变电站异常检测对于维持变电站的安全稳定运行具有重要意义。在现有的变电站工作环境中，变电站异常检测是依靠人工进行检测，长时间的人工监视不仅会造成工作人员疲劳，对一些突发的异常状况也很难及时地做出判断与响应，大大降低了监控系统的工作效率，
随着计算机视觉技术的发展，智能监控技术在电力系统中的应用日趋广泛，现有变电站监控中，通过具有智能检测功能的网络摄像机对采集到的环境信息进行异常检测，导致变压器异常检测效率低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够提高变压器异常检测效率的变压器异常检测方法、装置、计算机设备和存储介质。
一种变压器异常检测方法，所述方法包括：
获取待检测的变压器运行场景图像；
将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；
对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。
在其中一个实施例中，所述对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图，包括：
对各所述初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；
对所述通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；
对所述点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。
在其中一个实施例中，所述根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的特征图，包括：
对所述点卷积特征图和所述冗余特征图进行加权融合，得到融合特征图；
所述通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别，包括：
通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别。
在其中一个实施例中，所述通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别，包括：
对所述融合特征图进行池化处理，得到池化处理后的池化特征；
在全连接层对所述池化特征进行处理，得到各所述异常类型的异常类别数；
通过分类器对各所述异常类别数进行分类处理，得到对应的概率值；
根据各所述概率值的数值大小，确定变压器的异常类别。
在其中一个实施例中，在将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型之前，所述方法还包括：
获取变压器的历史运行场景图像集；
采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对所述历史运行场景图像集中进行数据增广，得到运行场景图像样本集；
构建轻量级异常检测网络模型，通过所述轻量级异常检测网络模型对所述运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型。
在其中一个实施例中，所述构建轻量级异常检测网络模型，包括：
获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；
根据所述预设数量、所述预设尺寸和所述通道数量确定特征提取网络；
在所述特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在所述全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型。
一种变压器异常检测装置，所述装置包括：
获取模块，用于获取待检测的变压器运行场景图像；
特征提取模块，用于将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；
卷积处理模块，用于对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
特征处理模块，用于根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
检测模块，用于通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。
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，所述处理器执行所述计算机程序时实现以下步骤：
获取待检测的变压器运行场景图像；
将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；
对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取待检测的变压器运行场景图像；
将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；
对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
通过全局平均池化层对所述特征图进行异常检测，确定变压器的异常类别。
上述变压器异常检测方法、装置、计算机设备和存储介质，通过获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，对变压器运行场景图像进行特征提取，得到变压器运行场景图像的点卷积特征图和冗余特征图；根据点卷积特征图和冗余特征图对变压器进行异常检测，得到变压器的异常类别；即在确保异常检测网络模型的性能的同时，通过模型优化后得到的轻量级异常检测网络模型对变压器运行场景图像进行检测，减少数据处理量，提高数据的处理效率，进而提升变压器异常的检测效率。
附图说明
图1为一个实施例中变压器异常检测方法的应用环境图；
图2为一个实施例中变压器异常检测方法的流程示意图；
图3为一个实施例中轻量级神经卷积网络的结构示意图；
图4为一个实施例中训练轻量级异常检测网络模型方法的流程示意图；
图5为一个实施例中确定变压器的异常类别方法的流程示意图；
图6为另一个实施例中变压器异常检测方法的流程示意图；
图7为一个实施例中变压器失火着火的检测示意图；
图8为一个实施例中变压器异常检测装置的结构框图；
图9为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
本申请提供的变压器异常检测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。终端102通过网络从服务器中获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图；对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；；根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图；通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别。可以理解的是，该方法也可以应用于服务器，还可以应用于终端；其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种变压器异常检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤202，获取待检测的变压器运行场景图像。
其中，变压器运行场景图像包括变压器在不同时刻、不同光照、不同季节、不同天气和不同角度下的变压器运行状况的场景监控图像。变压器运行场景图像可以是从服务器的数据库中获取，也可以是通过集成在终端上的图像采集设备采集的，还可以是通过图像采集设备将采集的变压器运行场景图像直接发送至终端上。
步骤204，将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图。
其中，轻量级异常检测网络模型中依次设置包括用于提取特征的轻量级神经卷积网络和用于识别变压器异常类别的异常识别网络；轻量级神经卷积网络中设置了预设数量的卷积层和池化层，且池化层设置在每层卷积层后面；异常识别网络中依次设置了全局平均池化层、全连接层和分类器，且分类器设置在在全连接层的输出端。轻量级异常检测网络模型是根据历史运行场景图像集中的异常历史运行场景图像集进行训练得到的，异常历史运行场景图像集包括变压器冒烟、着火、局部放电、漏油等运行场景图像。
具体地，将获取的变压运行场景图像输入至训练好的轻量级异常检测网络模型中，在轻量级神经卷积网络的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图。
步骤206，对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图。
具体地，依次在轻量级神经卷积网络的第l-1层卷积层，采用N l-1 个k*k卷积核对第l-1层卷积层的初始特征图进行逐通道卷积，得到通道卷积特征图FD，使用N p 个1*1卷积核对逐通道卷积得到的通道卷积特征图FD进行逐点卷积，得到第一预设数量N p 个点卷积特征图FP；对逐点卷积得到的N p 个点卷积特征图FP进行线性计算，得到第二预设数量
Figure DEST_PATH_IMAGE001
个冗余特征图FR。
步骤208，根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图。
具体地，对点卷积特征图和冗余特征图进行加权融合，得到融合特征图，即将第一预设数量N p 个点卷积特征图FP和第二预设数量
Figure 13355DEST_PATH_IMAGE001
个冗余特征图FR 进行加权融合，得到第l-1层卷积层的第三预设数量N l 个特征图X l ，通过轻量级神经卷积网络的所有卷积层后，得到大小为变压器运行场景图像的目标特征图，其大小满足
Figure 341568DEST_PATH_IMAGE002
，H和W依次代表图像高度和宽度，R代表域，l为正整数。
如图3所示为一个实施例中，轻量级神经卷积网络的结构示意图，在第l-1层卷积层，采用通道数个k*k卷积核对第层卷积层的初始特征图X l-1 进行逐通道卷积，得到通道卷积特征图FD，使用通道数Np个1*1卷积核对逐通道卷积得到的通道卷积特征图FD进行逐点卷积，得到第一预设数量Np个点卷积特征图FP；对逐点卷积得到的Np个点卷积特征图FP进行线性计算，得到第二预设数量
Figure 855464DEST_PATH_IMAGE001
个冗余特征图FR，将第一预设数量N p 个点卷积特征图FP和第二预设数量
Figure 560115DEST_PATH_IMAGE001
个冗余特征图FR进行加权融合，得到第层卷积层的N l 个特征图X 1 ，将N l 个特征图X l ，映射到第层卷积层上执行相同操作，经过四层卷积层，得到变压器运行场景图像的目标特征图。
步骤210，通过全局平均池化层对目标特征图进行异常检测，确定变压器的异常类别。
具体地，将得到的变压器运行场景图像的目标特征图输入至轻量级异常检测网络模型的异常识别网络中，在异常识别网络的全局平均池化层对目标特征图进行处理，得到池化特征，也可以是说得到最终特征；将池化特征输入至全连接层，输出表征得到各异常类型的异常类别数的维度，即不同异常类型的异常类别数的维度不同，将得到的所有维度输入至分类器（例如，softmax）中，得到各异常类型的概率值，根据概率值确定变压器的异常类别，可选地，将概率值最大的类别确定为变压器运行状态情况。例如，目标特征图
Figure 977321DEST_PATH_IMAGE002
经全局平均池化得到最终特征
Figure DEST_PATH_IMAGE003
，将全局平均池化后的最终特征
Figure 882960DEST_PATH_IMAGE003
输入到全连接层，输出表征得到各异常类型的异常类别数的维度，将全连接层得到的输出作为输入，输入到softmax分类器，得出属于各类异常的概率值，将概率值最大的类别确定为变压器运行状态情况。
上述变压器异常检测方法中，通过获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，对变压器运行场景图像进行特征提取，得到变压器运行场景图像的点卷积特征图和冗余特征图；根据点卷积特征图和冗余特征图对变压器进行异常检测，得到变压器的异常类别；即在确保异常检测网络模型的性能的同时，通过模型优化后得到的轻量级异常检测网络模型对变压器运行场景图像进行检测，减少数据处理量，提高数据的处理效率，进而提升变压器异常的检测效率。
在一个实施例中，如图4所示，提供了一种训练轻量级异常检测网络模型方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤402，获取卷积层的预设数量和卷积核的预设尺寸以及通道数量。
其中，卷积层的预设数量、卷积核的预设尺寸以及通道数量根据异常检测网络模型的性能确定的，卷积层的预设数量可以但不仅限于是4；卷积核的预设尺寸大小可以但不仅限于是3*3和1*1；例如，在第l-1层卷积层中，用3*3卷积核对第l-1层卷积层的特征图X l-1进行逐通道卷积，得到通道卷积特征图，采用N p 个1*1卷积核对逐通道卷积得到的特征图进行逐点卷积，得到点卷积特征图。
步骤404，根据预设数量、预设尺寸和通道数量确定特征提取网络。
步骤406，在特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型。
步骤408，获取变压器的历史运行场景图像集。
其中，历史运行场景图像集包括正常历史运行场景图像集和异常历史运行场景图像集。
步骤410，采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对历史运行场景图像集中进行数据增广，得到运行场景图像样本集。
具体地，采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对异常历史运行场景图像集进行数据增广，得到运行场景图像样本集。
步骤412，通过轻量级异常检测网络模型对运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型。
具体地，根据构建好的轻量级异常检测网络模型对得到的得到运行场景图像样本集进行特征提取各识别，得到特征图，根据提取的特征图对轻量级异常检测网络模型进行训练，直到轻量级异常检测网络模型的损失函数收敛，得到训练好的轻量级异常检测网络模型。
即在轻量级异常检测网络模型的卷积层对运行场景图像样本集进行提取，得到特征图X l-1，使用N l-1 个k*k卷积核对第l-1层卷积层的初始特征图X l-1进行逐通道卷积，可以得到N l-1 个通道卷积特征图，即
Figure 244671DEST_PATH_IMAGE004
，其中
Figure DEST_PATH_IMAGE005
，表示通道卷积的权重参数；使用N p 个1*1卷积核对逐通道卷积得到的特征图进行逐点卷积，可以得到N p 个点卷积特征图，即
Figure 893958DEST_PATH_IMAGE006
,其中
Figure DEST_PATH_IMAGE007
，表示点卷积的权重参数；对逐点卷积得到的特征图进行线性计算，得到
Figure 870398DEST_PATH_IMAGE001
个冗余特征图，即
Figure 743676DEST_PATH_IMAGE008
，其中为线性计算，对
Figure 858263DEST_PATH_IMAGE001
个冗余特征图和N p 个点卷积特征图进行特征融合，得到融合特征图，可以表示为：
Figure DEST_PATH_IMAGE009
可选地，在一个实施例中，获取轻量级异常检测网络模型的单次卷积计算的参数量Nsl为：
Figure 45661DEST_PATH_IMAGE010
对于相同的输入，可以确定单次卷积参数量与标准卷积的比值为：
Figure DEST_PATH_IMAGE011
其中，k为卷积核的大小， 为第层卷积层的通道数，Np为点卷积特征图的数量，为融合特征图的数量。
当k=3，时，轻量级异常检测网络模型的参数量可以降低为标准卷积的1/18，即在确定模型性能的基础上，减少参数量，提高处理器的处理性能（例如，提高基于ARM处理器的变电站后台系统的处理性能）以及提高变压器异常检测的效率（例如，可以提高变压器实时监测的效率以及准确性）。
上述轻量级异常检测网络模型训练方法中，通过融合卷积核分解与解决特征图冗余的模型压缩方法，得到压缩后的轻量级异常检测网络模型，减少模型的参数需求量，即减少模型数据处理量；采用数据增广方式对异常历史运行场景图像集的方式，增加了样本数据量，提高轻量级异常检测网络模型收敛效果，提高了模型对变压器异常的检测效率。
在另一个实施例中，如图5所示，提供了一种确定变压器的异常类别方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤502，对点卷积特征图和冗余特征图进行加权融合，得到融合特征图。
具体地，将待检测的变压器运行场景图像输入至训练好的轻量级异常检测网络模型，得到卷积层的初始特征图，对各初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；对通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；对点卷积特征图进行线性处理，得到第二预设数量个冗余特征图，对点卷积特征图和冗余特征图进行加权融合，得到融合特征图。
步骤504，对融合特征图进行池化处理，得到池化处理后的池化特征。
具体地，在全局平均池化层对融合特征图进行池化处理，得到池化处理后的池化特征。
步骤506，在全连接层对池化特征进行处理，得到各异常类型的异常类别数。
步骤508，通过分类器对各异常类别数进行分类处理，得到对应的概率值。
步骤510，根据各概率值的数值大小，确定变压器的异常类别。
上述确定变压器的异常类别方法中，通过训练好的轻量级异常检测网络模型检测识别待检测的变压器运行场景图，使用全局平均池化代替全连接层，即在全局平均池化层对融合特征图进行池化处理，得到池化处理后的池化特征，在全连接层对池化特征进行处理，得到各异常类型的异常类别数，通过分类器确定变压器的异常类别，减少了全连接层的参数与计算量，提高了模型的检测效率以及检测的准确性。
在另一个实施例中，如图6所示，提供了一种变压器异常检测方法，以该方法应用于图1中的终端为例进行说明，包括以下步骤：
步骤602，获取待检测的变压器运行场景图像。
步骤604，将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图。
可选地，在将变压器运行场景图像输入至训练好的轻量级异常检测网络模型之前，获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；根据预设数量、预设尺寸和通道数量确定特征提取网络；在特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型；获取变压器的历史运行场景图像集；采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对历史运行场景图像集中进行数据增广，得到运行场景图像样本集；根据运行场景图像样本集对构建好的轻量级异常检测网络模型进行训练，得到训练好的轻量级异常检测网络模型。
步骤606，对各初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图。
步骤608，对通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图。
步骤610，对点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。
步骤612，对点卷积特征图和冗余特征图进行加权融合，得到融合特征图。
步骤614，通过全局平均池化层对融合特征图进行异常检测，确定变压器的异常类别。
具体地，对融合特征图进行池化处理，得到池化处理后的池化特征；在全连接层对池化特征进行处理，得到各异常类型的异常类别数；通过分类器对各异常类别数进行分类处理，得到对应的概率值；根据各概率值的数值大小，确定变压器的异常类别。
如图7所示，为一个实施例中变压器失火着火的检测示意图，将待检测的变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过特征提取网络进行特征提取，得到目标特征图，在全局平均池化层对目标特征图进行处理，得到池化特征， 在全连接层对池化特征进行处理，得到各异常类型的异常类别数；通过分类器对各异常类别数进行分类处理，得到对应的概率值；根据各概率值的数值大小，确定变压器的异常类别为变压器失火；其中，1、2、3、4、5、6代表不同异常类别，2代表变压器失火的概率值大于其他异常类别的概率值。
可选地，在一个实施例中，通过轻量级异常检测网络模型确定变压器的异常类别，将异常类别以文字形式进行显示或者音频数据形式进行播放，也可以将异常类别发送至检修对象所在的终端，对变压器异常进行及时处理，提高变压器的稳定性以及安全性。
上述变压器异常检测方法中，通过构建轻量级异常检测网络模型，即使用全局平均池化代替全连接层，减少了全连接层的参数与计算量，以及对获取的历史运行场景图像集通过数据增广，得到所需数量的运行场景图像样本集；基于运行场景图像样本集，对轻量级异常检测网络模型进行训练得到训练好的轻量级异常检测网络模型，将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，对变压器运行场景图像进行特征提取，得到变压器运行场景图像的点卷积特征图和冗余特征图；根据点卷积特征图和冗余特征图对变压器进行异常检测，得到变压器的异常类别；即在确保异常检测网络模型的性能的同时，通过模型优化后得到的轻量级异常检测网络模型对变压器运行场景图像进行检测，减少数据处理量，提高数据的处理效率，进而提升变压器异常的检测效率。
应该理解的是，虽然图2、图4-图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4-图6中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种变压器异常检测装置，包括：获取模块802、特征提取模块804、卷积处理模块806、特征处理模块808和检测模块810，其中：
获取模块802，用于获取待检测的变压器运行场景图像。
特征提取模块804，用于将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图。
卷积处理模块806，用于对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图。
特征处理模块808，用于根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图。
检测模块810，用于通过全局平均池化层对目标特征图进行异常检测，确定变压器的异常类别。
上述变压器异常检测装置中，通过获取待检测的变压器运行场景图像；将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，对变压器运行场景图像进行特征提取，得到变压器运行场景图像的点卷积特征图和冗余特征图；根据点卷积特征图和冗余特征图对变压器进行异常检测，得到变压器的异常类别；即在确保异常检测网络模型的性能的同时，通过模型优化后得到的轻量级异常检测网络模型对变压器运行场景图像进行检测，减少数据处理量，提高数据的处理效率，进而提升变压器异常的检测效率。
在另一个实施例中，提供了一种变压器异常检测装置，除包括获取模块802、特征提取模块804、卷积处理模块806、特征处理模块808和检测模块810之外，还包括：线性处理模块、融合模块、池化子模块、分类处理子模块、数据增广模块、构建模块和模型训练模块，其中：
在一个实施例中，卷积处理模块806还用于对各初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图。
在一个实施例中，卷积处理模块806还用于对通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图。
线性处理模块，用于对点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。
融合模块，用于对点卷积特征图和冗余特征图进行加权融合，得到融合特征图。
在一个实施例中，检测模块810还用于通过全局平均池化层对融合特征图进行异常检测，确定变压器的异常类别。
检测模块810中包括池化子模块和分类处理子模块，其中，池化子模块用于对融合特征图进行池化处理，得到池化处理后的池化特征；在全连接层对池化特征进行处理，得到各异常类型的异常类别数。
分类处理子模块用于通过分类器对各异常类别数进行分类处理，得到对应的概率值；根据各概率值的数值大小，确定变压器的异常类别。
在一个实施例中，获取模块802还用于获取变压器的历史运行场景图像集。
数据增广模块，用于采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对历史运行场景图像集中进行数据增广，得到运行场景图像样本集。
构建模块，用于构建轻量级异常检测网络模型。
模型训练模块用于通过轻量级异常检测网络模型对运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型。
在一个实施例中，获取模块802还用于获取卷积层的预设数量和卷积核的预设尺寸以及通道数量。
在一个实施例中，构建模块还用于根据预设数量、预设尺寸和通道数量确定特征提取网络；在特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型。
在一个实施例中，通过构建轻量级异常检测网络模型，即使用全局平均池化代替全连接层，减少了全连接层的参数与计算量，以及对获取的历史运行场景图像集通过数据增广，得到所需数量的运行场景图像样本集；基于运行场景图像样本集，对轻量级异常检测网络模型进行训练得到训练好的轻量级异常检测网络模型，将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，对变压器运行场景图像进行特征提取，得到变压器运行场景图像的点卷积特征图和冗余特征图；根据点卷积特征图和冗余特征图对变压器进行异常检测，得到变压器的异常类别；即在确保异常检测网络模型的性能的同时，通过模型优化后得到的轻量级异常检测网络模型对变压器运行场景图像进行检测，减少数据处理量，提高数据的处理效率，进而提升变压器异常的检测效率。
关于变压器异常检测装置的具体限定可以参见上文中对于变压器异常检测方法的限定，在此不再赘述。上述变压器异常检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC（近场通信）或其他技术实现。该计算机程序被处理器执行时以实现一种变压器异常检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图9中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取待检测的变压器运行场景图像；
将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图；
对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图；
通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对各初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；
对通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；
对点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对点卷积特征图和冗余特征图进行加权融合，得到融合特征图；
通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别，包括：
通过全局平均池化层对融合特征图进行异常检测，确定变压器的异常类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
对融合特征图进行池化处理，得到池化处理后的池化特征；
在全连接层对池化特征进行处理，得到各异常类型的异常类别数；
通过分类器对各异常类别数进行分类处理，得到对应的概率值；
根据各概率值的数值大小，确定变压器的异常类别。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取变压器的历史运行场景图像集；
采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对历史运行场景图像集中进行数据增广，得到运行场景图像样本集；
构建轻量级异常检测网络模型，通过轻量级异常检测网络模型对运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；
根据预设数量、预设尺寸和通道数量确定特征提取网络；
在特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取待检测的变压器运行场景图像；
将变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过轻量级异常检测网络模型的卷积层对变压器运行场景图像进行特征提取，得到对应的初始特征图；
对各初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据冗余特征图和点卷积特征图得到变压器运行场景图像的目标特征图；
通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对各初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；
对通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；
对点卷积特征图进行线性处理，得到第二预设数量个冗余特征图。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对点卷积特征图和冗余特征图进行加权融合，得到融合特征图；
通过全局平均池化层对特征图进行异常检测，确定变压器的异常类别，包括：
通过全局平均池化层对融合特征图进行异常检测，确定变压器的异常类别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
对融合特征图进行池化处理，得到池化处理后的池化特征；
在全连接层对池化特征进行处理，得到各异常类型的异常类别数；
通过分类器对各异常类别数进行分类处理，得到对应的概率值；
根据各概率值的数值大小，确定变压器的异常类别。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取变压器的历史运行场景图像集；
采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对历史运行场景图像集中进行数据增广，得到运行场景图像样本集；
构建轻量级异常检测网络模型，通过轻量级异常检测网络模型对运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；
根据预设数量、预设尺寸和通道数量确定特征提取网络；
在特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（Read-Only Memory，ROM）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（Random Access Memory，RAM）或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器（Static Random Access Memory，SRAM）或动态随机存取存储器（Dynamic Random Access Memory，DRAM）等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种变压器异常检测方法，其特征在于，所述方法包括：
构建轻量级异常检测网络模型，通过所述轻量级异常检测网络模型对运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型；
获取待检测的变压器运行场景图像；
将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
通过全局平均池化层对所述目标特征图进行异常检测，确定变压器的异常类别；
所述对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图，包括：
对各所述初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；
对所述通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；
对所述点卷积特征图进行线性处理，得到第二预设数量个冗余特征图；
所述轻量级异常检测网络模型的构建，包括：
获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；所述卷积层的预设数量、卷积核的预设尺寸以及通道数量根据轻量级异常检测网络模型的性能确定的；所述卷积层的预设数量为4；所述卷积核预设尺寸包括3*3和1*1；根据所述预设数量、所述预设尺寸和所述通道数量确定特征提取网络；
在所述特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在所述全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型；
所述通过全局平均池化层对所述目标特征图进行异常检测，确定变压器的异常类别，包括：
对所述点卷积特征图和所述冗余特征图进行加权融合，得到融合特征图；
对所述融合特征图进行池化处理，得到池化处理后的池化特征；
在全连接层对所述池化特征进行处理，得到各所述异常类型的异常类别数；
通过分类器对各所述异常类别数进行分类处理，得到对应的概率值；
根据各所述概率值的数值大小，确定变压器的异常类别。
2.根据权利要求1所述的方法，其特征在于，在所述构建轻量级异常检测网络模型之前，所述方法还包括：
获取变压器的历史运行场景图像集；
采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对所述历史运行场景图像集中进行数据增广，得到运行场景图像样本集。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述异常类别以文字形式进行显示或者音频数据形式进行播放。
4.根据权利要求2所述的方法，其特征在于，所述历史运行场景图像集包括正常历史运行场景图像集和异常历史运行场景图像集。
5.根据权利要求4所述的方法，其特征在于，所述异常历史运行场景图像集包括变压器冒烟、着火、局部放电、漏油运行场景图像。
6.根据权利要求1所述的方法，其特征在于，所述轻量级异常检测网络模型中依次设置用于提取特征的轻量级神经卷积网络和用于识别变压器异常类别的异常识别网络。
7.一种变压器异常检测装置，其特征在于，所述装置包括：
获取模块，用于获取待检测的变压器运行场景图像；
构建模块，用于构建轻量级异常检测网络模型；
构建模块还用于获取卷积层的预设数量和卷积核的预设尺寸以及通道数量；所述卷积层的预设数量、卷积核的预设尺寸以及通道数量根据轻量级异常检测网络模型的性能确定的；根据所述预设数量、所述预设尺寸和所述通道数量确定特征提取网络；在所述特征提取网络的最后一个卷积层依次设置全局平均池化层和全连接层，以及在所述全连接层的输出端设置预设数量的分类器，得到构建好的轻量级异常检测网络模型；
模型训练模块，用于通过轻量级异常检测网络模型对运行场景图像样本集进行特征提取和识别，得到训练好的轻量级异常检测网络模型；
特征提取模块，用于将所述变压器运行场景图像输入至训练好的轻量级异常检测网络模型中，通过所述轻量级异常检测网络模型的卷积层对所述变压器运行场景图像进行特征提取，得到对应的初始特征图；
卷积处理模块，用于对各所述初始特征图进行卷积处理，得到第一预设数量个点卷积特征图和第二预设数量个冗余特征图；
卷积处理模块还用于对各所述初始特征图进行逐通道卷积处理，根据通道卷积的权重值确定通道卷积特征图；对所述通道卷积特征图进行逐点卷积处理，根据点卷积的权重值得到第一预设数量个的点卷积特征图；
线性处理模块，用于对所述点卷积特征图进行线性处理，得到第二预设数量个冗余特征图；
特征处理模块，用于根据所述冗余特征图和所述点卷积特征图得到所述变压器运行场景图像的目标特征图；
检测模块，用于通过全局平均池化层对所述目标特征图进行异常检测，确定变压器的异常类别；
融合模块，用于对所述点卷积特征图和所述冗余特征图进行加权融合，得到融合特征图；
检测模块，还用于通过全局平均池化层对所述融合特征图进行异常检测，确定变压器的异常类别；所述检测模块包括池化子模块和分类处理子模块，所述池化子模块用于对融合特征图进行池化处理，得到池化处理后的池化特征；在全连接层对池化特征进行处理，得到各异常类型的异常类别数；
所述分类处理子模块用于通过分类器对各异常类别数进行分类处理，得到对应的概率值；根据各概率值的数值大小，确定变压器的异常类别。
8.根据权利要求7所述的装置，其特征在于，所述装置还包括：
获取模块还用于获取变压器的历史运行场景图像集；
数据增广模块，用于采用水平翻转、缩放、裁剪、平移、调节对比度、色彩抖动和增加噪声中至少一种处理方式对历史运行场景图像集中进行数据增广，得到运行场景图像样本集。
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序时实现权利要求1至6中任一项所述的方法的步骤。
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6中任一项所述的方法的步骤。
CN202110173383.2A 2021-02-09 2021-02-09 变压器异常检测方法、装置、计算机设备和存储介质 Active CN112508137B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110173383.2A CN112508137B (zh) 2021-02-09 2021-02-09 变压器异常检测方法、装置、计算机设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110173383.2A CN112508137B (zh) 2021-02-09 2021-02-09 变压器异常检测方法、装置、计算机设备和存储介质

Publications (2)

Publication Number Publication Date
CN112508137A CN112508137A (zh) 2021-03-16
CN112508137B true CN112508137B (zh) 2021-07-06

Family

ID=74952814

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110173383.2A Active CN112508137B (zh) 2021-02-09 2021-02-09 变压器异常检测方法、装置、计算机设备和存储介质

Country Status (1)

Country Link
CN (1) CN112508137B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018788B (zh) * 2022-06-02 2023-11-14 常州晋陵电力实业有限公司 基于智能机器人的架空线异常检测方法和系统
CN117765363A (zh) * 2024-02-22 2024-03-26 山东省计算中心（国家超级计算济南中心） 一种基于轻量型记忆库的图像异常检测方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020051816A1 (en) * 2018-09-13 2020-03-19 Intel Corporation Condense-expansion-depth-wise convolutional neural network for face recognition
CN111160383A (zh) * 2019-11-21 2020-05-15 国网江苏省电力有限公司电力科学研究院 一种自适应的油浸式变压器火灾模型预警检测方法
CN111524118A (zh) * 2020-04-22 2020-08-11 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN112070134A (zh) * 2020-08-28 2020-12-11 广东电网有限责任公司 电力设备图像分类方法、装置、电力设备及存储介质
CN112070135A (zh) * 2020-08-28 2020-12-11 广东电网有限责任公司 电力设备图像检测方法、装置、电力设备及存储介质
CN112272832A (zh) * 2018-05-28 2021-01-26 三星电子株式会社 用于基于dnn的成像的方法和系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9564927B2 (en) * 2015-05-27 2017-02-07 John P Fonseka Constrained interleaving for 5G wireless and optical transport networks
CN108108811B (zh) * 2017-12-18 2021-07-30 南京地平线机器人技术有限公司 神经网络中的卷积计算方法和电子设备
WO2020165848A1 (en) * 2019-02-14 2020-08-20 Hatef Otroshi Shahreza Quality assessment of an image
CN110852348B (zh) * 2019-10-18 2022-09-30 北京迈格威科技有限公司 特征图处理方法、图像处理方法及装置
CN111833246B (zh) * 2020-06-02 2022-07-08 天津大学 基于注意力级联网络的单帧图像超分辨方法
CN112288630A (zh) * 2020-10-27 2021-01-29 武汉大学 一种基于改进的广泛深度神经网络的超分辨率图像重建方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112272832A (zh) * 2018-05-28 2021-01-26 三星电子株式会社 用于基于dnn的成像的方法和系统
WO2020051816A1 (en) * 2018-09-13 2020-03-19 Intel Corporation Condense-expansion-depth-wise convolutional neural network for face recognition
CN111160383A (zh) * 2019-11-21 2020-05-15 国网江苏省电力有限公司电力科学研究院 一种自适应的油浸式变压器火灾模型预警检测方法
CN111524118A (zh) * 2020-04-22 2020-08-11 广东电网有限责任公司东莞供电局 变压器的运行状态检测方法、装置、计算机设备和存储介质
CN112070134A (zh) * 2020-08-28 2020-12-11 广东电网有限责任公司 电力设备图像分类方法、装置、电力设备及存储介质
CN112070135A (zh) * 2020-08-28 2020-12-11 广东电网有限责任公司 电力设备图像检测方法、装置、电力设备及存储介质

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
GhostNet: More Features from Cheap Operations;Kai Han 等;《IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)》;20200619;第1577-1586页 *
Remote Sensing Scene Classification Based on Improved GhostNet;Wei B 等;《Journal of Physics: Conference Series》;20200726;第1621卷;第1-7页 *
U2-ONet: A Two-Level Nested Octave U-Structure Network with a Multi-Scale Attention Mechanism for Moving Object Segmentation;Wang C 等;《Remote Sensing》;20210131;第13卷(第1期);第1-19页 *
人体姿态估计网络的轻量化设计;高丙坤 等;《实验室研究与探索》;20200125;第39卷(第1期);第79-82页 *
基于深度学习和最大相关最小冗余的火焰图像检测方法;李梓瑞 等;《激光与光电子学进展》;20200525;第57卷(第10期);第160-170页 *
电力变压器故障特征提取及诊断方法研究;工程科技Ⅱ辑》;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20200215(第2期);第C042-504页 *

Also Published As

Publication number Publication date
CN112508137A (zh) 2021-03-16

Similar Documents

Publication Publication Date Title
CN111274995B (zh) 视频分类方法、装置、设备和计算机可读存储介质
CN111179177B (zh) 图像重建模型训练方法、图像重建方法、设备及介质
CN112508137B (zh) 变压器异常检测方法、装置、计算机设备和存储介质
CN113239874B (zh) 基于视频图像的行为姿态检测方法、装置、设备及介质
CN110825068A (zh) 一种基于pca-cnn的工业控制系统异常检测方法
CN107909147A (zh) 一种数据处理方法及装置
CN113888514A (zh) 导地线缺陷检测方法、装置、边缘计算设备和存储介质
CN111325159B (zh) 故障诊断方法、装置、计算机设备和存储介质
CN112001983B (zh) 生成遮挡图像的方法、装置、计算机设备和存储介质
CN114332977A (zh) 关键点检测方法、装置、电子设备及存储介质
CN116453056A (zh) 目标检测模型构建方法和变电站异物入侵检测方法
CN113538370A (zh) 电网巡检方法、装置、计算机设备和存储介质
CN117033039A (zh) 故障检测方法、装置、计算机设备和存储介质
CN114419558B (zh) 火灾视频图像识别方法、系统、计算机设备及存储介质
CN116543333A (zh) 电力系统的目标识别方法、训练方法、装置、设备和介质
CN115656747A (zh) 基于异构数据的变压器缺陷诊断方法、装置和计算机设备
CN113222370B (zh) 电力系统风险预警方法、装置、设备及存储介质
CN111476086B (zh) 烟火识别方法、装置、计算机设备和可读存储介质
CN113610837A (zh) 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法
US20210097394A1 (en) Method and apparatus for compressing deep learning model
CN113743448B (zh) 模型训练数据获取方法、模型训练方法和装置
CN116188998B (zh) 输电架空线路缺陷识别方法、装置、设备和存储介质
CN117454241A (zh) 监控告警事件的分析方法、装置和计算机设备
WO2024038505A1 (ja) 映像処理装置、映像処理システム及び映像処理方法
CN115081898A (zh) 电网运行风险识别方法、装置、计算机设备和存储介质

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230727

Address after: Room 822, Room 406, No. 1, Yichang Street, Zhongxin Ciudad del Saber, Huangpu District, Guangzhou, Guangdong 510000

Patentee after: China Southern Power Grid Artificial Intelligence Technology Co.,Ltd.

Address before: Room 86, room 406, No.1, Yichuang street, Zhongxin Guangzhou Knowledge City, Huangpu District, Guangzhou City, Guangdong Province

Patentee before: Southern Power Grid Digital Grid Research Institute Co.,Ltd.

TR01 Transfer of patent right