CN113989487A - 一种面向实景调度的故障缺陷检测方法及系统 - Google Patents

一种面向实景调度的故障缺陷检测方法及系统 Download PDF

Info

Publication number
CN113989487A
CN113989487A CN202111222524.1A CN202111222524A CN113989487A CN 113989487 A CN113989487 A CN 113989487A CN 202111222524 A CN202111222524 A CN 202111222524A CN 113989487 A CN113989487 A CN 113989487A
Authority
CN
China
Prior art keywords
power grid
grid equipment
detection
live
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
CN202111222524.1A
Other languages
English (en)
Inventor
张庆锐
孙丽丽
翟洪婷
卞若晨
翟启
张延童
卜宪德
罗威
李亮
王敏
杨坤
郑广宁
毛恒
李青
张化代
张茜
高亮
王宝海
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.)
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Shandong Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Information and Telecommunication Branch of State Grid Shandong Electric Power 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 State Grid Corp of China SGCC, Information and Telecommunication Branch of State Grid Shandong Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202111222524.1A priority Critical patent/CN113989487A/zh
Publication of CN113989487A publication Critical patent/CN113989487A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本公开属于智能识别技术领域，提供了一种面向实景调度的故障缺陷检测方法及系统，包括以下步骤：获取电网设备图像信息；根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。本公开基于改进的单精度目标检测算法在骨干网网络中加入双层注意力机制，泛化提取的不同场景和大小的电网设备缺陷所具有的特征表示，突出特征之间的可区分度，提高了特征融合能力，提高针对小目标的检测以及抗图片噪声能力，使电网设备缺陷的检测精准度显著提高。

Description

一种面向实景调度的故障缺陷检测方法及系统
技术领域
本公开属于智能识别技术领域，具体涉及一种面向实景调度的故障缺陷检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
电网实景调度指的是调度人员利用信息化技术对电网中的相关信息进行采集，然后获取所需要的信息，并结合其运作情况和近期的记录来判断设备是否有问题。随着我国经济的不断发展，国家电网的输电线路里程日益增加，根据电网设备的缺陷情况，进行合理的电网实景调度，成为保障高压供电安全、维护电力系统正常工作的基本前提。为避免或减少由于电网设备缺陷带来不利影响，对电网设备进行有效监测，及时维修尤为重要。
目前电网设备的缺陷检测普遍采用人工方法，不仅识别不准确，巡检时间长，甚至会出现电网设备缺陷维修不及时导致大规模输电中断，造成严重的经济损失。此外，维修人员是维修过程中的重要资源，也是稀缺资源。如果不能及时准确地发现电网设备故障点，难以合理有效地调度维修人员，可能会发生“严重故障点处找不到人、正常点或小故障处挤满人”的情况，导致调度人员资源严重浪费。
因此及时精准进行电网设备缺陷检测是合理的进行电网实景调度的重要前提之一。
随着无人机技术和深度学习技术的不断发展，基于无人机的智能目标检测算法开始在电力领域使用。当前目标检测算法分为双阶段目标检测算法和单阶段目标两部分。双阶段目标检测方法，比如R-CNN系算法，该类方法首先通过区域建议策略(RegionProposals Strategy,RPS)生成若干目标候选区域，进行特征提取后利用支持向量机识别目标类别，最后输出图像中的目标类型并标记其位置，此方法对电网设备检测精度较高，但是检测速度较慢，权重文件较大，不满足无人机巡检的轻量化和实时性的要求。单精度目标检测方法，如YOLO系列和SSD算法，该类方法利用深度卷积神经网路提取的特征直接对目标进行识别和定位。此类方法满足无人机所需要的轻量化、实时性的要求，但是检测精度低、漏检误检率高，不满对电网实景的精准调度的要求。
综上所述，如何在保留单精度目标检测算法的轻量化和实时性的基础下，提高对电网设备的缺陷识别精准度，降低漏检和误检情况，满足对电网实景的准确调度要求，成为了目前业内人士所亟待解决的问题。
发明内容
为了解决上述问题，本公开提出了一种面向实景调度的故障缺陷检测方法及系统，通过对单精度目标检测算法的改进，实现对无人机航拍的电网设备图中的缺陷位置的精准定位，进一步实现对电网实景精准调度需求。
根据一些实施例，本公开的第一方案提供了一种面向实景调度的故障缺陷检测方法，采用如下技术方案：
一种面向实景调度的故障缺陷检测方法及系统，包括以下步骤：
获取电网设备图像信息；
根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；
其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。
作为进一步的技术限定，所述获取电网设备图像信息之后，通过光调节、锐化和添加噪声的方式进行图像信息的数据增强，扩充图像样本数据集，使用聚类算法优化先验框参数，以提高先验框与目标的匹配度。
进一步的，所述使用聚类算法优化先验框参数的过程为：确定聚类样本，即基于无人机拍摄的电网设备数据集中的样本集；基于k-means++聚类算法对默认候选框尺度和宽高比两个样本集进行聚类。
作为进一步的技术限定，所述检测识别模型采用改进的单精度目标检测算法，在骨干网络的CSP1_3和CSP2_1的位置后分别加入注意力机制，构建用于强化含有重要信息的通道特征的双层注意力特征提取机制，以降低电网设备的缺陷位置的漏检率。
作为进一步的技术限定，在所述单精度目标检测算法中采用非极大值抑制将边界框和真实框之间重叠的面积和中心点距离共同来作为对冗余框的剔除标准，加快收敛速度。
作为进一步的技术限定，基于检测识别模型对所获取的图像信息进行识别，得到电网设备的受损情况，基于受损情况判断电网设备的运行状态。
作为进一步的技术限定，所述电网设备的受损情况包括一般受损情况和紧急受损情况；其中，所述一般受损情况是置信度小于设定阈值已经受损程度较小的电网设备所在区域，所述紧急受损情况是置信度大于设定阈值或者受损程度严重的电网设备所区域。
根据一些实施例，本公开的第二方案提供了一种面向实景调度的故障缺陷检测系统，采用如下技术方案：
一种面向实景调度的故障缺陷检测系统，包括：
获取模块，被配置为获取电网设备图像信息；
检测模块，被配置为根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；
其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的面向实景调度的故障缺陷检测方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的面向实景调度的故障缺陷检测方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开与传统的检测识别模型相比，基于改进的单精度目标检测算法在骨干网网络中加入双层注意力机制，泛化提取的不同场景和大小的电网设备缺陷所具有的特征表示，突出特征之间的可区分度，提高了特征融合能力，提高针对小目标的检测以及抗图片噪声能力，使电网设备缺陷的检测精准度显著提高。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的面向实景调度的故障缺陷检测方法的流程图；
图2是本公开实施例一中的改进的精度目标检测算法的整体结构图；
图3是本公开实施例一中的注意力机制的结构图；
图4是本公开实施例一中的添加双层注意力机制后的骨干网结构图；
图5是本公开实施例一中的BiFPN的结构图；
图6是本公开实施例二中的面向实景调度的故障缺陷检测系统的结构框图；
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
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公开的示例性实施方式。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。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种面向实景调度的故障缺陷检测方法。
如图1所示的一种面向实景调度的故障缺陷检测方法，包括以下步骤：
获取电网设备图像信息；
根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；
其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。
整体方案的设计如图2所示：
1.图像数据集的制作与先验框修正
为了提高模型的泛化性能，增加对对场景下对电网设备缺陷识别的鲁邦性，本实施例对无人机采集的电网设备正常图片和缺陷图片，通过光调节、翻转、锐化、添加噪声的方式进行数据增强，其中光调节度从-5到+5；
在实施例中，单精度目标检测算法采用YOLOv5目标检测算法。
YOLOv5的初始锚框参数[116,90,156,198,373,326]、[30,61,62,45,59,119]、[10,13,16,30,33,23]并不适合本实施例任务检测，所以采用K-means++算法对初始锚框进行修正，修正的后的锚框为[116,90,156,198,373,326]、[30,61,62,45,59,119]、[10,13,16,30,33,23]，其中，使用K-means++聚类算法优化先验框参数所述步骤如下：
首先确定聚类样本，其中默认候选框尺度聚类样本集为s＝{s1,…,sk,…,st}，共t个样本，即无人机拍摄的电网设备数据集中所标注的t个电网设备目标尺度，
Figure BDA0003313138790000081
为样本集中第k个样本，wk、hk别为无人机拍摄的电网设备数据集中所标注的第k个电网设备目标边界框的宽高信息，wo、ho则分别为原始图像的宽高信息。r＝{r1,…,rk,…,rt}，与尺度样本集相同，共t个样本，即数据集中标注的t个电网设备目标的宽高比例信息，其中rk＝wkhk/woho；其次运用k-means++聚类算法对默认候选框尺度和宽高比两个样本集进行聚类。包括初始化k个聚类中心以及进行标准K-means聚类迭代两个步骤，在两个步骤中所采用距离公式均为：
Figure BDA0003313138790000082
式中μsj和μrj分别是针对尺度样本集s和宽高比样本集r聚类过程中的第j个聚类中心。
2.对数据增强后的图像样本使用LabelImg进行标注，使用矩形框标注出电网设备位置和缺陷处位置，并对标注的数据集按照7:3的比例分成训练集和测试集。
3.构建改进的YOLOv5l网络
在骨干网络的CSP1_3和CSP2_1的位置后分别加入注意力机制，构建一个双层注意力特征提取机制。
由于电网设备缺陷检测目标较小，传统的骨干网对电网设备缺陷特征提取能力不强，本实施例法提出了双层注意力机制结构，用于强化含有重要信息的通道特征，提高对重要特征信息的提取能力，从而降低电网设备的缺陷位置的漏检率。其中，注意力机制工作机制如图3所示，双层注意力机制后的骨干网流程图如图4所示，具体的算法步骤如下：
对通过CSP1_3模块和CSP2_1后输入的特征图(h×w×c)进行全局池化，池化窗口大小为(h×w)，通道数不变，输出为(1×1×c)的特征描述，相关计算公式为：
Figure BDA0003313138790000091
其中，Zc为池化后的输出特征图，H、W表示输入特征图的宽和高，μc为输入特征图；
然后经过两个全连接层，分别具有个c/r神经元和具有c个神经元，从而可以更好地拟合通道间复杂的相关性，最后通过Sigmod激活函数的到一个输出为(1×1×c)权重因子并与原本的输入特征图进行相乘，从而获得不同比重的输出特征图，具体的公式为：
S＝Fex(z,W)＝σ(g(z,W))＝σ(W2δ(W1z))
Figure BDA0003313138790000092
其中，z为squeeze操作获得的全局信息，δ表示Relu函数，W1，W2为两个全连接层的系数，其中
Figure BDA0003313138790000093
r为缩放参数，用来降低网络的计算复杂度和参数量，Uc为输入各通道的初始权重。
使用BiFPN结构代替原本的PAN结构，通过权重更好平衡不同尺度的特征信息，提高了特征融合能力。
PANet结构虽然可以将高层特征图的强语义信息与低层特征图的定位信息进行双向融合，但是融合时是将不同层级的特征直接进行相加，并未考虑它们最后输出贡献不等的问题。为了使网络更加高效，并让网络可以学习不同的输入特征权重，本文使用BiFPN结构代替原本的PAN结构，通过权重更好平衡不同尺度的特征信息，提高了特征融合能力，具体的结构图如图5所示，相关算法设计步骤如下：
改变YOLOv5通道中使用的concat工作，采用pairwise add操作代替，同时引入横向通道，通过权重可以更好地平衡不同尺度的特征信息。具体过程是，在YOLOv5第2个concat模块中添加第1层注意力机制输出特征图和在第3个concat模块中使用第二层注意机制通过CBL后的输出的特征图，添加和修改后的特征与原本要融合的特征进行pairwiseadd操作，涉及的相关公式如下：
Figure BDA0003313138790000101
其中，
Figure BDA0003313138790000102
表示第i层的输出和输入特征图，ω′i(i＝1,2,3)表示在做pairwise add操作时所代表的权重，根据特征图关系自适应产生，Resize(.)是一个上采样或者一个下采样操作的分辨率匹配，Conv表示的特征处理过程中的卷积操作，
Figure BDA0003313138790000116
为一个大于零的修正因子，避免分母为零，
Figure BDA0003313138790000111
表示第i层的中间输出特征图，其计算过程如下：
Figure BDA0003313138790000112
其中，ωi(i＝1,2)也是自适应权重因子，其他公式符号含义与上式一致。
3.使用DIoU-NMS代替NMS，提高后续分类网络的识别准确率
NMS是目标检测常用的后处理算法，用于剔除冗余检测框。但是传统的NMS只考虑两个框的重叠面积，对边界框与真实框重叠关系的描述不够全面，时常会产生错误的抑制。因此本文选取DIOU-NMS来代替原本的NMS，DIOU-NMS将边界框和真实框之间重叠的面积和中心点距离共同来作为对冗余框的剔除标准，加快了收敛速度，提高了检查精准度。具体公式如下：
Figure BDA0003313138790000113
其中，si是不同类别的评分，M为得分最高的边界框，IOU表示边界框和预真实框的交并比,ε是设置的NMS的阈值，RDIoU(·)表示式DIOU惩罚因子；
Figure BDA0003313138790000114
Figure BDA0003313138790000115
其中，ρ2(b,bgt)表示边界框和真实框中心点之间的距离，c2表示两个框的最小外接矩的对角线长度，Bgt和B分别表示真实框和边界框。5.根据服务器性能和为了得到更好的训练效果，本文将模型训练所需要超参数进行设置，其中，将迭代批量设置大小2，衰减系数为0.0005，总迭代次数为300次，初始学习率设置为0.001。
6.将装载改进YOLOv5模型的无人机进行区域巡检，并将检测出缺陷电网设备相关信息输入电网实景调度系统中进行判断，然后根据设备故障程度，进行合理有效的人员调度分发，具体步骤如下：
1)无人机通过改进的YOLOv5模型把检测出缺陷的电网设备进行实景回传，并在回传的缺陷图片上标注缺陷位置、设备类别、缺陷识别置信度、以及无人机拍摄区域的位置信息；
2)根据回传图片中的缺陷置信度和缺陷位置受损大小，系统自动进行受损情况分类，将置信度小于设定阈值已经受损程度较小的电网设备所在区域记作为一般受损情况，反之，对置信度大于设定阈值或者受损程度严重的电网设备所区域，记作为紧急受损情况；
3)对于一般受损情况，系统会自动将该区域的位置信息记入后台并发出预警，若当前人员调度紧张，事件后移，若当前人员充足，经过调度人员确定，派遣相关设备类别人员去维修；
4)对于紧急情况，系统会将实景回传图片以及相关无人机的判断信息发送给调度人员进行进一步确定，如果调度人员对设备受损程度存在质疑，通过给系统同下达回传指令，无人机收到该指令后，会对电网缺陷设备进行多方位拍摄，并将拍摄结果进行二次实景回传，等待调度人员再次确认，如果调度人员确认该电网设备受损严重，会下发紧急调度指令，并调度相关的电设备维修人员进行维修，如果调度人员判断该区域正常，系统将删除该区域的紧急受损情况信息，无人机继续巡检该区域的其他设备。
本实施例中所介绍的方法与传统的检测识别模型相比，基于改进的单精度目标检测算法在骨干网网络中加入双层注意力机制，泛化提取的不同场景和大小的电网设备缺陷所具有的特征表示，突出特征之间的可区分度，提高了特征融合能力，提高针对小目标的检测以及抗图片噪声能力，使电网设备缺陷的检测精准度显著提高。
实施例二
本公开实施例二介绍了一种面向实景调度的故障缺陷检测系统，采用了实施例一中所介绍的面向实景调度的故障缺陷检测方法。
如图6所示的一种面向实景调度的故障缺陷检测系统，包括：
获取模块，被配置为获取电网设备图像信息；
检测模块，被配置为根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；
其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。
详细步骤与实施例一提供的面向实景调度的故障缺陷检测方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的面向实景调度的故障缺陷检测方法中的步骤。
详细步骤与实施例一提供的面向实景调度的故障缺陷检测方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的面向实景调度的故障缺陷检测方法及系统中的步骤。
详细步骤与实施例一提供的面向实景调度的故障缺陷检测方法及系统相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (10)

1.一种面向实景调度的故障缺陷检测方法，其特征在于，包括以下步骤：
获取电网设备的图像信息；
根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；
其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。
2.如权利要求1中所述的一种面向实景调度的故障缺陷检测方法，其特征在于，所述获取电网设备图像信息之后，通过光调节、锐化和添加噪声的方式进行图像信息的数据增强，扩充图像样本数据集，使用聚类算法优化先验框参数，以提高先验框与目标的匹配度。
3.如权利要求2中所述的一种面向实景调度的故障缺陷检测方法，其特征在于，所述使用聚类算法优化先验框参数的过程为：
确定聚类样本，即基于无人机拍摄的电网设备数据集中的样本集；
基于k-means++聚类算法对默认候选框尺度和宽高比两个样本集进行聚类。
4.如权利要求1中所述的一种面向实景调度的故障缺陷检测方法，其特征在于，所述检测识别模型采用改进的单精度目标检测算法，在骨干网络的CSP1_3和CSP2_1的位置后分别加入注意力机制，构建用于强化含有重要信息的通道特征的双层注意力特征提取机制，以降低电网设备的缺陷位置的漏检率。
5.如权利要求1中所述的一种面向实景调度的故障缺陷检测方法，其特征在于，在所述单精度目标检测算法中采用非极大值抑制将边界框和真实框之间重叠的面积和中心点距离共同来作为对冗余框的剔除标准，加快收敛速度。
6.如权利要求1中所述的一种面向实景调度的故障缺陷检测方法，其特征在于，基于检测识别模型对所获取的图像信息进行识别，得到电网设备的受损情况，基于受损情况判断电网设备的运行状态。
7.如权利要求1中所述的一种面向实景调度的故障缺陷检测方法，其特征在于，所述电网设备的受损情况包括一般受损情况和紧急受损情况；其中，所述一般受损情况是置信度小于设定阈值已经受损程度较小的电网设备所在区域，所述紧急受损情况是置信度大于设定阈值或者受损程度严重的电网设备所区域。
8.一种面向实景调度的故障缺陷检测系统，其特征在于，包括：
获取模块，被配置为获取电网设备图像信息；
检测模块，被配置为根据所获取的图像信息和预设的检测识别模型，判断电网设备的运行状态，识别电网设备的故障缺陷程度；
其中，所述检测识别模型采用双层注意力机制提取不同尺度的图像特征信息，基于单精度目标检测算法进行所获取的图像信息的检测识别，得到电网设备的检测识别结果，基于电网实景调度进行电网设备运行状态的判断，对电网设备的缺陷程度进行识别。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的面向实景调度的故障缺陷检测方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的面向实景调度的故障缺陷检测方法中的步骤。
CN202111222524.1A 2021-10-20 2021-10-20 一种面向实景调度的故障缺陷检测方法及系统 Pending CN113989487A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111222524.1A CN113989487A (zh) 2021-10-20 2021-10-20 一种面向实景调度的故障缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111222524.1A CN113989487A (zh) 2021-10-20 2021-10-20 一种面向实景调度的故障缺陷检测方法及系统

Publications (1)

Publication Number Publication Date
CN113989487A true CN113989487A (zh) 2022-01-28

Family

ID=79739677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111222524.1A Pending CN113989487A (zh) 2021-10-20 2021-10-20 一种面向实景调度的故障缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN113989487A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359285A (zh) * 2022-03-18 2022-04-15 南方电网数字电网研究院有限公司 基于视觉上下文约束学习的电网缺陷检测方法和装置
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115828125A (zh) * 2022-11-17 2023-03-21 盐城工学院 一种基于信息熵特征加权模糊聚类方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951212A (zh) * 2020-04-08 2020-11-17 北京交通大学 对铁路的接触网图像进行缺陷识别的方法
CN112819804A (zh) * 2021-02-23 2021-05-18 西北工业大学 一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法
CN112837315A (zh) * 2021-03-05 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于深度学习的输电线路绝缘子缺陷检测方法
WO2021151336A1 (zh) * 2020-09-08 2021-08-05 平安科技（深圳）有限公司 基于注意力机制的道路图像目标检测方法及相关设备

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111951212A (zh) * 2020-04-08 2020-11-17 北京交通大学 对铁路的接触网图像进行缺陷识别的方法
WO2021151336A1 (zh) * 2020-09-08 2021-08-05 平安科技（深圳）有限公司 基于注意力机制的道路图像目标检测方法及相关设备
CN112819804A (zh) * 2021-02-23 2021-05-18 西北工业大学 一种基于改进YOLOv5卷积神经网络的绝缘子缺陷检测方法
CN112837315A (zh) * 2021-03-05 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于深度学习的输电线路绝缘子缺陷检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114359285A (zh) * 2022-03-18 2022-04-15 南方电网数字电网研究院有限公司 基于视觉上下文约束学习的电网缺陷检测方法和装置
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115049620B (zh) * 2022-06-17 2024-03-26 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115828125A (zh) * 2022-11-17 2023-03-21 盐城工学院 一种基于信息熵特征加权模糊聚类方法及系统

Similar Documents

Publication Publication Date Title
CN107316007B (zh) 一种基于深度学习的监控图像多类物体检测与识别方法
CN113989487A (zh) 一种面向实景调度的故障缺陷检测方法及系统
CN111368690B (zh) 基于深度学习的海浪影响下视频图像船只检测方法及系统
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN108537215A (zh) 一种基于图像目标检测的火焰检测方法
CN111507371B (zh) 自动评估对训练图像的标签可靠性的方法和装置
CN114240821A (zh) 一种基于改进型yolox的焊缝缺陷检测方法
CN110490842A (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN110276247A (zh) 一种基于YOLOv3-Tiny的行车检测方法
CN110008899B (zh) 一种可见光遥感图像候选目标提取与分类方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN113724219A (zh) 基于卷积神经网络的建筑物表面病害检测方法及系统
Shangzheng A traffic sign image recognition and classification approach based on convolutional neural network
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN116523881A (zh) 一种电力设备异常温度检测方法及装置
CN111339927A (zh) 一种电力营业厅人员工作状态智能识别系统
CN113379603B (zh) 一种基于深度学习的船舶目标检测方法
CN110321775A (zh) 一种基于多旋翼无人机的水上落水人员自主识别方法
CN110765900B (zh) 一种基于dssd的自动检测违章建筑方法及系统
CN117495825A (zh) 一种变电站塔杆异物检测方法
CN112287895A (zh) 用于河流排污口检测的模型构建方法、识别方法及系统
CN112132088A (zh) 一种巡检点位漏巡识别方法
CN112200101A (zh) 基于人工智能的面向海事业务的视频监控与分析方法
CN113780462A (zh) 基于无人机航拍图像的车辆检测网络建立方法及其应用
CN115311533B (zh) 车门滑动轨道折断故障检测方法

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