CN114037869A - 一种应用于紫外成像仪的高压设备诊断预警方法及系统 - Google Patents
一种应用于紫外成像仪的高压设备诊断预警方法及系统 Download PDFInfo
- Publication number
- CN114037869A CN114037869A CN202111312567.9A CN202111312567A CN114037869A CN 114037869 A CN114037869 A CN 114037869A CN 202111312567 A CN202111312567 A CN 202111312567A CN 114037869 A CN114037869 A CN 114037869A
- Authority
- CN
- China
- Prior art keywords
- image
- discharge
- training
- severity level
- voltage equipment
- 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
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 166
- 238000000034 method Methods 0.000 title claims abstract description 53
- 208000028659 discharge Diseases 0.000 claims abstract description 260
- 238000012549 training Methods 0.000 claims abstract description 141
- 238000012795 verification Methods 0.000 claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 claims 1
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000013473 artificial intelligence Methods 0.000 abstract description 6
- 238000003384 imaging method Methods 0.000 abstract description 5
- 238000010801 machine learning Methods 0.000 abstract description 5
- 238000003860 storage Methods 0.000 description 15
- 230000000694 effects Effects 0.000 description 8
- 238000003032 molecular docking Methods 0.000 description 7
- 238000009413 insulation Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009422 external insulation Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012550 audit Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000010494 dissociation reaction Methods 0.000 description 1
- 230000005593 dissociations Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种应用于紫外成像仪的高压设备诊断预警方法及系统，其中，所述方法包括：生成高压设备放电图像集合；生成第一训练图像集合、第一验证图像集合；获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；构建场景图像分类‑卷积神经网络模型；获得第一验证图像集合的训练图像诊断结果；通过专家系统进行图像诊断，获得实际图像诊断结果；根据场景图像分类‑卷积神经网络模型对高压设备放电图像进行诊断。解决了现有技术中存在紫外成像仪缺乏一体化的图像处理技术，无法在成像的同时，快速准确的获得高压设备局部放电的准确信息，缺乏基于机器学习的人工智能诊断的技术问题。
Description
技术领域
本发明涉及高压设备故障诊断领域，具体涉及一种应用于紫外成像仪的高压设备诊断预警方法及系统。
背景技术
随着电力系统快速发展，电网电压等级越来越高，覆盖范围越来越广，电力设备的安全可靠运行也越来越重要。由于电力设备一般都处于室外，不可避免地会产生绝缘损坏、老化等现象，局部放电也会随之产生。局部放电能加快对电力设备绝缘的破坏，降低绝缘寿命，严重影响设备的安全运行。国内外近年来研发的紫外成像仪凭借检测远距离、非接触、抗干扰、实时性等优点，适合于高压设备外绝缘特性的在线监测和故障诊断，有效替代了传统的超声波检测仪和红外热像仪等设备。
但本申请发明人在实现本申请实施例中发明技术方案的过程中，发现上述技术至少存在如下技术问题：
存在紫外成像仪缺乏一体化的图像处理技术，无法在成像的同时，快速准确的获得高压设备局部放电的准确信息，缺乏基于机器学习的人工智能诊断的问题。
发明内容
本申请实施例通过提供了一种应用于紫外成像仪的高压设备诊断预警方法及系统，解决了现有技术中存在紫外成像仪缺乏一体化的图像处理技术，无法在成像的同时，快速准确的获得高压设备局部放电的准确信息，缺乏基于机器学习的人工智能诊断的技术问题。达到了通过大量高压设备放电图像与专家系统判断标定，形成不同级别高压设备放电图像的准确真值样本，利用深度学习框架对不同放电级别样本进行网络训练，实现放电级别的分类诊断，及时预警的技术效果。
鉴于上述问题，本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警方法及系统。
第一方面，本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警方法，其中，所述方法包括：基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
另一方面，本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警系统，其中，所述系统包括：第一获得单元，所述第一获得单元用于基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；第一生成单元，所述第一生成单元用于对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；第二生成单元，所述第二生成单元用于将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；第二获得单元，所述第二获得单元用于根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；第一构建单元，所述第一构建单元用于基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；第三获得单元，所述第三获得单元用于将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；第四获得单元，所述第四获得单元用于将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；第一判断单元，所述第一判断单元用于判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；第一执行单元，所述第一执行单元用于若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
第三方面，本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警系统，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计算机程序，其中，所述处理器执行所述程序时实现第一方面任一项所述方法的步骤。
本申请实施例中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：
由于采用了基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断的技术方案，本申请实施例通过提供了一种应用于紫外成像仪的高压设备诊断预警方法及系统，达到了通过大量高压设备放电图像与专家系统判断标定，形成不同级别高压设备放电图像的准确真值样本，利用深度学习框架对不同放电级别样本进行网络训练，实现放电级别的分类诊断，及时预警的技术效果。
上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例一种应用于紫外成像仪的高压设备诊断预警方法的流程示意图；
图2为本申请实施例一种应用于紫外成像仪的高压设备诊断预警方法的构建所述专家系统的流程示意图；
图3为本申请实施例一种应用于紫外成像仪的高压设备诊断预警方法的生成分布式训练图像集合的流程示意图；
图4为本申请实施例一种应用于紫外成像仪的高压设备诊断预警方法的训练场景图像分类-卷积神经网络模型的流程示意图；
图5为本申请实施例一种应用于紫外成像仪的高压设备诊断预警方法的诊断第一区域的高压设备放电图像的流程示意图；
图6为本申请实施例一种应用于紫外成像仪的高压设备诊断预警方法的优化场景图像分类-卷积神经网络模型的流程示意图；
图7为本申请实施例一种应用于紫外成像仪的高压设备诊断预警系统的结构示意图；
图8为本申请实施例示例性电子设备的结构示意图。
附图标记说明：第一获得单元11，第一生成单元12，第二生成单元13，第二获得单元14，第一构建单元15，第三获得单元16，第四获得单元17，第一判断单元18，第一执行单元19，电子设备300，存储器301，处理器302，通信接口303，总线架构304。
具体实施方式
本申请实施例通过提供了一种应用于紫外成像仪的高压设备诊断预警方法及系统，解决了现有技术中存在紫外成像仪缺乏一体化的图像处理技术，无法在成像的同时，快速准确的获得高压设备局部放电的准确信息，缺乏基于机器学习的人工智能诊断的技术问题。达到了通过大量高压设备放电图像与专家系统判断标定，形成不同级别高压设备放电图像的准确真值样本，利用深度学习框架对不同放电级别样本进行网络训练，实现放电级别的分类诊断，及时预警的技术效果。
申请概述
随着电力系统快速发展，电网电压等级越来越高，覆盖范围越来越广，电力设备的安全可靠运行也越来越重要。由于电力设备一般都处于室外，不可避免地会产生绝缘损坏、老化等现象，局部放电也会随之产生。局部放电能加快对电力设备绝缘的破坏，降低绝缘寿命，严重影响设备的安全运行。国内外近年来研发的紫外成像仪凭借检测远距离、非接触、抗干扰、实时性等优点，适合于高压设备外绝缘特性的在线监测和故障诊断，有效替代了传统的超声波检测仪和红外热像仪等设备。现有技术中存在紫外成像仪缺乏一体化的图像处理技术，无法在成像的同时，快速准确的获得高压设备局部放电的准确信息，缺乏基于机器学习的人工智能诊断的技术问题。
针对上述技术问题，本申请提供的技术方案总体思路如下：
本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警方法，其中，所述方法包括：基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警方法，其中，所述方法包括：
S100：基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；
S200：对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；
具体而言，紫外成像仪是指电晕放电是一种局部化的放电现象，当带电体的局部电压应力超过临界值时，会使空气游离而产生电晕放电现象。特别是高压电力设备，其常因设计、制造、安装及维护工作不良产生电晕、闪络或电弧。在放电过程中，空气中的电子不断获得和释放能量，而当电子释放能量，便会放出紫外线。采用高灵敏度的紫外线辐射接受器，记录电晕和表面放电过程中辐射的紫外线，再加以处理、分析。基于所述紫外成像仪，对所述第一区域高压设备放电图像进行采集，所述第一区域为任一配置高压设备的区域，所述高压设备可为高压输电线、绝缘子等任一高压设备。采集大量放电图像后，生成所述高压设备放电图像集合，由于高压设备放电图像集合中图像真实、可信且数量丰富，故可以对其进行数据划分，划分为所述第一训练图像和所述第一验证图像，为后续模型的训练奠定基础。
S300：将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；
S400：根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；
S500：基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；
具体而言，专家系统是一个智能计算机程序系统，其内部含有大量的某个领域专家水平的知识与经验，能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说，专家系统是一个具有大量的专门知识与经验的程序系统，它应用人工智能技术和计算机技术，根据某领域一个或多个专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，以便解决那些需要人类专家处理的复杂问题，简而言之，专家系统是一种模拟人类专家解决领域问题的计算机程序系统。因此将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合，在专业知识的辅助下将所有样本进行分类整理并标签，从而生成一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合。每一等级集合下具有大量图像，例如：每种高压设备的不同损伤情况的图像不少于500幅，那么按照一级、二级、三级分为三档就要求每种高压设备的放电图像不少于1500幅。由于高压设备放电图像是我们为此项目需要建立的一个专门的数据集，与标准的图像分类数据集差异很大，我们无法利用标准数据集训练的预训练网络进行微调，完全需要利用我们自己的数据集进行重新训练网络，对数据集的质量和数量均要求较高，因此一级、二级、三级放电严重等级集合为构建场景图像分类-卷积神经网络模型奠定基础。
S600：将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；
S700：将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；
具体而言，随着运算能力的增强，网络深度也越大，但网络深度越大参数越多也就同时需要更多的样本数量。目前卷积神经网络（Convolutional Neural Network ，CNN）的网络主要有LeNet、AlexNet、ZFNet、VGGNet、ResNet，图像分类的实现基本都是通过全连接层后接Softmax实现图像类别的概率预测，因此我们对高压放电图像的训练也采取相同的训练方式，并根据测试的结果不断的调整训练样本的质量提高分类的鲁棒性。将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，即将设备中存储的图片拷贝到服务器上，然后在服务器上进行训练，训练完成后再将定型的模型文件拷贝到设备用于诊断，从而获得所述第一验证图像集合的训练图像诊断结果。进一步将所述第一验证图像集合输入所述专家系统进行图像诊断，即通过专家系统对所述第一验证图像集合进行二次判断，进而获得实际图像诊断结果。使用大量训练数据对所述场景图像分类-卷积神经网络模型进行训练，能够提高模型的质量，并通过专家系统的二次判断，能够对模型诊断结果进行校验。
S800：判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；
S900：若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
具体而言，根据所述专家系统，对所述训练图像诊断结果进行判断，判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致，若一致，则根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。通过专家系统的验证，对场景图像分类-卷积神经网络模型的有效性进行验证，通过验证的模型即可用于放电图像的诊断。能够保证模型的准确性，从而使得诊断结果更加可靠。并且根据诊断结果能够及时、准确的进行故障预警，从而降低紫外成像仪使用的专业门槛，更有利于应急状态下放电危险的及时发现。
进一步的，如图2所示，所述将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，步骤S300包括：
S310：获得所述第一区域高压设备的历史放电图像集合；
S320：基于图像诊断审核终端，对所述历史放电图像集合进行遍历诊断，获得所述历史放电图像集合中的各放电图像严重等级集合；
S330：对所述各放电图像严重等级集合进行逐一等级标记，生成各放电图像严重等级标签集合；
S340：对所述历史放电图像集合和所述各放电图像严重等级标签集合进行纵向映射匹配，生成第一映射关系；
S350：根据所述第一映射关系和所述历史放电图像集合，构建所述专家系统。
具体而言，获得所述第一区域高压设备的历史放电图像集合，历史图像集合包括所述第一区域高压设备放电的特征图像，所述图像审核终端为专业检测人员，通过所述图像审核终端对所述历史放电图像集合进行遍历诊断，通过专业人员的等级评定进行图像的等级分类，即为所述历史放电图像集合中的各放电图像严重等级集合。进而，对所述各放电图像严重等级集合进行逐一等级标记，生成各放电图像严重等级标签集合。再将图像集合与各放电图像严重等级标签集合进行纵向映射匹配，获得所述第一映射关系。基于所述第一映射关系和所述历史放电图像集合，能够构建所述专家系统，即通过行业专家的诊断审核能够挖掘得到图像与等级的映射关系，并且通过这种映射关系和大量历史图像，获得所述专家系统。能够根据专家提供的知识和经验，进行推理和判断，模拟人类专家的决策过程，提高复杂问题的处理效率。
进一步的，如图3所示，本申请实施例步骤S350包括：
S351：对所述第一训练图像集合进行分布式处理，生成分布式训练图像集合；
S352：将所述分布式训练图像集合输入所述专家系统进行遍历诊断，生成所述分布式训练图像集合中的各训练图像严重等级集合；
S353：根据所述专家系统，获得一级分类参数、二级分类参数；
S354：基于所述一级分类参数，对所述各训练图像严重等级集合进行一次分类，生成第一严重等级集合和第二严重等级集合，其中，所述第一严重等级集合对应所述一级放电严重等级集合；
S355：基于所述二级分类参数，对所述第二严重等级集合进行二次分类，生成第三严重等级集合和第四严重等级集合，其中，所述第三严重等级集合对应所述二级放电严重等级集合，所述第四严重等级集合对应所述三级放电严重等级集合。
具体而言，分布式处理就是多台相连的计算机各自承担同一工作任务的不同部分，在人的控制下，同时运行，共同完成同一件工作任务。对所述第一训练图像集合进行分布式处理，生成分布式训练图像集合，通过所述专家系统对所述分布式训练图像集合进行遍历诊断，生成所述分布式训练图像集合中的各训练图像严重等级集合。进一步，基于所述专家系统获得所述一级分类参数和所述二级分类参数，即获得分类标准，基于所述一级分类参数对所述各训练图像严重等级集合进行初次分类，分为第一严重等级集合和第二严重等级集合，将第一严重等级集合作为所述一级放电严重等级集合，将第二严重等级集合进一步按照所述二级分类参数进行分类，获得第三严重等级集合和第四严重等级集合。所述第三严重等级集合对应所述二级放电严重等级集合，第四严重等级集合对应所述三级放电严重等级集合。通过专家系统的遍历诊断和两次分类，能够对放电严重等级集合进行专业的分类。
进一步的，如图4所示，所述将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，步骤S600包括：
S610：将所述第一验证图像集合作为输入数据，输入所述场景图像分类-卷积神经网络模型进行训练；
S620：所述场景图像分类-卷积神经网络模型通过多组训练数据训练所得，所述多组训练数据中的每一组训练数据均包括：所述第一验证数据和用来标识实际图像诊断结果的标识信息；
S630：获得所述场景图像分类-卷积神经网络模型的输出信息，所述输出信息包括所述第一验证图像集合的图像诊断结果。
具体而言，所述场景图像分类-卷积神经网络模型通过多组训练数据训练所得，所述多组训练数据训练包括：所述第一验证数据和用来标识实际图像诊断结果的标识信息，经过大量数据训练得到的场景图像分类-卷积神经网络模型的分类准确性和可靠性提升，将所述第一验证图像集合作为输入数据，输入所述场景图像分类-卷积神经网络模型进行训练，能够获得所述输出信息，所述输出信息包括所述第一验证图像集合的图像诊断结果。通过训练后场景图像分类-卷积神经网络模型的模型进行图像诊断，能够得到科学、准确、可靠的图像诊断结果。
进一步的，如图5所示，所述根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断，步骤S900包括：
S910：获得所述第一区域高压设备在第一时间的第一放电图像集合；
S920：根据所述第一放电图像集合，构建放电图像分布特征卷积核；
S930：根据所述高压设备放电严重等级集合，构建放电图像分布卷积矩阵；
S940：对所述放电图像分布特征卷积核和所述放电图像分布卷积矩阵进行卷积运算，获得放电图像分布特征图；
S950：基于所述第一映射关系，对所述放电图像分布特征图进行严重等级匹配，获得所述第一放电图像集合的第一严重等级；
S960：根据所述第一严重等级，对所述第一区域的高压设备放电图像进行诊断。
具体而言，采集所述第一区域高压设备在第一时间的第一放电图像集合，其中所述第一放电时间为所述第一区域高压设备在任一时间段的放电图像集合，并且第一放电时间的长短可以根据需求进行调整。所述卷积核为第一放电图像集合训练学习后生成的函数，包括第一放电图像集合。基于所述高压设备放电严重等级集合，构建放电图像分布卷积矩阵，进一步对所述放电图像分布特征卷积核和所述放电图像分布卷积矩阵，进行卷积运算，获得放电图像分布特征图。最后根据所述放电图像分布特征图，获得所述第一放电图像集合的第一严重等级，且所述放电图像分布特征图与所述第一严重等级一一对应。根据所述第一严重等级，对所述第一区域的高压设备放电图像进行诊断。通过提取得到的放电图像分布特征，排除了第一放电图像集合中的干扰信息，使得达到准确判别所述第一放电图像集合的技术效果。
进一步的，如图6所示，所述判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致，步骤S800还包括：
S810：若所述训练图像诊断结果和所述实际图像诊断结果不能保持一致，生成第一优化指令；
S820：根据所述第一优化指令，对所述训练图像诊断结果和所述实际图像诊断结果进行特征分析，获得第一诊断结果差异信息；
S830：根据所述第一诊断结果差异信息，获得第一修正参数；
S840：根据所述第一修正参数，对所述场景图像分类-卷积神经网络模型进行优化。
具体而言，如果所述训练图像诊断结果和所述实际图像诊断结果不能保持一致，生成第一优化指令，通过所述第一优化指令，对所述训练图像诊断结果和所述实际图像诊断结果进行特征提取、特征分析，分析导致结果不一致的原因，获得第一诊断结果差异信息，从而获得所述第一修正参数，按照需要修正的参数对所述场景图像分类-卷积神经网络模型进行优化。获得第一修正参数，能够对述场景图像分类-卷积神经网络模型进行不断优化，使得可以持续提高模型的准确度。
进一步的，所述对所述高压设备放电图像集合进行数据划分，步骤S200还包括：
S210：获得预设数据划分比值；
S220：根据所述预设数据划分比值，对所述高压设备放电图像集合进行数据划分，生成所述第一训练图像集合、所述第一验证图像集合。
具体而言，将所述高压设备放电图像集合划分为所述第一训练图像和所述第一验证图像，需要先预设数据划分比值，即按照一定的图像集合划分经验进行预设比值。根据所述预设数据划分比值，对所述高压设备放电图像集合进行数据划分，从而生成所述第一训练图像集合、所述第一验证图像集合。例如所述预设数据划分比值为7：3，则对高压设备放电图像集合进行划分，所述第一训练图像集合占70%，所述第一验证图像集合占30%。通过预设数据划分比值，能够提高数据集划分的科学性，而不是机械的进行数据集划分。
综上所述，本申请实施例所提供的一种应用于紫外成像仪的高压设备诊断预警方法及系统具有如下技术效果：
1、由于采用了基于所述图像采集装置，获得第一目标图像；获得第一特征卷积核；根据所述第一特征卷积核，对所述第一目标图像进行遍历检索分析，获得第一特征参数集合；获得所述第一目标图像的第一处理需求；将所述第一处理需求作为输入数据输入第一参数对接模型中，所述第一参数对接模型通过对接所述第一特征参数集合进行参数对接，获得所述第一参数对接模型的输出信息，所述输出信息包括第一对接参数集合；获得预设图像处理算法库，其中，所述预设图像处理算法库为图像处理的底层算法库；根据所述第一处理需求和所述第一对接参数集合从所述图像处理算法库中进行算法匹配，获得第一处理算法信息；根据所述第一处理算法信息，对所述第一目标图像进行图像处理的技术方案，本申请实施例通过提供了一种应用于紫外成像仪的高压设备诊断预警方法及系统，达到了通过大量高压设备放电图像与专家系统判断标定，形成不同级别高压设备放电图像的准确真值样本，利用深度学习框架对不同放电级别样本进行网络训练，实现放电级别的分类诊断，及时预警的技术效果。
2、由于通过预设数据划分比值，能够提高数据集划分的科学性，从而提升场景图像分类-卷积神经网络模型的训练效果，从而提升场景图像分类-卷积神经网络模型图像诊断能力的技术效果。
实施例二
基于与前述实施例中一种应用于紫外成像仪的高压设备诊断预警方法相同的发明构思，如图7所示，本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警系统，其中，所述系统包括：
第一获得单元11，所述第一获得单元11用于基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；
第一生成单元12，所述第一生成单元12用于对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；
第二生成单元13，所述第二生成单元13用于将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；
第二获得单元14，所述第二获得单元14用于根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；
第一构建单元15，所述第一构建单元15用于基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；
第三获得单元16，所述第三获得单元16用于将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；
第四获得单元17，所述第四获得单元17用于将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；
第一判断单元18，所述第一判断单元18用于判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；
第一执行单元19，所述第一执行单元19用于若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
进一步的，所述系统包括：
第五获得单元，所述第五获得单元用于获得所述第一区域高压设备的历史放电图像集合；
第六获得单元，所述第六获得单元用于基于图像诊断审核终端，对所述历史放电图像集合进行遍历诊断，获得所述历史放电图像集合中的各放电图像严重等级集合；
第三生成单元，所述第三生成单元用于对所述各放电图像严重等级集合进行逐一等级标记，生成各放电图像严重等级标签集合；
第四生成单元，所述第四生成单元用于对所述历史放电图像集合和所述各放电图像严重等级标签集合进行纵向映射匹配，生成第一映射关系；
第二构建单元，所述第二构建单元用于根据所述第一映射关系和所述历史放电图像集合，构建所述专家系统。
进一步的，所述系统包括：
第五生成单元，所述第五生成单元用于对所述第一训练图像集合进行分布式处理，生成分布式训练图像集合；
第六生成单元，所述第六生成单元用于将所述分布式训练图像集合输入所述专家系统进行遍历诊断，生成所述分布式训练图像集合中的各训练图像严重等级集合；
第七获得单元，所述第七获得单元用于根据所述专家系统，获得一级分类参数、二级分类参数；
第七生成单元，所述第七生成单元用于基于所述一级分类参数，对所述各训练图像严重等级集合进行一次分类，生成第一严重等级集合和第二严重等级集合，其中，所述第一严重等级集合对应所述一级放电严重等级集合；
第八生成单元，所述第八生成单元用于基于所述二级分类参数，对所述第二严重等级集合进行二次分类，生成第三严重等级集合和第四严重等级集合，其中，所述第三严重等级集合对应所述二级放电严重等级集合，所述第四严重等级集合对应所述三级放电严重等级集合。
进一步的，所述系统包括：
第二执行单元，所述第二执行单元用于将所述第一验证图像集合作为输入数据，输入所述场景图像分类-卷积神经网络模型进行训练；
第八获得单元，所述第八获得单元用于所述场景图像分类-卷积神经网络模型通过多组训练数据训练所得，所述多组训练数据中的每一组训练数据均包括：所述第一验证数据和用来标识实际图像诊断结果的标识信息；
第九获得单元，所述第九获得单元用于获得所述场景图像分类-卷积神经网络模型的输出信息，所述输出信息包括所述第一验证图像集合的图像诊断结果。
进一步的，所述系统包括：
第十获得单元，所述第十获得单元用于获得所述第一区域高压设备在第一时间的第一放电图像集合；
第三构建单元，所述第三构建单元用于根据所述第一放电图像集合，构建放电图像分布特征卷积核；
第四构建单元，所述第四构建单元用于根据所述高压设备放电严重等级集合，构建放电图像分布卷积矩阵；
第十一获得单元，所述第十一获得单元用于对所述放电图像分布特征卷积核和所述放电图像分布卷积矩阵进行卷积运算，获得放电图像分布特征图；
第十二获得单元，所述第十二获得单元用于基于所述第一映射关系，对所述放电图像分布特征图进行严重等级匹配，获得所述第一放电图像集合的第一严重等级；
第三执行单元，所述第三执行单元用于根据所述第一严重等级，对所述第一区域的高压设备放电图像进行诊断。
进一步的，所述系统包括：
第九生成单元，所述第九生成单元用于若所述训练图像诊断结果和所述实际图像诊断结果不能保持一致，生成第一优化指令；
第十三获得单元，所述第十三获得单元用于根据所述第一优化指令，对所述训练图像诊断结果和所述实际图像诊断结果进行特征分析，获得第一诊断结果差异信息；
第十四获得单元，所述第十四获得单元用于根据所述第一诊断结果差异信息，获得第一修正参数；
第四执行单元，所述第四执行单元用于根据所述第一修正参数，对所述场景图像分类-卷积神经网络模型进行优化。
进一步的，所述系统包括：
第十五获得单元，所述第十五获得单元用于获得预设数据划分比值；
第十生成单元，所述第十生成单元用于根据所述预设数据划分比值，对所述高压设备放电图像集合进行数据划分，生成所述第一训练图像集合、所述第一验证图像集合。
示例性电子设备
下面参考图8来描述本申请实施例的电子设备。
基于与前述实施例中一种应用于紫外成像仪的高压设备诊断预警方法相同的发明构思，本申请实施例还提供了一种应用于紫外成像仪的高压设备诊断预警系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使得系统以执行第一方面任一项所述的方法。
该电子设备300包括：处理器302、通信接口303、存储器301。可选的，电子设备300还可以包括总线架构304。其中，通信接口303、处理器302以及存储器301可以通过总线架构304相互连接；总线架构304可以是外设部件互连标(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry Standardarchitecture，简称EISA)总线等。所述总线架构304可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
处理器302可以是一个CPU，微处理器，ASIC，或一个或多个用于控制本申请方案程序执行的集成电路。
通信接口303，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN),无线局域网(wireless local areanetworks，WLAN)，有线接入网等。
存储器301可以是ROM或可存储静态信息和指令的其他类型的静态存储设备，RAM或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(electrically erasable Programmable read-only memory，EEPROM)、只读光盘(compactdiscread-only memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线架构304与处理器相连接。存储器也可以和处理器集成在一起。
其中，存储器301用于存储执行本申请方案的计算机执行指令，并由处理器302来控制执行。处理器302用于执行存储器301中存储的计算机执行指令，从而实现本申请上述实施例提供的一种应用于紫外成像仪的高压设备诊断预警方法。
可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。
本申请实施例提供了一种应用于紫外成像仪的高压设备诊断预警方法，其中，所述方法包括：采用了基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
本领域普通技术人员可以理解：本申请中涉及的第一、第二等各种数字编号仅为描述方便进行的区分，并不用来限制本申请实施例的范围，也不表示先后顺序。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“至少一个”是指一个或者多个。至少两个是指两个或者多个。“至少一个”、“任意一个”或其类似表达，是指的这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a ,b,或c中的至少一项(个、种)，可以表示：a,b,c,a -b,a-c,b-c,或a-b-c，其中a,b,c可以是单个，也可以是多个。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包括一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘(Solid State Disk，SSD))等。
本申请实施例中所描述的各种说明性的逻辑单元和电路可以通过通用处理器，数字信号处理器，专用集成电路(ASIC)，现场可编程门阵列(FPGA)或其它可编程逻辑装置，离散门或晶体管逻辑，离散硬件部件，或上述任何组合的设计来实现或操作所描述的功能。通用处理器可以为微处理器，可选地，该通用处理器也可以为任何传统的处理器、控制器、微控制器或状态机。处理器也可以通过计算装置的组合来实现，例如数字信号处理器和微处理器，多个微处理器，一个或多个微处理器联合一个数字信号处理器核，或任何其它类似的配置来实现。
本申请实施例中所描述的方法或算法的步骤可以直接嵌入硬件、处理器执行的软件单元、或者这两者的结合。软件单元可以存储于RAM存储器、闪存、ROM存储器、EPROM存储器、EEPROM存储器、寄存器、硬盘、可移动磁盘、CD-ROM或本领域中其它任意形式的存储媒介中。示例性地，存储媒介可以与处理器连接，以使得处理器可以从存储媒介中读取信息，并可以向存储媒介存写信息。可选地，存储媒介还可以集成到处理器中。处理器和存储媒介可以设置于ASIC中，ASIC可以设置于终端中。可选地，处理器和存储媒介也可以设置于终端中的不同的部件中。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管结合具体特征及其实施例对本申请进行了描述，显而易见的，在不脱离本申请的精神和范围的情况下，可对其进行各种修改和组合。相应地，本说明书和附图仅仅是所附权利要求所界定的本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。
Claims (9)
1.一种应用于紫外成像仪的高压设备诊断预警方法，其中，所述方法包括：
基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；
对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；
将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；
根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；
基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；
将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；
将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；
判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；
若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
2.如权利要求1所述的方法，其中，所述将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，包括：
获得所述第一区域高压设备的历史放电图像集合；
基于图像诊断审核终端，对所述历史放电图像集合进行遍历诊断，获得所述历史放电图像集合中的各放电图像严重等级集合；
对所述各放电图像严重等级集合进行逐一等级标记，生成各放电图像严重等级标签集合；
对所述历史放电图像集合和所述各放电图像严重等级标签集合进行纵向映射匹配，生成第一映射关系；
根据所述第一映射关系和所述历史放电图像集合，构建所述专家系统。
3.如权利要求2所述的方法，其中，所述方法包括：
对所述第一训练图像集合进行分布式处理，生成分布式训练图像集合；
将所述分布式训练图像集合输入所述专家系统进行遍历诊断，生成所述分布式训练图像集合中的各训练图像严重等级集合；
根据所述专家系统，获得一级分类参数、二级分类参数；
基于所述一级分类参数，对所述各训练图像严重等级集合进行一次分类，生成第一严重等级集合和第二严重等级集合，其中，所述第一严重等级集合对应所述一级放电严重等级集合；
基于所述二级分类参数，对所述第二严重等级集合进行二次分类，生成第三严重等级集合和第四严重等级集合，其中，所述第三严重等级集合对应所述二级放电严重等级集合，所述第四严重等级集合对应所述三级放电严重等级集合。
4.如权利要求1所述的方法，其中，所述将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，包括：
将所述第一验证图像集合作为输入数据，输入所述场景图像分类-卷积神经网络模型进行训练；
所述场景图像分类-卷积神经网络模型通过多组训练数据训练所得，所述多组训练数据中的每一组训练数据均包括：所述第一验证数据和用来标识实际图像诊断结果的标识信息；
获得所述场景图像分类-卷积神经网络模型的输出信息，所述输出信息包括所述第一验证图像集合的图像诊断结果。
5.如权利要求1所述的方法，其中，所述根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断，包括：
获得所述第一区域高压设备在第一时间的第一放电图像集合；
根据所述第一放电图像集合，构建放电图像分布特征卷积核；
根据所述高压设备放电严重等级集合，构建放电图像分布卷积矩阵；
对所述放电图像分布特征卷积核和所述放电图像分布卷积矩阵进行卷积运算，获得放电图像分布特征图；
基于所述第一映射关系，对所述放电图像分布特征图进行严重等级匹配，获得所述第一放电图像集合的第一严重等级；
根据所述第一严重等级，对所述第一区域的高压设备放电图像进行诊断。
6.如权利要求1所述的方法，其中，所述判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致，包括：
若所述训练图像诊断结果和所述实际图像诊断结果不能保持一致，生成第一优化指令；
根据所述第一优化指令，对所述训练图像诊断结果和所述实际图像诊断结果进行特征分析，获得第一诊断结果差异信息；
根据所述第一诊断结果差异信息，获得第一修正参数；
根据所述第一修正参数，对所述场景图像分类-卷积神经网络模型进行优化。
7.如权利要求1所述的方法，其中，所述对所述高压设备放电图像集合进行数据划分，包括：
获得预设数据划分比值；
根据所述预设数据划分比值，对所述高压设备放电图像集合进行数据划分，生成所述第一训练图像集合、所述第一验证图像集合。
8.一种应用于紫外成像仪的高压设备诊断预警系统，其中，所述系统包括：
第一获得单元，所述第一获得单元用于基于紫外成像仪，对第一区域高压设备放电图像进行采集，生成高压设备放电图像集合；
第一生成单元，所述第一生成单元用于对所述高压设备放电图像集合进行数据划分，生成第一训练图像集合、第一验证图像集合；
第二生成单元，所述第二生成单元用于将所述第一训练图像集合发送至专家系统进行逐一审核、分类整理，生成高压设备放电严重等级集合；
第二获得单元，所述第二获得单元用于根据所述高压设备放电严重等级集合，获得一级放电严重等级集合、二级放电严重等级集合和三级放电严重等级集合；
第一构建单元，所述第一构建单元用于基于所述一级放电严重等级集合、所述二级放电严重等级集合和所述三级放电严重等级集合，构建场景图像分类-卷积神经网络模型；
第三获得单元，所述第三获得单元用于将所述第一验证图像集合输入所述场景图像分类-卷积神经网络模型进行训练，获得所述第一验证图像集合的训练图像诊断结果；
第四获得单元，所述第四获得单元用于将所述第一验证图像集合输入所述专家系统进行图像诊断，获得实际图像诊断结果；
第一判断单元，所述第一判断单元用于判断所述训练图像诊断结果和所述实际图像诊断结果是否保持一致；
第一执行单元，所述第一执行单元用于若所述训练图像诊断结果和所述实际图像诊断结果保持一致，根据所述场景图像分类-卷积神经网络模型，对所述第一区域的高压设备放电图像进行诊断。
9.一种应用于紫外成像仪的高压设备诊断预警系统，包括：处理器，所述处理器与存储器耦合，所述存储器用于存储程序，当所述程序被所述处理器执行时，使系统以执行如权利要求1~7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111312567.9A CN114037869A (zh) | 2021-11-08 | 2021-11-08 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111312567.9A CN114037869A (zh) | 2021-11-08 | 2021-11-08 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114037869A true CN114037869A (zh) | 2022-02-11 |
Family
ID=80143183
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111312567.9A Pending CN114037869A (zh) | 2021-11-08 | 2021-11-08 | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114037869A (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050021294A1 (en) * | 2003-07-07 | 2005-01-27 | Trsar Dale A. | Distributed expert diagnostic service and system |
| CN108344931A (zh) * | 2018-02-06 | 2018-07-31 | 国网山西省电力公司电力科学研究院 | 基于紫外图谱技术的电力设备安全分析系统 |
| CN112101597A (zh) * | 2020-10-14 | 2020-12-18 | 辽宁电能发展股份有限公司 | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 |
| CN113282000A (zh) * | 2021-04-30 | 2021-08-20 | 科华数据股份有限公司 | 数据中心的故障诊断方法、装置及动环监控系统 |
| CN113610837A (zh) * | 2021-08-24 | 2021-11-05 | 华北电力大学（保定） | 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 |
-
2021
- 2021-11-08 CN CN202111312567.9A patent/CN114037869A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20050021294A1 (en) * | 2003-07-07 | 2005-01-27 | Trsar Dale A. | Distributed expert diagnostic service and system |
| CN108344931A (zh) * | 2018-02-06 | 2018-07-31 | 国网山西省电力公司电力科学研究院 | 基于紫外图谱技术的电力设备安全分析系统 |
| CN112101597A (zh) * | 2020-10-14 | 2020-12-18 | 辽宁电能发展股份有限公司 | 电动汽车租赁运营平台车辆故障预判系统、方法及装置 |
| CN113282000A (zh) * | 2021-04-30 | 2021-08-20 | 科华数据股份有限公司 | 数据中心的故障诊断方法、装置及动环监控系统 |
| CN113610837A (zh) * | 2021-08-24 | 2021-11-05 | 华北电力大学（保定） | 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 |
Non-Patent Citations (2)
| Title |
|---|
| 律方成等: "基于紫外成像和改进YOLOv3的瓷悬式绝缘子放电严重程度评估", 《高压电技术》 * |
| 王侃夫等: "基于实例推理的数控机床故障诊断系统研究", 《机械设计与制造》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| Do et al. | Convolutional-neural-network-based partial discharge diagnosis for power transformer using UHF sensor | |
| CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
| CN111650453A (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及系统 | |
| CN109239553B (zh) | 一种基于局部放电脉冲局部密度的聚类方法 | |
| CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
| CN116223962A (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
| Duan et al. | Serial transfer learning (STL) theory for processing data insufficiency: Fault diagnosis of transformer windings | |
| CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 | |
| CN114236332A (zh) | 一种电力电缆绝缘状态判断方法及系统 | |
| CN112613191A (zh) | 电缆健康状态评估方法、装置、计算机设备和存储介质 | |
| CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
| CN114037869A (zh) | 一种应用于紫外成像仪的高压设备诊断预警方法及系统 | |
| CN116011345A (zh) | 绝缘子信息预测模型生成方法、装置、设备及介质 | |
| KR20230064416A (ko) | 전력 기기의 결함 진단 장치 및 방법 | |
| CN114781276A (zh) | 油纸老化模型的训练方法、油纸老化的识别方法及装置 | |
| CN114638185A (zh) | 一种芯片验证方法、装置及存储介质 | |
| Cao et al. | A novel pca-bp fuzzy neural network model for software defect prediction | |
| CN117407784B (zh) | 面向传感器数据异常的旋转机械智能故障诊断方法及系统 | |
| Atik | Isolator Detection in Power Transmission Lines using Lightweight Dept-wise Convolution with BottleneckCSP YOLOv5 | |
| Zhang et al. | Angle steel tower bolt defect detection based on YOLO-V3 | |
| CN115205207A (zh) | 一种基于随机森林模型检测零值绝缘子的方法 | |
| CN112733951B (zh) | 一种断路器机械缺陷诊断的多信息决策权重分配融合方法 | |
| Irokosu | Performance Comparison of CNN-based Semantic Segmentation on Indoor and Outdoor Scenes |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220211 |