CN114358328A - 变电站设备的开关状态检测方法、装置和计算机设备 - Google Patents
变电站设备的开关状态检测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN114358328A CN114358328A CN202111424442.5A CN202111424442A CN114358328A CN 114358328 A CN114358328 A CN 114358328A CN 202111424442 A CN202111424442 A CN 202111424442A CN 114358328 A CN114358328 A CN 114358328A
- Authority
- CN
- China
- Prior art keywords
- state information
- switch
- substation equipment
- image
- terminal
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 description 36
- 238000010586 diagram Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000003062 neural network model Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000002779 inactivation Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- G06N20/00—Machine learning
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请涉及一种变电站设备的开关状态检测方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:接收终端发送的第一状态信息和第二状态信息,其中,第一状态信息为终端接收采集设备所发送的变电站设备的开关的电气状态信息,第二状态信息为终端采用目标模型对变电站设备的开关的图像进行识别后得到的信息,根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。采用本方法解决了传统的变电站设备的开关状态检测方法的准确率不高的问题,提高了变电站设备的开关状态检测方法的准确率。
Description
技术领域
本申请涉及变电站设备检测技术领域,特别是涉及一种变电站设备的开关状态检测方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
变电站设备长期处于运行状态,变电站设备的开关状态异常是引发变电站设备故障常见的原因之一,为确保变电站设备安全稳定运行,需要对变电站设备的开关状态进行定时巡检。
传统的变电站设备的开关状态检测方法,主要是通过变电站管理人员定期查看变电站设备的开关的监控视频,确定变电站设备的开关状态。
然而,传统的变电站设备的开关状态检测方法存在准确率不高的问题。
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电站设备的开关状态检测的准确率的变电站设备的开关状态检测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种变电站设备的开关状态检测方法。所述方法包括:
接收终端发送的第一状态信息和第二状态信息,其中,该第一状态信息为该终端接收采集设备所发送的该变电站设备的开关的电气状态信息,该第二状态信息为该终端采用目标模型对该变电站设备的开关的图像进行识别后得到的信息;
根据该第一状态信息与该第二状态信息,确定该变电站设备的开关的目标状态信息。
在其中一个实施例中,根据该第一状态信息与该第二状态信息,确定该变电站设备的开关的目标状态信息包括:
若该第一状态信息与该第二状态信息一致,则将该第一状态信息或该第二状态信息作为该目标状态信息。
在其中一个实施例中,所述方法还包括:
接收各该终端发送的第一模型参数,其中,该第一模型参数为各该终端基于对应的该变电站设备的开关的样本图像,对预设模型进行训练后确定的参数;
根据各该第一模型参数进行联邦学习,确定第二模型参数;
向各该终端发送该第二模型参数,以由该终端根据该第二模型参数,确定用于识别该图像的该目标模型。
第二方面,本申请提供了另一种变电站设备的开关状态检测方法。所述方法包括:
接收拍摄设备发送的该变电站设备的开关的图像以及第一状态信息,其中,该第一状态信息为接收的采集设备所发送的该变电站设备的开关的电气状态信息;
采用目标模型对该图像进行识别,得到第二状态信息;
向控制中心发送该第一状态信息和该第二状态信息,以由该控制中心根据该第一状态信息与该第二状态信息,确定该变电站设备的开关的目标状态信息。
在其中一个实施例中,采用目标模型对该图像进行识别,得到第二状态信息包括:
对该图像进行灰度处理,得到灰度图像;
从该灰度图像中分割出该变电站设备的开关的前景灰度图像;
采用目标模型对该前景灰度图像进行识别,得到该第二状态信息。
在其中一个实施例中,所述方法还包括:
获取该变电站设备的开关的样本图像;
基于该变电站设备的开关的样本图像,对预设模型进行训练,以确定第一模型参数;
向该控制中心发送该第一模型参数,以由该控制中心基于该第一模型参数进行联邦学习,以确定第二模型参数;
接收该控制中心发送的第二模型参数,并根据该第二模型参数,确定该目标模型。
第三方面,本申请还提供了一种变电站设备的开关状态检测装置。所述装置包括:
第一接收模块,用于接收终端发送的第一状态信息和第二状态信息,其中,该第一状态信息为该终端接收采集设备所发送的该变电站设备的开关的电气状态信息,该第二状态信息为该终端采用目标模型对该变电站设备的开关的图像进行识别后得到的信息;
第一确定模块,用于根据该第一状态信息与该第二状态信息,确定该变电站设备的开关的目标状态信息。
第四方面,本申请还提供了一种计算机设备。所述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上述任一方法的步骤。
第五方面,本申请还提供了一种计算机可读存储介质。所述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上述任一方法的步骤。
第六方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一方法的步骤。
上述变电站设备的开关状态检测方法、装置、计算机设备、存储介质和计算机程序产品,通过接收终端发送的第一状态信息和第二状态信息,其中,该第一状态信息为该终端接收采集设备所发送的该变电站设备的开关的电气状态信息,该第二状态信息为该终端采用目标模型对该变电站设备的开关的图像进行识别后得到的信息,根据该第一状态信息与该第二状态信息,确定该变电站设备的开关的目标状态信息。由于采用目标模型对变电站设备的开关的图像识别得到第一状态信息,并结合第一状态信息和第二状态信息综合确定变电站设备的开关的目标状态信息,因此解决了传统的变电站设备的开关状态检测方法的准确率不高的问题,提高了变电站设备的开关状态检测方法的准确率。
附图说明
图1为本申请实施例中变电站设备的开关状态检测方法的应用环境图;
图2为本申请实施例提供的一种变电站设备的开关状态检测系统示意图;
图3为本申请实施例中提供的一种变电站设备的开关状态检测方法的流程示意图;
图4为本申请实施例中提供的一种确定目标模型的流程示意图;
图5为本申请实施例中提供的另一种变电站设备的开关状态检测方法的流程示意图;
图6为本申请实施例中提供的一种得到第二状态信息的流程示意图;
图7为本申请实施例中提供的另一种确定目标模型的流程示意图;
图8为本申请实施例中提供的一种变电站设备的开关状态检测装置的结构示意图;
图9为本申请实施例中提供的另一种变电站设备的开关状态检测装置的结构示意图;
图10为本申请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。
图1为本申请实施例中变电站设备的开关状态检测方法的应用环境图,请参考图1,本申请实施例提供的变电站设备的开关状态检测方法,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。数据存储系统可以存储服务器104需要处理的数据。数据存储系统可以集成在服务器104上,也可以放在云上或其他网络服务器上。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、平板电脑等。服务器104可以为计算机设备,也可以是独立的服务器或者多个服务器组成的服务器集群来实现。
为了更清楚地对本实施例提供的变电站设备的开关状态检测方法进行介绍,在此结合图2进行解释说明。参照图2,图2为本申请实施例提供的一种变电站设备的开关状态检测系统示意图。本实施例提供的变电站设备的开关状态检测系统采用分布式分区管理,包括控制中心和若干个终端,其中,变电站设备的开关指需要进行开关状态检测的变电站设备的开关,变电站设备包括但不仅限于变压器、高压断路器、隔离开关、母线、避雷针、刀闸、电容器和电抗器。控制中心可以是整个变电站的控制中心,终端可以控制设定区域中的拍摄设备和采集设备,从而获取设定区域中各变电站设备开关的状态信息,每个设定区域中对应一个或者多个变电站设备的开关。每个变电站设备的开关均对应有拍摄设备和采集设备,拍摄设备和采集设备可以单独部署与终端进行通信,也可以部署在终端上。拍摄设备和采集设备可以与变电站设备的开关一一对应,也可以多个变电站设备的开关对应一个拍摄设备和采集设备。控制中心和终端都具备数据处理功能,其可以为服务器或者计算机设备。本实施例对上述内容均不作限制。
本实施采用的分布式管理,各终端均有区域内需要检测的一个或多个变电站设备的开关,分散了控制中心的管理压力;控制中心获取各终端的发送的信息,并确定变电站设备的开关的目标状态信息,也便于对控制中心每一个变电站设备的开关的综合管理,提高了管理效率。
图3为本申请实施例中提供的一种变电站设备的开关状态检测方法的流程示意图,该方法应用于图1所示的应用环境和图2所示的控制中心中,在一个实施例中,如图3所示,包括以下步骤:
S301,接收终端发送的第一状态信息和第二状态信息,其中,第一状态信息为终端接收采集设备所发送的变电站设备的开关的电气状态信息,第二状态信息为终端采用目标模型对变电站设备的开关的图像进行识别后得到的信息。
在本实施例中,采集设备例如可以是各种传感器。采集设备获取到变电站设备的开关的第一状态信息,第一状态信息用于表征变电站设备的开关的电气状态信息,例如为正常打开状态、正常关闭状态、故障状态中的一种。采集设备将该电气状态信息发送给终端,进而由终端发送给控制中心。终端利用拍摄设备获取到变电站设备的开关的图像后,基于其内部的目标模型对获取到的图像进行识别,得到第二状态信息,进而将第二状态信息发送给控制中心。第二状态信息用于表征变电站设备的开关的状态识别信息,例如为正常打开状态、正常关闭状态、故障状态中的一种。
其中,终端可以按照预设时间,例如每隔15分钟自动对控制中心发送第一状态信息和第二状态信息;用户也可以通过控制中心向终端发起检测指令,终端接收到该检测指令后再向控制中心发送第一状态信息和第二状态信息,更具体的,控制中心向终端发送检测指令后,终端根据检测指令,控制拍摄设备获取变电站设备的开关的图像,以及控制采集设备采集变电站设备的开关的第一状态信息。
S302,根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。
在本实施例中,控制中心可以通过如下方式一、方式二或方式一和方式二的结合确定变电站设备的开关的目标状态信息,本实施例不做限制。
方式一:控制中心判断第一状态信息和第二状态信息,若第一状态信息与第二状态信息一致,则将第一状态信息或第二状态信息作为目标状态信息。
方式二:控制中心判断第一状态信息和第二状态信息,若第一状态信息与第二状态信息不一致,则向终端发出检测指令重新获取第一状态信息和第二状态信息后再判断。
本实施例提供的变电站设备的开关状态检测方法,通过接收终端发送的第一状态信息和第二状态信息,其中,第一状态信息为终端接收采集设备所发送的变电站设备的开关的电气状态信息,第二状态信息为终端采用目标模型对变电站设备的开关的图像进行识别后得到的信息,根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。由于采用目标模型对变电站设备的开关的图像识别得到第一状态信息,并结合第一状态信息和第二状态信息综合确定变电站设备的开关的目标状态信息,因此解决了传统的变电站设备的开关状态检测方法的准确率不高的问题,提高了变电站设备的开关状态检测方法的准确率。
可选的,上述的S302可以通过如下方式实现:
若第一状态信息与第二状态信息一致,则将第一状态信息或第二状态信息作为目标状态信息。
在本实施例中,控制中心接收到第一状态信息和第二状态信息后,若第一状态信息与第二状态信息一致,例如均为同一种故障状态,控制中心将此故障状态作为最终确定的变电站设备的开关的目标状态信息。
本实施例结合第一状态信息和第二状态信息综合确定变电站设备的开关的目标状态信息,进而提高了变电站设备的开关状态检测的准确率。
图4为本申请实施例中提供的一种确定目标模型的流程示意图,参照图4,本实施例涉及的是如何确定目标模型的一种的实现方式。在上述实施例的基础上,上述的变电站设备的开关状态检测方法还包括如下步骤:
S401,接收各终端发送的第一模型参数,其中,第一模型参数为各终端基于对应的变电站设备的开关的样本图像,对预设模型进行训练后确定的参数。
在本实施例中,各终端内初始化有预设模型。各终端将若干张变电站设备的开关的样本图像输入至其预设模型中进行训练,得到第一模型参数,进而终端将将得的各第一模型参数发送给控制中心。
其中,预设模型可以是神经网络模型例如卷积神经网络(Convolutional NeuralNetwork,CNN)。神经网络模型至少包括:卷积层、池化层、全连接层、扁平化层、随机失活层和输出层。卷积层、池化层、全连接层的数量可以为多层。
神经网络模型带注意力机制,该机制被广泛使用在自然语言处理、图像识别及语音识别等各种不同类型的深度学习任务中,是深度学习技术中最值得关注与深入了解的核心技术之一,注意力机制的核心目标是从众多信息中选择出对当前任务目标更关键的信息,减少无关信息对结果的影响,进而提高神经网络模型的识别精度,从而提高变电站设备的开关状态检测方法的准确率。
S402,根据各第一模型参数进行联邦学习,确定第二模型参数。
在本实施例中,控制中心会将接收到各终端发送的第一模型参数,控制中心对收到的这些第一参数进行联邦学习,从而确定各第一模型参数对应的第二模型参数。
其中,联邦学习(Federated Learning)是一种新兴的人工智能基础技术,在2016年由谷歌最先提出,最初是用于解决安卓手机终端用户在本地更新模型的问题,其设计目标是保证合法合规的前提下,在多参与方或多计算结点之间开展高效率的机器学习,进而提高最终的目标模型的识别精度,从而提高变电站设备的开关状态检测方法的准确率。
S403,向各终端发送第二模型参数,以由终端根据第二模型参数,确定用于识别图像的目标模型。
在本实施例中,控制中心确定各第一模型参数对应的第二模型参数后,向各终端发送对应的第二模型参数。各终端根据第二模型参数,利用其内部的初始的预设模型,将预设模型训练至收敛,得到训练完成后的用于识别图像的目标模型。
本实施例通过接收各终端发送的第一模型参数,其中,第一模型参数为各终端基于对应的变电站设备的开关的样本图像,对预设模型进行训练后确定的参数,根据各第一模型参数进行联邦学习,确定第二模型参数,向各终端发送第二模型参数,以由终端根据第二模型参数,确定用于识别图像的目标模型。由于本实施例提供的方法是通过设备终端和控制中心的配合进行综合训练以得到最终的目标模型,不同于传统的单独训练,因此本实施例提供的训练方法能够大幅缩短训练时间,并提高目标模型的识别准确性,进而提高变电站设备的开关状态检测方法的准确率。
图5为本申请实施例中提供的另一种变电站设备的开关状态检测方法的流程示意图,该方法应用于图1所示的应用环境和图2所示的终端中,在一个实施例中,如图5所示,包括以下步骤:
S501,接收拍摄设备发送的变电站设备的开关的图像以及第一状态信息,其中,第一状态信息为接收的采集设备所发送的变电站设备的开关的电气状态信息。
在本实施例中,终端发送拍摄指令给拍摄设备,拍摄设备例如摄像头获取到变电站设备的开关的图像,进而终端接收到拍摄设备发送的变电站设备的开关的图像。
终端还会发送采集指令给采集设备,采集设备例如各种传感器获取到变电站设备的开关的第一状态信息,第一状态信息用于表征变电站设备的开关的电气状态信息,例如为正常打开状态、正常关闭状态、故障状态中的一种,进而终端接收到采集设备所发送的变电站设备的开关的电气状态信息。
其中,终端可以按照预设时间,例如每隔15分钟自动对拍摄设备和采集设备发送拍摄指令和采集指令;也可以是用户通过控制中心发起检测指令后,终端接收检测指令进而对拍摄设备和采集设备发送拍摄指令和采集指令,本实施例对此不做限制。
S502,采用目标模型对图像进行识别,得到第二状态信息。
在本实施例中,目标模型识别的图像可以是拍摄设备发送的变电站设备的开关的原始图像,也可以是对拍摄设备发送的变电站设备的开关的图像进行灰度处理后的灰度图像,本实施例对此不做限制。第二状态信息是终端采用目标模型对变电站设备的开关的图像进行识别后得到的信息,用于表征变电站设备的开关的状态识别信息,例如为正常打开状态、正常关闭状态、故障状态中的一种。
本实施例通过目标模型对图像的识别得到第二状态信息,将变电站设备的开关状态检测的其中一步转化为对目标模型对图像的分类问题,提高了变电站设备的开关状态检测的效率和准确度。
S503,向控制中心发送第一状态信息和第二状态信息,以由控制中心根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。
在本实施例中,终端将获取到的第一状态信息和第二状态信息后发送给控制中心,控制中心根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息,例如终端向控制中心发送的第一状态信息和第二状态信息均为正常关闭状态,则控制中心确定变电站设备的开关的目标状态信息为正常关闭状态。
本实施例通过接收拍摄设备发送的变电站设备的开关的图像以及第一状态信息,其中,第一状态信息为接收的采集设备所发送的变电站设备的开关的电气状态信息,采用目标模型对图像进行识别,得到第二状态信息,向控制中心发送第一状态信息和第二状态信息,以由控制中心根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息,由于结合了变电站设备的开关的第一状态信息和目标模型输出的第二状态信息进行综合判断,提高了检测效率和准确度。
图6为本申请实施例中提供的一种得到第二状态信息的流程示意图,参照图6,本实施例涉及的是如何得到第二状态信息的一种的实现方式。在上述实施例的基础上,上述的S502还包括如下步骤:
S601,对图像进行灰度处理,得到灰度图像。
在本实施例中,终端获取到拍摄设备发送的变电站设备的开关的图像,使用灰度和颜色等特征对该图像进行二值化得到变电站设备的开关的灰度图像。
S602,从灰度图像中分割出变电站设备的开关的前景灰度图像。
在本实施例中,前景灰度图像是灰度图像去除背景图像后得到的图像。例如变电站设备的开关为刀闸,终端使用灰度和颜色等特征对获取到的整个图像进行二值化,然后将刀闸区域从图像中的背景中分割出来,得到其前景灰度图像。
S603,采用目标模型对前景灰度图像进行识别,得到第二状态信息。
在本实施例中,终端将前景灰度图像输入至已经训练完成的目标模型中,得到变电站设备的第二状态信息。
本实施例通过对所述图像进行灰度处理,得到灰度图像,从灰度图像中分割出变电站设备的开关的前景灰度图像,采用目标模型对前景灰度图像进行识别,得到第二状态信息,最终用于识别的前景灰度图像数据量较小,且通过目标模型对前景灰度图像的识别得到第二状态信息,将变电站设备的开关状态检测的其中一步转化为对目标模型对图像的分类问题,提高了变电站设备的开关状态检测的效率和准确度。
图7为本申请实施例中提供的另一种确定目标模型的流程示意图,参照图7,本实施例涉及的是如何确定目标模型的一种的实现方式。在上述实施例的基础上,上述的变电站设备的开关状态检测方法还包括如下步骤:
S701,获取变电站设备的开关的样本图像。
在本实施例中,各终端获取拍摄设备发送的若干张变电站设备的开关的样本图像。
S702,基于变电站设备的开关的样本图像,对预设模型进行训练,以确定第一模型参数。
在本实施例中,各终端内初始化有预设模型,各终端将变电站设备的开关的样本图像输入至预设模型中进行训练,得到第一模型参数。其中,预设模型可以是神经网络模型例如卷积神经网络(Convolutional Neural Network,CNN),神经网络模型至少包括:卷积层、池化层、全连接层、扁平化层、随机失活层和输出层。卷积层、池化层、全连接层的数量可以为多层。
S703,向控制中心发送第一模型参数,以由控制中心基于第一模型参数进行联邦学习,以确定第二模型参数。
在本实施例中,终端将各第一模型参数发送给控制中心,控制中心对收到的这些第一参数进行联邦学习,从而确定各第一模型参数对应的第二模型参数。
S704,接收控制中心发送的第二模型参数,并根据第二模型参数,确定目标模型。
在本实施例中,终端接收到控制中心发送各第一模型参数对应的第二模型参数后,根据第二模型参数,利用其内部的初始的预设模型,将预设模型训练至收敛,得到训练完成后的用于识别图像的目标模型。
在本实施例中,终端通过获取变电站设备的开关的样本图像,基于变电站设备的开关的样本图像,对预设模型进行训练,以确定第一模型参数,向控制中心发送第一模型参数,以由控制中心基于第一模型参数进行联邦学习,以确定第二模型参数,接收控制中心发送的第二模型参数,并根据第二模型参数,确定目标模型。由于本实施例提供的方法是通过设备终端和控制中心的配合进行综合训练以得到最终的目标模型,不同于传统的单独训练,因此本实施例提供的训练方法能够大幅缩短训练时间,并提高目标模型的识别准确性,进而提高变电站设备的开关状态检测方法的准确率。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图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。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的变电站设备的开关状态检测方法的变电站设备的开关状态检测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个变电站设备的开关状态检测装置实施例中的具体限定可以参见上文中对于变电站设备的开关状态检测方法的限定,在此不再赘述。
参照图8,图8为本申请实施例中提供的一种变电站设备的开关状态检测装置的结构示意图,该装置800包括:第一接收模块801和第一确定模块802,其中:
第一接收模块801,用于接收终端发送的第一状态信息和第二状态信息,其中,第一状态信息为终端接收采集设备所发送的变电站设备的开关的电气状态信息,第二状态信息为终端采用目标模型对变电站设备的开关的图像进行识别后得到的信息。
第一确定模块802,用于根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。
本实施例提供的变电站设备的开关状态检测装置,通过接收终端发送的第一状态信息和第二状态信息,其中,第一状态信息为终端接收采集设备所发送的变电站设备的开关的电气状态信息,第二状态信息为终端采用目标模型对变电站设备的开关的图像进行识别后得到的信息,根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。由于采用目标模型对变电站设备的开关的图像识别得到第一状态信息,并结合第一状态信息和第二状态信息综合确定变电站设备的开关的目标状态信息,因此解决了传统的变电站设备的开关状态检测方法的准确率不高的问题,提高了变电站设备的开关状态检测方法的准确率。
可选的,第一确定模块802,用于若第一状态信息与第二状态信息一致,则将第一状态信息或第二状态信息作为目标状态信息。
可选的,该装置800还包括:
第二接收模块,用于接收各终端发送的第一模型参数,其中,第一模型参数为各终端基于对应的变电站设备的开关的样本图像,对预设模型进行训练后确定的参数。
第二确定模块,用于根据各第一模型参数进行联邦学习,确定第二模型参数。
发送模块,用于向各终端发送第二模型参数,以由终端根据第二模型参数,确定用于识别图像的目标模型。
参照图9,图9为本申请实施例中提供的另一种变电站设备的开关状态检测装置的结构示意图,该装置900包括:第一接收模块901、识别模块902和第一发送模块903,其中:
第一接收模块901,用于接收拍摄设备发送的变电站设备的开关的图像以及第一状态信息,其中,第一状态信息为接收的采集设备所发送的变电站设备的开关的电气状态信息。
识别模块902,用于采用目标模型对图像进行识别,得到第二状态信息。
第一发送模块903,用于向控制中心发送第一状态信息和第二状态信息,以由控制中心根据第一状态信息与第二状态信息,确定变电站设备的开关的目标状态信息。
可选的,识别模块902包括:
处理单元,用于对图像进行灰度处理,得到灰度图像。
分割单元,用于从灰度图像中分割出变电站设备的开关的前景灰度图像。
识别单元,用于采用目标模型对前景灰度图像进行识别,得到第二状态信息。
可选的,该装置900还包括:
获取模块,用于获取变电站设备的开关的样本图像。
训练模块,用于基于变电站设备的开关的样本图像,对预设模型进行训练,以确定第一模型参数。
第二发送模块,用于向控制中心发送第一模型参数,以由控制中心基于第一模型参数进行联邦学习,以确定第二模型参数。
第二接收模块,用于接收控制中心发送的第二模型参数,并根据第二模型参数,确定目标模型。
上述变电站设备的开关状态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。
图10为本申请实施例中计算机设备的内部结构图,在本实施例中,提供了一种计算机设备,该计算机设备可以是终端,也可以是服务器,其内部结构图可以如图10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、移动蜂窝网络、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电站设备的开关状态检测方法。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10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上述实施例提供的变电站设备的开关状态检测方法的步骤。其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
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上述实施例提供的变电站设备的开关状态检测方法的步骤。其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现实现上述实施例提供的变电站设备的开关状态检测方法的步骤。其实现原理和技术效果与上述方法实施例类似,在此不再赘述。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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、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-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。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等。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 RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种变电站设备的开关状态检测方法,其特征在于,所述方法包括:
接收终端发送的第一状态信息和第二状态信息,其中,所述第一状态信息为所述终端接收采集设备所发送的所述变电站设备的开关的电气状态信息,所述第二状态信息为所述终端采用目标模型对所述变电站设备的开关的图像进行识别后得到的信息;
根据所述第一状态信息与所述第二状态信息,确定所述变电站设备的开关的目标状态信息。
2.根据权利要求1所述的方法,其特征在于,所述根据所述第一状态信息与所述第二状态信息,确定所述开关设备的目标状态信息,包括:
若所述第一状态信息与所述第二状态信息一致,则将所述第一状态信息或所述第二状态信息作为所述目标状态信息。
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:
接收各所述终端发送的第一模型参数,其中,所述第一模型参数为各所述终端基于对应的所述变电站设备的开关的样本图像,对预设模型进行训练后确定的参数;
根据各所述第一模型参数进行联邦学习,确定第二模型参数;
向各所述终端发送所述第二模型参数,以由所述终端根据所述第二模型参数,确定用于识别所述图像的所述目标模型。
4.一种变电站设备的开关状态检测方法,其特征在于,所述方法包括:
接收拍摄设备发送的所述变电站设备的开关的图像以及第一状态信息,其中,所述第一状态信息为接收的采集设备所发送的所述变电站设备的开关的电气状态信息;
采用目标模型对所述图像进行识别,得到第二状态信息;
向控制中心发送所述第一状态信息和所述第二状态信息,以由所述控制中心根据所述第一状态信息与所述第二状态信息,确定所述变电站设备的开关的目标状态信息。
5.根据权利要求4所述的方法,其特征在于,所述采用目标模型对所述图像进行识别,得到第二状态信息,包括:
对所述图像进行灰度处理,得到灰度图像;
从所述灰度图像中分割出所述变电站设备的开关的前景灰度图像;
采用目标模型对所述前景灰度图像进行识别,得到所述第二状态信息。
6.根据权利要求4或5所述的方法,其特征在于,所述方法还包括:
获取所述变电站设备的开关的样本图像;
基于所述变电站设备的开关的样本图像,对预设模型进行训练,以确定第一模型参数;
向所述控制中心发送所述第一模型参数,以由所述控制中心基于所述第一模型参数进行联邦学习,以确定第二模型参数;
接收所述控制中心发送的第二模型参数,并根据所述第二模型参数,确定所述目标模型。
7.一种变电站设备的开关状态检测装置,其特征在于,所述装置包括:
第一接收模块,接收终端发送的第一状态信息和第二状态信息,其中,所述第一状态信息为所述终端接收采集设备所发送的所述变电站设备的开关的电气状态信息,所述第二状态信息为所述终端采用目标模型对所述变电站设备的开关的图像进行识别后得到的信息;
第一确定模块,用于根据所述第一状态信息与所述第二状态信息,确定所述变电站设备的开关的目标状态信息。
8.一种计算机设备,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。
9.一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。
10.一种计算机程序产品,包括计算机程序,其特征在于,该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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424442.5A CN114358328A (zh) | 2021-11-26 | 2021-11-26 | 变电站设备的开关状态检测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111424442.5A CN114358328A (zh) | 2021-11-26 | 2021-11-26 | 变电站设备的开关状态检测方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114358328A true CN114358328A (zh) | 2022-04-15 |
Family
ID=81096982
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111424442.5A Pending CN114358328A (zh) | 2021-11-26 | 2021-11-26 | 变电站设备的开关状态检测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358328A (zh) |
-
2021
- 2021-11-26 CN CN202111424442.5A patent/CN114358328A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110287836B (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN110245714B (zh) | 图像识别方法、装置及电子设备 | |
CN114722937A (zh) | 一种异常数据检测方法、装置、电子设备和存储介质 | |
CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
CN117033039A (zh) | 故障检测方法、装置、计算机设备和存储介质 | |
CN116229188A (zh) | 图像处理显示方法、分类模型的生成方法及其设备 | |
CN114358328A (zh) | 变电站设备的开关状态检测方法、装置和计算机设备 | |
CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
CN115112661A (zh) | 一种缺陷检测方法、装置、计算机设备和存储介质 | |
CN114332600A (zh) | 变电站设备的开关状态检测方法、装置和计算机设备 | |
CN110929118B (zh) | 网络数据处理方法、设备、装置、介质 | |
CN114630102A (zh) | 检测数据采集设备角度变化的方法、装置和计算机设备 | |
CN116150341B (zh) | 理赔事件检测方法、计算机设备和存储介质 | |
CN113743448B (zh) | 模型训练数据获取方法、模型训练方法和装置 | |
CN116612474B (zh) | 对象检测方法、装置、计算机设备及计算机可读存储介质 | |
CN116112200B (zh) | 配电网纵向访问检测方法、装置、计算机设备和存储介质 | |
CN117454241A (zh) | 监控告警事件的分析方法、装置和计算机设备 | |
CN111800535B (zh) | 终端运行状态的评估方法、装置、存储介质及电子设备 | |
CN117893006A (zh) | 电网风险评估方法、装置、设备、介质和程序产品 | |
CN116881122A (zh) | 测试案例生成方法、装置、设备、存储介质和程序产品 | |
CN114332767A (zh) | 基于图像识别的异物检测方法、装置、设备、介质和产品 | |
CN117893555A (zh) | 刀闸状态确定方法、装置、计算机设备和存储介质 | |
CN115913699A (zh) | 配电网横向访问检测方法、装置、计算机设备和存储介质 | |
CN117436484A (zh) | 图像识别模型构建、装置、计算机设备和存储介质 | |
CN117011513A (zh) | 故障定位方法、装置、设备、存储介质和计算机程序产品 |
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 |