CN115346083A - 一种温度异常检测模型训练方法、装置、设备及介质 - Google Patents

一种温度异常检测模型训练方法、装置、设备及介质 Download PDF

Info

Publication number
CN115346083A
CN115346083A CN202210967289.9A CN202210967289A CN115346083A CN 115346083 A CN115346083 A CN 115346083A CN 202210967289 A CN202210967289 A CN 202210967289A CN 115346083 A CN115346083 A CN 115346083A
Authority
CN
China
Prior art keywords
sample image
infrared
training
anomaly detection
temperature anomaly
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
CN202210967289.9A
Other languages
English (en)
Inventor
黄凯漩
郜学思
颜大涵
蔡泽斌
许哲源
金晶
林冬伟
王晓环
杨康宜
侯光华
黄健昂
游麒
林沐
刘梓权
曹海盛
林峰
陈文旭
郑坤炜
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.)
Guangdong Power Grid Co Ltd
Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Shantou Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210967289.9A priority Critical patent/CN115346083A/zh
Publication of CN115346083A publication Critical patent/CN115346083A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例公开了一种温度异常检测模型训练方法、装置、设备及介质。该方法包括：获取包括阀冷设备的红外样本图像和红外样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别；根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。采用上述技术方案，提高了阀冷系统设备发热故障判断的效率和准确率，提升了阀冷系统的可靠性和换流站的智能化水平。

Description

一种温度异常检测模型训练方法、装置、设备及介质
技术领域
本申请实施例涉及计算机技术领域，尤其涉及一种温度异常检测模型训练方法、装置、设备及介质。
背景技术
换流阀是柔性直流换流站中的核心设备之一，其中部分元件在正常运行时将产生大量的热，需要配置阀冷系统对换流阀进行降温冷却。阀冷系统是一个封闭的水循环系统，主循环泵提供冷却介质循环所需动力。电机是主循环泵的动力装置，一旦出现故障，必须要停泵检修，直接影响阀冷系统以至换流阀的正常运行。因此对其进行红外检测与故障诊断有很有必要。
目前对设备进行红外检测与故障诊断的方法有两种，一是利用线性函数建立比色条坐标与温度关系，对红外图像像素扫描找温度最高点的方法，根据温度阈值进行判别故障；二是利用传统的图像分割算法、基于聚类分析的图像分割将红外图像中的发热区域提取出来进行故障诊断
上述方法对设备进行均存在着故障设备识别误差大，发热区域识别效果差的缺陷。
发明内容
本申请提供一种温度异常检测模型训练方法、装置、设备及介质，以提高阀冷系统设备发热故障诊断结果的准确率。
第一方面，本申请实施例提供了一种温度异常检测模型训练方法，包括：
获取包括阀冷设备的红外样本图像和红外样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别；
根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
第二方面，本申请实施例还提供了一种温度异常检测模型训练装置，包括：
红外图像获取模块，用于获取包括阀冷设备的红外样本图像；
标注数据获取模块，用于获取红外样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别；
模型训练模块，用于根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
第三方面，本申请实施例还提供了一种电子设备，包括：
至少一个处理器；以及
与至少一个处理器通信连接的存储器；其中
存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够实现如第一方面实施例所提供的温度异常检测模型训练方法。
第四方面，本申请实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所提供的温度异常检测模型训练方法。
本申请实施例通过获取包括阀冷设备的红外样本图像和红外样本图像对应的标注数据；根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。其中，标注数据包括发热区域的标准位置信息和标准区域类别。采用上述技术方案训练获得的温度异常检测模型，可以有效检测阀冷设备的发热故障，提高了阀冷系统设备发热故障诊断结果的准确率。
附图说明
图1是本申请实施例一中的一种温度异常检测模型训练方法的流程图；
图2是本申请实施例二中的一种温度异常检测模型训练方法的流程图；
图3是本申请实施例三中的一种温度异常检测模型训练方法的流程图；
图4是本申请实施例四中的一种温度异常检测模型训练装置的结构图；
图5是本申请实施例五中的一种电子设备的结构图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。
实施例一
图1是本申请实施例一中的一种温度异常检测模型训练方法的流程图，本实施例可适用于对柔直换流站中阀冷设备进行故障检测的情况，该方法可以由一种温度异常检测模型训练装置来执行，该装置可以采用软件和/或硬件实现，并具体配置在电子设备中。
如图1所示的一种温度异常检测模型训练方法，包括：
S101、获取包括阀冷设备的红外样本图像和红外样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别。
其中，标准位置信息为标注框的位置信息；标准区域类别为相应标注框的标注类别；标注类别为形状类别或设备类别。
其中，红外样本图像的数量为至少一个，通常为多个。获取方式可以是直接对阀冷设备进行采集；还可以是从阀冷设备的红外图像库中获取。示例性的，采集阀冷设备的红外样本图像的设备可以是红外检测仪器，例如红外成像仪、红外热电视或红外测温器等。示例性的，从阀冷设备的红外图像库中提取一定数量的图像作为红外样本图像。
其中，标注数据可以按照预设标准数据集格式存储，得到标注文件。例如，标准数据集格式可以是可视对象类(PASCAL Visual Object Classes，PASCAL VOC)格式；标准文件可以是可扩展标记语言(eXtensible Markup Language，xml)文件。
其中，标注框可以是红外样本图像中的一个矩形框，这个矩形框标注了红外样本图像中的检测区域。其中，检测区域用于指示发热区域或设备区域。位置信息可以包括标注框左上角顶点的横坐标值、标注框左上角顶点的纵坐标值、标注框的长度值和标注框的宽度值。
其中，形状类别用于表征发热区域的形状，例如形状可以是团状和盘状。设备类别用于表征阀冷设备名称的类别，例如设备类别可以是电机类。
S102、根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
其中，红外样本图像和相应标注数据可以按照一定比例分为训练集和验证集。训练集用来对预先构建的机器学习模型进行训练。验证集用来对训练得到的机器学习模型的性能进行评价。进一步的，当模型评价结果满足模型生成条件时，将训练后的机器学习模型为温度异常检测模型。
示例性的，训练集和验证集的比例可以由技术人员根据需要或经验值进行设置或调整，例如可以是4:1。
其中，机器学习模型可以采用现有技术的至少一种模型组合得到，本申请对机器学习模型的具体网络结构不作任何限定。在一个可选实施例中，机器学习模型可以是神经网络模型，例如YOLOv3模型网络。
示例性地，模型评价过程可以是：将验证集中的红外样本图像输入至温度异常检测模型，得到各红外图像类别的预测结果；根据预测结果与验证集中红外样本图像的标注数据之间的差异，确定模型评价数据，用于对温度异常检测模型进行评价。
本申请实施例通过获取包括阀冷设备的红外样本图像和红外样本图像对应的标注数据；根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。其中，标注数据包括发热区域的标准位置信息和标准区域类别。采用上述技术方案训练获得的温度异常检测模型，可以有效检测阀冷设备的发热故障，提高了发热故障诊断的准确率。
实施例二
在上述各技术方案的基础上，本申请还提供了一个可选实施例。在该可选实施例中，对阀冷设备红外样本图像的获取操作进行了优化改进。
进一步的，将操作“获取包括阀冷设备的红外样本图像”，细化为“获取包括阀冷设备的原始样本图像；确定原始样本图像在通道维度的放大倍数；根据放大倍数，对原始样本图像进行颜色恢复，得到红外样本图像”，以提高红外样本图像的图像质量。
需要说明的是，在本申请实施例中未详述部分，可参见前述实施例的表述。
如图2所示的一种温度异常检测模型训练方法，包括：
S201、获取包括阀冷设备的原始样本图像和原始样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别。
其中，原始样本图像为直接采集的RGB格式的红外图像。
S202、确定原始样本图像在通道维度的放大倍数。
其中，放大倍数可以用于对相应通道维度的像素值进行缩放处理，以提高图像质量，增强图像中的红外特征。由于RGB格式图像通过红色分量、绿色分量与蓝色分量来显示图像，不能充分利用图像中的红外特征来确定放大倍数，因此，需要对原始样本图像进行格式转化，把RGB格式转化为YCbCr格式，基于其中表达光照分量的Y通道来确定放大倍数。除此之外，还可以将图像格式转换为任意一种包含光照分量的图像格式，例如HSV格式,本申请对此不作任何限定。
其中，图像格式转化可以采用现有技术中的至少一种方式加以实现，本申请对此不作任何限定。
可选的，根据原始样本图像在不同通道的像素均值，确定强度通道图像。
示例性的，可以把原始样本图像中各像素点的RGB三通道的像素值相加，将计算结果除以通道数，得到强度通道图像，公式如下表示：
Figure BDA0003795227710000061
其中，I表示强度通道图像。IR表示原始样本图像的R通道图像。IG表示原始样本图像的G通道图像。IB表示原始样本图像的B通道图像。
可选的，根据格式转化后的原始样本图像中Y通道的光照分量与强度通道图像在各像素点的比值，确定原始样本图像在相应像素点的通道维度下的放大倍数。
在一个可选实施例中，针对原始样本图像中的各像素点，可以将该像素点在不同通道中像素值的最大值作为参考像素值；将预设像素值(如最大像素值255)与该参考像素值的比值作为参考放大倍数；将格式转化后该像素点在Y通道的光照分量上的像素值，与强度通道图像中相应像素值的比值，以及前述参考放大倍数中的其中一个(例如较小值)，作为原始样本图像在相应像素点的通道维度下的放大倍数。示例性的，放大倍数可以由以下公式确定：
B＝max(IR[i],IG[i],IB[i])；
Figure BDA0003795227710000071
其中，B表示原始样本图像中第i个像素点的参考像素值；IR[i]表示原始样本图像中第i个像素点在R通道中的像素值；IG[i]表示原始样本图像中第i个像素点在G通道中的像素值；IB[i]表示原始样本图像中第i个像素点在B通道中的像素值；IY[i]表示YCbCr格式的原始样本图像中第i个像素点在Y通道中的像素值；A表示原始样本图像中第i个像素点的通道维度下的放大倍数。
采用此种方法，将图像转化到YCbCr格式，并根据原始样本图像中Y通道的光照分量确定放大倍数，有效利用了图像中的光照分量，强化了放大倍数对图像中的光线特征的影响，从而增强了放大倍数对红外样本图像中红外特征的放大作用。
S203、根据放大倍数，对原始样本图像进行颜色恢复，得到红外样本图像。
其中，颜色恢复操作可以是将放大倍数乘以原始样本图像中相应像素点的各通道像素值。示例性的，可以用以下公式实现：
MSRCPR[i]＝A·IR[i]；
MSRCPG[i]＝A·IG[i]；
MSRCPB[i]＝A·IB[i]；
其中，MSRCPR[i]表示红外样本图像中第i个像素点在R通道中的像素值，MSRCPG[i]表示红外样本图像中第i个像素点在G通道中的像素值，MSRCPB[i]表示红外样本图像中第i个像素点在B通道的像素值。
采用此种方法，对原始样本图像进行颜色恢复，提高了原始样本图像的图像质量和图像的红外特征，从而提高了机器学习模型检测异常区域的准确度。
S204、根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
本申请实施例通过对原始样本图像进行由RGB格式向YCbCr格式的转换；根据原始样本图像在不同通道的像素均值，确定强度通道图像；根据强度通道图像确定放大倍数和对原始样本图像进行颜色恢复的操作，提高了原始样本图像的图像质量，增强了图像中的红外特征，提高模型对红外样本图像的检测精度，从而提高了模型训练的准确率。
实施例三
在上述各技术方案的基础上，本申请还提供了一个可选实施例。在该可选实施例中，对检测模型的训练进行了优化改进。
进一步的，将操作“根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型”，细化为“将红外样本图像输入至预先构建的机器学习模型，得到样本预测数据；根据样本预测数据与相应标注数据的差异，训练机器学习模型，并将训练好的机器学习模型作为温度异常检测模型”，以提高检测模型的准确率。
需要说明的是，在本申请实施例中未详述部分，可参见前述实施例的表述。
如图3所示的一种温度异常检测模型训练方法的流程图，包括：
S301、获取包括阀冷设备的红外样本图像和红外样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别。
S302、将红外样本图像输入至预先构建的机器学习模型，得到样本预测数据。
其中，样本预测数据包括红外样本图像在不同划分网格内预测发热区域的预测位置信息、预测区域类别和预测区域类别的置信度。
示例性的，机器学习模型可以包括主干网络层、特征融合层和预测层。主干网络层对输入的红外样本图像不同尺度下的特征提取，得到多尺度的红外特征图像；特征融合层将不同尺度的红外特征图像进行特征融合，得到多个不同尺度的融合特征图像；预测层对这些不同尺度的融合特征图像进行感知预测，得到样本预测数据。其中，主干网络层引入注意力增强模块，以提高所提取特征的准确度。其中，主干网络层可以是引入CBAM(Convolutional Block Attention Module，卷积块注意模块)模块的FPN(FeaturePyramid Networks，特征金字塔网络)网络。
可选的，可以预先将红外样本图像，均匀划分为大小相同的第一预设数量的网格。其中，各网格中预先标注有第二预设数量的标注框以及相应类别的标注。
可选的，预测位置信息可以是预测框的位置信息。预测区域类别为预测框对应区域的预测类别。预测类别可以是形状类别或设备类别。其中，置信度用于表征预测框的可信程度。
由于相同区域对应预测框的数量可能不止一个，因此，可以引入非极大抑制方法，进行预测框的选取。首先，针对相同区域，将该区域中置信度小于预设置信度阈值的候选预测框删除；选取对应类别预测概率最高的候选预测框作为基准，确定其他候选预测框与该基准的交并比，并将交并比超过预设交并比阈值的候选预测框删除；重新从剩余的候选预测框中选取类别预测概率较高的候选预测框作为基准，继续执行候选预测框删除操作，直至所有候选预测框都被选出作为基准，也即剩余的候选预测框为空。此时，将剩余预测框作为该相同区域中的预测框。其中，预设交并比阈值可以由技术人员设定为经验值或根据应用需求自行设定。
S303、根据样本预测数据与相应标注数据的差异，训练机器学习模型，并将训练好的机器学习模型作为温度异常检测模型。
其中，样本预测数据与相应标注数据的差异可以包括定位损失、分类损失和置信度损失。
可选的，定位损失可以理解为样本预测数据与相应标注数据在位置信息上的差异，可以根据不同划分网格下预测位置信息和相应标准位置信息，确定定位损失。
示例性的，可以将一个预测框与对应标注框的中心点坐标损失和尺寸损失相加，得到该预测框的定位损失，累加图像中所有正样本预测框的定位损失，得到最终的定位损失。其中，中心点坐标损失可以通过计算预测框的中心点坐标(包括中心点横坐标和中心点纵坐标)与相应标注框在中心点坐标上的误差得到；尺寸损失可以通过计算预测框与相应标注框在宽度及高度上的误差得到。具体的，可以采用以下定位损失函数确定定位损失：
Figure BDA0003795227710000111
Figure BDA0003795227710000112
Figure BDA0003795227710000113
其中，Lloc表示定位损失，Lxy表示中心点坐标损失，Lwh表示尺寸损失。带^号的变量表示样本标注数据，不带^号的变量表示样本预测数据；S表示划分的网格数；B表示标注框数；w为归一化后标注框的宽度；h为归一化后标注框的高度；
Figure BDA0003795227710000114
表示第i个网格的第j个标注框对应预测框的中心横坐标的偏移量；
Figure BDA0003795227710000115
表示第i个网格的第j个标注框对应预测框的中心纵坐标的偏移量；
Figure BDA0003795227710000116
表示第i个网格的第j个标注框对应预测框的宽度调整；
Figure BDA0003795227710000117
表示第i个网格的第j个标注框对应预测框的高度调整；Ii,j obj表示第i个网格的第j个标注框为正样本时为1，否则为0。
可选的，分类损失可以理解为样本预测数据与相应标注数据在目标预测类别上的差异。可以根据不同划分网格下各预测区域类别和相应标准区域类别，确定分类损失。
示例性的，可以把一个预测框中目标预测类别正确概率误差与目标预测类别错误概率误差相加，得到该预测框的分类损失，累加所有正样本预测框的分类损失，得到最终的分类损失。具体的，可以采用以下分类损失函数确定分类损失：
Figure BDA0003795227710000121
其中，Lcls表示分类损失；
Figure BDA0003795227710000122
表示第i个网格的第j个标注框对应预测框中目标的类别预测概率；c为目标预测类别。
可选的，置信度损失可以理解为样本预测数据的置信度与相应标注数据区域类别的差异。可以根据不同划分网格下各预测框的置信度和相应标注框的样本标签(也即正负样本)，确定置信度损失。
示例性的，可以把一个预测框的置信度可信情况下的置信度损失和置信度不可信情况下的置信度损失相加，得到该预测框的置信度损失，累加所有正样本预测框和负样本预测框的置信度损失，得到最终的置信度损失。具体的，可以采用以下置信度损失函数确定置信度损失：
Figure BDA0003795227710000123
其中，Lconf表示置信度损失。Ii,j noobj表示第i个网格的第j个标注框为负样本时为1，否则为0；
Figure BDA0003795227710000124
表示第i个网格的第j个标注框对应预测框的置信度。
可选的，根据定位损失、分类损失和置信度损失中的至少一种，确定目标损失。示例性的，目标损失可以通过将定位损失、分类损失和置信度损失相加，并除以红外样本图像中标注框总数得到。具体的，可以采用以下目标损失函数确定目标损失：
Figure BDA0003795227710000125
其中，floss表示目标损失，n表示红外样本图像中标注框的总数。
可选的，根据目标损失，调整机器学习模型中的网络参数，以训练机器学习模型，并将训练好的机器学习模型作为温度异常检测模型。
在进行模型训练过程中，可以采用Adam优化算法、余弦退火学习率进行迭代运算训练，使得网络的预测框逐渐接近标注的标注框，且分类准确。通过验证集对迭代训练后的机器学习模型进行模型评价，并将评价指标满足预设需求的机器学习模型作为温度异常检测模型。
在一个具体实施例中，可以根据实际需求设定训练集的红外样本图像的数量，并采用Adam优化算法，权重衰减设置为0.0005，学习率采用余弦退火学习率，一共迭代800次，训练结束后，保存模型的参数，得到温度异常检测模型。
本申请实施例将红外样本图像输入至预先构建的机器学习模型，得到样本预测数据；根据样本预测数据与相应标注数据的差异，确定定位损失、分类损失、置信度损失和目标损失；根据目标损失，调整机器学习模型中的网络参数，以训练机器学习模型。优化了机器学习模型中网络参数，使预测框逐渐接近标注框且分类准确，提高了检测模型的准确率。
实施例四
图4是本申请实施例四中的一种温度异常检测模型训练装置的结构图。本申请实施例可适用于对柔直换流站中阀冷设备经进行故障检测的情况。该装置由软件和/或硬件实现，并具体配置在电子设备中。如图4所示，该温度异常检测模型训练装置包括：红外图像获取模块401、标注数据获取模块402和模型训练模块403。
其中，红外图像获取模块401，用于获取包括阀冷设备的红外样本图像。
其中，标注数据获取模块402，用于获取红外样本图像对应的标注数据；其中，标注数据包括发热区域的标准位置信息和标准区域类别。
其中，模型训练模块403，用于根据红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
本申请实施例通过红外图像模块获取包括阀冷设备的红外样本图像；通过标注数据获取模块获取红外样本图像对应的标注数据；通过模型训练模块根据红外样本图像对应的标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型；其中，标注数据包括发热区域的标准位置信息和标注区域类别。采用上述技术方案获得的温度异常检测模型,可以有效检测阀冷设备的发热故障，提高了发热故障诊断的准确率。
在一个可选实施例中，红外图像获取模块401，包括：
原始图像获取单元，用于获取包括阀冷设备的原始样本图像；
放大倍数确定单元，用于确定原始样本图像在通道维度的放大倍数；
图像颜色恢复单元，用于根据放大倍数，对原始样本图像进行颜色恢复，得到红外样本图像。
在一个可选实施例中，放大倍数确定单元，包括：
图像格式转化子单元，用于将RGB格式的原始样本图像转化为YCbCr格式；
放大倍数确定子单元，用于根据格式转化后的原始样本图像中Y通道光照分量，和原始样本图像在不同通道的像素值，确定原始样本图像在通道维度的放大倍数。
在一个可选实施例中，放大倍数确定子单元，包括：
强度通道图像确定子单元，用于根据原始样本图像在不同通道的像素均值，确定强度通道图像；
放大倍数确定子单元，用于根据格式转化后的原始样本图像中Y通道的光照分量与强度通道图像在各像素点的比值，确定原始样本图像在相应像素点的通道维度下的放大倍数。
在一个可选实施例中，标准位置信息为标注框的位置信息；标准区域类别为相应标注框的标注类别；标注类别为形状类别或设备类别。
在一个可选实施例中，模型训练生成模块403，包括：
预测数据获得单元，用于将红外样本图像输入至预先构建的机器学习模型，得到样本预测数据；
模型训练单元，用于根据样本预测数据与相应标注数据的差异，训练机器学习模型，并将训练好的机器学习模型作为温度异常检测模型。
在一个可选实施例中，样本预测数据包括红外样本图像在不同划分网格内预测发热区域的预测位置信息、预测区域类别和预测区域类别的置信度；
相应的，模型训练生成单元，包括：
定位损失确定子单元，用于根据不同划分网格下各预测位置信息和相应标准位置信息，确定定位损失；
分类损失确定子单元，用于根据不同划分网格下各预测区域类别和相应标准区域类别，确定分类损失；
置信度损失确定子单元，用于根据不同划分网格下各预测区域类别的置信度和相应标准区域类别，确定置信度损失；
目标损失确定子单元，用于根据定位损失、分类损失和置信度损失中的至少一种，确定目标损失；
网络参数调整子单元，用于根据目标损失，调整机器学习模型中的网络参数，以训练机器学习模型。
上述温度异常检测模型训练装置可执行本申请任意实施例所提供的温度异常检测模型训练方法，具备执行温度异常检测模型训练方法相应的功能模块和有益效果。
实施例五
图5是用来实现本申请实施例的一种电子设备的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图5所示，设备包括计算单元501，其可以根据存储在只读存储器(ROM)502中的计算机程序或者从存储单元508加载到随机访问存储器(RAM)503中的计算机程序，来执行各种适当的动作和处理。在RAM503中，还可存储设备500操作所需的各种程序和数据。计算单元501、ROM502以及RAM503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
设备500中的多个部件连接至I/O接口505，包括：输入单元506，例如键盘、鼠标等；输出单元507，例如各种类型的显示器、扬声器等；存储单元508，例如磁盘、光盘等；以及通信单元509，例如网卡、调制解调器、无线通信收发机等。通信单元509允许设备500通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元501可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元501的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元501执行上文所描述的各个方法和处理，例如温度异常检测模型训练方法。例如，在一些实施例中，温度异常检测模型训练方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元508。在一些实施例中，计算机程序的部分或者全部可以经由ROM 502和/或通信单元509而被载入和/或安装到设备500上。当计算机程序加载到RAM503并由计算单元501执行时，可以执行上文描述的温度异常检测模型训练方法的一个或多个步骤。备选地，在其他实施例中，计算单元501可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行温度异常检测模型训练方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。服务器也可以为分布式系统的服务器，或者是结合了区块链的服务器。
人工智能是研究使计算机来模拟人的某些思维过程和智能行为(如学习、推理、思考、规划等)的学科，既有硬件层面的技术也有软件层面的技术。人工智能硬件技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理等技术；人工智能软件技术主要包括计算机视觉技术、语音识别技术、自然语言处理技术及机器学习/深度学习技术、大数据处理技术、知识图谱技术等几大方向。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请提供的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请保护范围之内。

Claims (10)

1.一种温度异常检测模型训练方法，其特征在于，包括：
获取包括阀冷设备的红外样本图像和所述红外样本图像对应的标注数据；其中，所述标注数据包括发热区域的标准位置信息和标准区域类别；
根据所述红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
2.根据权利要求1所述的方法，其特征在于，所述获取包括阀冷设备的红外样本图像，包括：
获取包括所述阀冷设备的原始样本图像；
确定所述原始样本图像在通道维度的放大倍数；
根据所述放大倍数，对所述原始样本图像进行颜色恢复，得到所述红外样本图像。
3.根据权利要求2所述的方法，其特征在于，所述确定所述原始样本图像在通道维度的放大倍数，包括：
将RGB格式的原始样本图像转化为YCbCr格式；
根据格式转化后的原始样本图像中Y通道光照分量，和所述原始样本图像在不同通道的像素值，确定所述原始样本图像在通道维度的放大倍数。
4.根据权利要求3所述的方法，其特征在于，所述根据格式转化后的原始样本图像中Y通道的光照分量，和所述原始样本图像在不同通道的像素值，确定所述原始样本图像在通道维度的放大倍数，包括：
根据所述原始样本图像在不同通道的像素均值，确定强度通道图像；
根据格式转化后的原始样本图像中Y通道的光照分量与所述强度通道图像在各像素点的比值，确定所述原始样本图像在相应像素点的通道维度下的放大倍数。
5.根据权利要求1-4任一项所述的方法，其特征在于，所述标准位置信息为标注框的位置信息；所述标准区域类别为相应标注框的标注类别；所述标注类别为形状类别或设备类别。
6.根据权利要求5所述的方法，其特征在于，所述根据所述红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型，包括：
将所述红外样本图像输入至预先构建的机器学习模型，得到样本预测数据；
根据所述样本预测数据与相应标注数据的差异，训练所述机器学习模型，并将训练好的机器学习模型作为所述温度异常检测模型。
7.根据权利要求6所述的方法，其特征在于，所述样本预测数据包括所述红外样本图像在不同划分网格内预测发热区域的预测位置信息、预测区域类别和所述预测区域类别的置信度；
相应的，所述根据所述样本预测数据与相应标注数据的差异，训练所述机器学习模型，包括：
根据不同划分网格下各预测位置信息和相应标准位置信息，确定定位损失；
根据不同划分网格下各预测区域类别和相应标准区域类别，确定分类损失；
根据不同划分网格下各预测区域类别的置信度和相应标准区域类别，确定置信度损失；
根据所述定位损失、所述分类损失和所述置信度损失中的至少一种，确定目标损失；
根据所述目标损失，调整所述机器学习模型中的网络参数，以训练所述机器学习模型。
8.一种温度异常检测模型训练装置，其特征在于，包括：
红外图像获取模块，用于获取包括阀冷设备的红外样本图像；
标注数据获取模块，用于获取所述红外样本图像对应的标注数据；其中，所述标注数据包括发热区域的标准位置信息和标准区域类别；
模型训练模块，用于根据所述红外样本图像和相应标注数据，对预先构建的机器学习模型进行训练，得到温度异常检测模型。
9.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的温度异常检测模型训练方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如权利要求1-7任一项所述的一种温度异常检测模型训练方法。
CN202210967289.9A 2022-08-12 2022-08-12 一种温度异常检测模型训练方法、装置、设备及介质 Pending CN115346083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210967289.9A CN115346083A (zh) 2022-08-12 2022-08-12 一种温度异常检测模型训练方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210967289.9A CN115346083A (zh) 2022-08-12 2022-08-12 一种温度异常检测模型训练方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN115346083A true CN115346083A (zh) 2022-11-15

Family

ID=83952538

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210967289.9A Pending CN115346083A (zh) 2022-08-12 2022-08-12 一种温度异常检测模型训练方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN115346083A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115457036A (zh) * 2022-11-10 2022-12-09 中国平安财产保险股份有限公司 检测模型训练方法、智能点数方法和相关设备
CN115661016A (zh) * 2022-12-08 2023-01-31 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台
CN116309501A (zh) * 2023-03-27 2023-06-23 北京鹰之眼智能健康科技有限公司 一种疮面类型预测方法、电子设备和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115457036A (zh) * 2022-11-10 2022-12-09 中国平安财产保险股份有限公司 检测模型训练方法、智能点数方法和相关设备
CN115661016A (zh) * 2022-12-08 2023-01-31 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台
CN116309501A (zh) * 2023-03-27 2023-06-23 北京鹰之眼智能健康科技有限公司 一种疮面类型预测方法、电子设备和存储介质
CN116309501B (zh) * 2023-03-27 2024-02-02 北京鹰之眼智能健康科技有限公司 一种疮面类型预测方法、电子设备和存储介质

Similar Documents

Publication Publication Date Title
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN115346083A (zh) 一种温度异常检测模型训练方法、装置、设备及介质
CN113033622A (zh) 跨模态检索模型的训练方法、装置、设备和存储介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN109934221B (zh) 基于注意力机制的电力设备自动分析识别监控方法及系统
CN113379813A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质
CN115546630A (zh) 基于遥感影像特征目标检测的工地提取方法和系统
CN113869449A (zh) 一种模型训练、图像处理方法、装置、设备及存储介质
US20220172376A1 (en) Target Tracking Method and Device, and Electronic Apparatus
CN113947188A (zh) 目标检测网络的训练方法和车辆检测方法
CN116824517B (zh) 基于可视化的变电站运维安全管控系统
CN113436100A (zh) 用于修复视频的方法、装置、设备、介质和产品
CN113361572A (zh) 图像处理模型的训练方法、装置、电子设备以及存储介质
CN112989987A (zh) 用于识别人群行为的方法、装置、设备以及存储介质
CN115019209A (zh) 一种基于深度学习的电力杆塔状态检测的方法及系统
CN114581732A (zh) 一种图像处理及模型训练方法、装置、设备和存储介质
CN114694130A (zh) 基于深度学习的铁路沿线电线杆及杆号检测方法和装置
CN112734637B (zh) 一种导线温度监测的热红外图像处理方法和系统
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN114140731B (zh) 一种牵引变电所异常检测方法
CN114283323A (zh) 一种基于图像深度学习的海上目标识别系统
CN113393453A (zh) 用于检测自爆绝缘子的方法、装置、设备、介质和产品
CN118071821A (zh) 位置信息的确定方法、装置、存储介质和电子设备
CN116229209B (zh) 目标模型的训练方法、目标检测方法及装置
CN117876362B (zh) 一种基于深度学习的自然灾害损失评估方法及装置

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