CN115761648A - 应用于变压器的渗油评估方法、装置、设备、介质及产品 - Google Patents
应用于变压器的渗油评估方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN115761648A CN115761648A CN202211596553.9A CN202211596553A CN115761648A CN 115761648 A CN115761648 A CN 115761648A CN 202211596553 A CN202211596553 A CN 202211596553A CN 115761648 A CN115761648 A CN 115761648A
- Authority
- CN
- China
- Prior art keywords
- transformer
- sample
- detected
- classification
- visual angles
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Abstract
本发明公开了一种应用于变压器的渗油评估方法、装置、设备及介质。获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像;其中,至少两个视角对应于待检测变压器的同一检测部位;将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到待检测变压器所对应的分类结果;基于分类结果,确定待检测部位的破损等级;若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端,解决了无法快速识别变压器漏油的部位和严重程度的技术问题,实现了及时识别变压器渗漏油的具体部位以及严重等级,提高了检测的变压器出现渗漏油效率以及准确率,为提升变压器监护的安全提供保障。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及应用于变压器的渗油评估方法、装置、设备、介质及产品。
背景技术
变压器作为变电站中最重要的设备之一,担负着输送大量电能的重要任务。变压器的构造较为复杂,连接构件较多,在长期的运行过程中,容易出现故障或者是缺陷问题。其中,出现渗漏油情况所占的比例较高,若不及时处理,可能会引发变压器的绝缘损坏、线圈变形和污秽闪络等事故。
现有技术中,对变压器渗漏油问题的发现多依赖人工巡检。另外,还可以直接对渗漏油图像或视频进行处理,通过图像识别技术发现变压器的渗漏油问题。
但是,人工巡检变压器渗漏油不仅费时费力,而且效率相对较低,以及时发现早期问题。另外,而变电站缩成环境较为复杂,渗漏油在复杂的背景下并不显著,往往是渗漏油出现较长时间、较大面积后才能发现,不能快速根据现场条件识别出渗漏油的部位和严重程度,存在普适性不足的问题。
发明内容
本发明提供了应用于变压器的渗油评估方法、装置、设备、介质及产品,实现了及时识别变压器渗漏油的具体部位以及严重等级,提高了检测的变压器出现渗漏油效率以及准确率,为提升变压器监护的安全提供保障。
第一方面,本发明提供了一种应用于变压器的渗油评估方法,该方法包括:
获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像;其中,所述至少两个视角对应于所述待检测变压器的同一检测部位;
将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到所述待检测变压器所对应的分类结果;
基于所述分类结果,确定所述待检测部位的破损等级;
若所述破损等级高于预设等级阈值,则将所述至少两个视角所对应的检测部位反馈至目标终端。
第二方面,本发明提供了一种应用于变压器的渗油评估装置,该装置包括:
待处理图像获取模块,用于获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像;其中,所述至少两个视角对应于所述待检测变压器的同一检测部位;
分类结果确定模块,用于将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到所述待检测变压器所对应的分类结果;
破损等级确定模块,用于基于所述分类结果,确定所述待检测部位的破损等级;
检测部位反馈模块,用于若所述破损等级高于预设等级阈值,则将所述至少两个视角所对应的检测部位反馈至目标终端。
第三方面,本发明提供了一种数据处理电子设备,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计算机程序,计算机程序被至少一个处理器执行,以使至少一个处理器能够执行本发明任一实施例的应用于变压器的渗油评估方法。
第四方面,本发明提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机指令,计算机指令用于使处理器执行时实现本发明任一实施例的应用于变压器的渗油评估方法。
第五方面,本发明提供了一种计算机程序产品,计算机程序产品包括计算机程序,计算机程序在被处理器执行时实现本发明任一实施例的应用于变压器的渗油评估方法。
本发明实施例提供的技术方案,获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像,其中,至少两个视角对应于待检测变压器的同一检测部位,随后,将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到待检测变压器所对应的分类结果,从而基于分类结果,确定待检测部位的破损等级,若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端。本发明实施例解决了无法快速识别变压器漏油的部位和严重程度的技术问题,通过对变压器多角度的图像进行实时分类处理,实现了及时识别变压器渗漏油的具体部位以及严重等级,提高了检测的变压器出现渗漏油效率以及准确率,为提升变压器监护的安全提供保障。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种应用于变压器的渗油评估方法的流程图;
图2为本发明实施例二提供的一种应用于变压器的渗油评估方法的流程图;
图3为本发明实施例三提供的一种应用于变压器的渗油评估装置结构示意图;
图4为本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一预设条件”、“第二预设条件”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
在介绍本技术方案之前,可以先对应用场景进行示例性说明。变压器作为变电站中最重要的设备之一,变压器的构造较为复杂,连接构件较多,在长期的运行过程中,容易出现故障或者是缺陷问题。其中,出现渗漏油情况所占的比例较高,若变压器渗漏油的问题不及时处理,可能会引发变压器的绝缘损坏、线圈变形和污秽闪络等事故,进而影响变电站的安全稳定运行。因此,在变电站智能化运维发展中,需要对变压器渗漏油情况进行分析判断,安全管控变压器的稳定运行,快速识别出变压器渗漏油的部位及情况,从而分析出对变压器运行的影响程度,及时提出对应的解决方案。
图1为本发明实施例一提供的一种应用于变压器的渗油评估方法的流程图,本实施例可适用于基于变压器多角度的图像识别变压器渗漏油的具体部位以及严重等级的情形。该方法可以由应用于变压器的渗油评估装置来执行,该装置可以采用硬件和/或软件的形式实现,该装置可以配置在计算机设备上,该计算机设备可以是笔记本、台式计算机以及智能平板等。
如图1所示,该方法包括:
S110、获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像。
其中,待检测变压器为变电站中的硬件设备,是需要对其进行渗漏油检测的变压器。至少两个视角对应于待检测变压器的同一检测部位。待处理图像为在至少两个视角下安装的图像采集设备拍摄的图像。后续可以对待处理图像进行处理,以识别待检测变压器的渗漏油情况。
在本实施例中,可以预先设定一个周期时长,例如,预先设定一个周期时长为1秒。每隔一个周期对应的时刻可以作为当前时刻。
具体的,可以在待检测变压器在至少两个视角处安装图像采集设备,基于与待检测变压器相对应的采集装置,每隔一个预设周期采集一次待检测变压器的图像。
示例性的,可以将图像采集装置安装于待检测变压器四周的任意位置,但是装置并不安装在待检测变压器的柜体上,而是安装在待检测变压器四周的硬件装置上,以使可以清楚地拍摄到待检测变压器的图像。若预设周期为1秒钟,则每隔1秒钟安装于待检测变压器四周的图像采集设备都采集一次待检测变压器的待处理图像。基于此,可以获取到4张当前时刻的待处理图像,分别是待处理图像1、待处理图像2、待处理图像3和待处理图像4。
S120、将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到待检测变压器所对应的分类结果。
其中,目标分类模型为基于大量训练样本预先训练好的的神经网络模型,例如,目标分类模型可以是深度卷积神经网络模型。分类结果为将待处理图像输入至目标分类模型后,目标分类模型输出的结果。分类结果的具体表征形式可以是概率分布向量。分类结果与破损等级是相对应的,即若在模型训练阶段确定的破损等级包括:0等级、1等级、2等级和3等级,则分类结果的表征形式可以是1×4维的向量,每个向量位置表征不同的破损等级,每个向量位置上对应的数值为对应等级的概率分布值。其中,0等级代表的是待检测变压器没有损坏情形对应的等级,等级越高对应的损坏程度越严重。
具体的,可以将至少两个视角下的待处理图像输入至目标分类模型中,目标分类模型对至少两个视角下的待处理图像处理后得到与待处理图像对应的分类结果。
示例性的,在上述示例性的基础上,将待处理图像1、待处理图像2、待处理图像3和待处理图像4输入至目标分类模型中,目标分类模型输出的分类结果可以是:{92%,2%,6%,0%},其中第一个标识位的数值表示0等级的概率分布值、第二个标识位的数值表示1等级的概率分布值、第三个标识位的数值表示2等级的概率分布值、第四个标识位的数值表示3等级的概率分布值。
S130、基于分类结果,确定待检测部位的破损等级。
其中,破损等级用表征变压器渗漏油的严重程度。在训练目标分类模型在模型之前,各训练样本对应的破损等级是进行标注过的,基于此,此步骤中的破损等级与训练样本中的破损等级是相对应的。
具体的,分类结果为与破损等级相对应的概率分布向量,可以预先设定概率阈值,若某一个标识位对应的概率分布值大于概率阈值,则将这一标识位对应的破损等级确定为待检测部位的破损等级。
在上述示例性的基础上,若预先设定概率阈值为80%,目标分类模型输出的分类结果可以是:{92%,2%,6%,0%},第一标识位的概率分布值为92%,92%大于概率阈值为80%,第一标识位对应的破损等级为0等级,则将0等级作为待检测部位的破损等级。
在上述实施例的基础上,还有一种确定破损等级的方式,接下来进行详细叙述。可选的,分类结果对应于分类矩阵,基于分类结果,确定待检测部位的破损等级,包括:将分类矩阵中最大的元素值所对应的破损程度,作为待检测部位的破损等级。
示例性的,目标分类模型输出分类结果对应的分类矩阵可以是:{92%,2%,6%,0%},其中分类矩阵中最大的元素值为第一标识位的92%,第一标识对应的破损等级为0等级,则将0等级作为待检测部位的破损等级。
S140、若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端。
其中,预设等级阈值为预先设定的等级,例如,预设等级阈值为“1等级”。目标终端设备可以是手机、智能手表、平板电脑或者计算机。
在具体应用过程中,若预设等级阈值为预设等级阈值为“0等级”,在上述实施例的基础上,所确定的破损等级为“1等级”,此时破损等级高于预设等级阈值,表明此时已经检测到待检测变压器存在渗漏油的问题,并基于将至少两个视角所对应的检测部位可以确定待检测变压器具体的渗漏油部位,此时可以将至少两个视角所对应的检测部位反馈至目标终端。
在上述实施例的基础上,所述方法还包括:对于目标终端所对应的目标用户进行预警提示。
在本实施例中,将检测部位反馈至目标终端可以包括下述至少一种方式:将检测部位上报至目标终端设备,其中,上报包括邮件、语音通话以及信息推送中的至少一种;将检测部位反馈至目标监控系统,以基于与目标监控系统相对应的目标用户进行处理。其中,目标监控系统为预先配置好的装置设备,该设备可以反馈检测部位渗漏油的问题。目标用户在接收到检测部位的预警提示后可以及时对现场进行处理,以免引发变压器的绝缘损坏、线圈变形和污秽闪络等事故,以保证变压器安全稳定的运行。
本发明实施例提供的技术方案,获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像,其中,至少两个视角对应于待检测变压器的同一检测部位,随后,将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到待检测变压器所对应的分类结果,从而基于分类结果,确定待检测部位的破损等级,若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端。本发明实施例解决了无法快速识别变压器漏油的部位和严重程度的技术问题,通过对变压器多角度的图像进行实时分类处理,实现了及时识别变压器渗漏油的具体部位以及严重等级,提高了检测的变压器出现渗漏油效率以及准确率,为提升变压器监护的安全提供保障。
实施例二
图2为本发明实施例二提供的一种应用于变压器的渗油评估方法的流程图,本发明实施例在上述实施例的基础上,对本发明实施例使用的训练样本以及目标分类模型训练方法进行进一步细化,本发明实施例可以与上述一个或者多个实施例中各个可选方案结合。如图2所示,该方法包括:
S210、获取不同破损程度下样本变压器。
在本实施例中,在对模型进行训练时,需要确定大量的样本数据,可以基于样本变压器确定训练样本数据。为了使模型应用阶段目标分类模型可以识别出不同的破损等级,因此在确定训练样本时需要获取不同破损程度对应的样本变压器。样本变压器的数量为多个,为了使目标分类模型的识别准确率是理想的,可以尽量多的获取样本变压器的数量。
S220、对于各样本变压器,获取同一检测部位在至少两个视角下所对应的样本图像。
在上述实施例的基础上,对于所获取的每一个样本变压器,均获取同一检测部位在多个视觉下的样本图像。每一个样本变压器对应的样本图像的数量是多个。这样设置的好处在于,可以通过多个样本图像精准的确定出变压器渗漏油的具体部位,在后期维修时可以快速定位破损位置,可以节省寻找破损位置的时间,以使维修工作可以在最短的时间内完成。
S230、基于各样本变压器所对应的至少两个视角下的样本图像和与样本变压器相对应的标签信息,确定训练得到目标分类模型的训练样本。
其中,标签信息用于表征样本变压的破损等级。例如,标签信息可以包括“0”、“1”、“2”、“3”,表征样本变压的破损等级为0等级,0等级为样本变压器没有损坏情形对应的等级。标签信息数值越大对应的破损等级越高,其破损程度越严重。
在本实施例中,由于获取的样本数据是历史数据,所以样本变压器相对应的标签信息最终结果是已知的,例如,有一部分样本变压器对应的破损等级为“1等级”,此时与样本变压器对应的标签信息是可以直接得知的。可以将各样本变压器所对应的至少两个视角下的样本图像,以及,与各样本变压器相对应的标签信息,作为目标分类模型的训练样本。
S240、对于各训练样本,将当前训练样本中至少两个视角下的样本图像输入至待训练分类模型中,得到实际分类矩阵。
其中,实际分类矩阵中每个元素值用于表征当前训练样本的破损等级的概率值。待训练分类模型为预先设定好模型结构的模型,待训练模型中的模型参数是人为设定的初始值。
具体的,可以将每一个训练样本中的至少两个视角下的样本图像分别输入至待训练分类模型中,得到每一个训练样本对应的实际分类矩阵。最终得到的实际分类矩阵的数量与训练样本的数量是一致的。
在上述实施例的基础上,待训练分类模型包括至少一个卷积核以及激活函数,将当前训练样本中至少两个视角下的样本图像输入至待训练分类模型中,得到实际分类矩阵,包括:对于各视角下的样本图像,基于至少一个卷积核对当前视角下的样本图像进行处理,得到第一特征;基于激活函数对各第一特征和相应的偏置参数进行处理,得到至少两个视角下样本图像所对应的待处理特征;基于目标降维函数对待处理特征进行处理,得到实际分类矩阵。
在本实施例中,可以将同一时刻不同视角下的多个样本图像输入至待训练分类模型。首先基于至少一个卷积核对当前视角下的样本图像进行处理,得到第一特征,进而基于激活函数对各第一特征和相应的偏置参数进行处理,得到至少两个视角下样本图像所对应的待处理特征,基于此,待训练分类模型的卷积层输出待处理特征的计算表达式为:
式中,Fc为待处理特征,f为激活函数,con为卷积函数,Hi为卷积核,Ii为第i个样本图像,con(Hi,Ii)为第一特征,Bi为预先设定的偏置参数。需要特别说明的是,卷积核的数量与样本图像的数量是对应的。
随后,基于目标降维函数对待处理特征进行降维处理,得到实际分类矩阵,这一过程的计算表达式为:
F0=f(W*Fc+B)
式中,Fc为待处理特征,W为预先设定的权重值,B为偏置参数,f为激活函数,F0为其实际分类矩阵。
示例性的,实际分类矩阵的表达形式可以是{A,B,C,D},其中,不同的标识位表示不同的破损等级。
S250、基于实际分类矩阵和当前训练样本的标签信息,确定损失值,以基于损失值对待训练分类模型中的模型参数进行修正。
在本实施例中,由于待训练分类模型中的模型参数为人为设定的初始值,基于模型初始值确定的分类结果的准确率并不理想,因此可以基于损失值对待训练分类模型中的模型参数进行修正。
在上述实施例的基础上,对模型参数进行修正可以通过下述方式实现,包括:基于目标损失函数对实际分类矩阵和当前训练样本的标签信息进行损失处理,以得到损失值;基于损失值对待训练分类模型中的权值和偏置参数进行修正。
在本实施例中,目标损失函数可以表示为:
式中,w为当前待训练分类模型的权值,b为当前待训练分类模型的偏置参数,x为当前训练样本实际分类矩阵的特征值,y是当前训练样本的标签信息,为正则化项,m是训练样本数量,μ是正则化系数,hw,b(x)是激活函数。
在上述实施例的基础上,hw,b(x)可以表示为:
hw,b(x)=f(wT*x+b)
需要特别注意的是,在对模型参数进行修正的过程中,是将训练样本输入至待训练分类模型,基于当前待训练分类模型的权值和偏置参数,不断迭代运算,实现模型参数修正的,迭代过程的表达式可以表示为:
式中,l是学习率,l每间隔一定周期后,重新初始化为某个预先设定值,然后逐渐衰减。w1为上一迭代过程中待训练分类模型的权值,b1为上一迭代过程中待训练分类模型的偏置参数,w2为迭代更新后待训练分类模型的权值,b2为迭代更新后待训练分类模型的偏置参数。
S260、将待训练分类模型中的损失函数收敛或达到预设训练次数阈值时,所对应的待训练分类模型,作为目标分类模型。
在实际应用过程中,可以将损失函数的训练误差,即损失参数作为检测损失函数当前是否达到收敛的条件,比如训练误差是否小于预设误差或误差变化趋势是否趋于稳定,或者当前的迭代次数是否等于预设训练次数阈值。若检测达到收敛条件,比如损失函数的训练误差达到小于预设误差或误差变化趋于稳定,表明待训练分类模型训练完成,此时可以停止迭代训练,将此时的待训练分类模型作为目标分类模型;若检测到当前未达到收敛条件,可以进一步对待训练分类模型进行训练,直至损失函数的训练误差在预设范围之内;或者是,虽然未达到收敛条件,但是迭代次数已经达到预设训练次数阈值时,可以认为待训练分类模型训练完成,此时可以停止迭代训练,将此时的待训练分类模型作为目标分类模型。
S270、获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像。
S280、将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到待检测变压器所对应的分类结果,并基于分类结果,确定待检测部位的破损等级。
S290、若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端。
本发明实施例提供的技术方案,在获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像之前,可以先确定训练样本,进而将训练样本输入至待训练分类模型中,并对业待训练分类模型的参数进行修正,预先训练得到目标分类模型。进而基于目标分类模型对当前时刻待检测变压器在至少两个视角下所对应的待处理图像进行处理,以得到分类结果,从而基于分类结果,确定待检测部位的破损等级,若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端。本发明实施例在模型的训练过程中,可以对初始模型参数进行修正,已得到更加符合实际应用的模型参数,提高了检测的变压器出现渗漏油效率以及准确率,为提升变压器监护的安全提供保障。
实施例三
图3为本发明实施例三提供的一种应用于变压器的渗油评估装置的结构示意图,该装置可以执行本发明实施例所提供的应用于变压器的渗油评估方法。该装置包括:待处理图像获取模块310、分类结果确定模块320、破损等级确定模块330、检测部位反馈模块340。
待处理图像获取模块310,用于获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像;其中,所述至少两个视角对应于所述待检测变压器的同一检测部位;
分类结果确定模块320,用于将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到所述待检测变压器所对应的分类结果;
破损等级确定模块330,用于基于所述分类结果,确定所述待检测部位的破损等级;
检测部位反馈模块340,用于若所述破损等级高于预设等级阈值,则将所述至少两个视角所对应的检测部位反馈至目标终端。
在上述各技术方案的基础上,应用于变压器的渗油评估装置还包括训练样本确定模块,训练样本确定模块还包括:样本变压器获取单元、样本图像获取单元和训练样本确定单元。
样本变压器获取单元,用于获取不同破损程度下样本变压器;
样本图像获取单元,用于对于各样本变压器,获取同一检测部位在至少两个视角下所对应的样本图像;
训练样本确定单元,用于基于各样本变压器所对应的至少两个视角下的样本图像和与所述样本变压器相对应的标签信息,确定训练得到所述目标分类模型的训练样本;其中,所述标签信息用于表征所述样本变压的破损等级。
在上述各技术方案的基础上,应用于变压器的渗油评估装置还包括训练样本确定模块还包括:实际分类矩阵确定单元、模型参数修正单元和目标分类模型确定单元。
实际分类矩阵确定单元,用于对于各训练样本,将当前训练样本中至少两个视角下的样本图像输入至待训练分类模型中,得到实际分类矩阵;其中,所述实际分类矩阵中每个元素值用于表征所述当前训练样本的破损等级的概率值;
模型参数修正单元,用于基于所述实际分类矩阵和所述当前训练样本的标签信息,确定损失值,以基于所述损失值对所述待训练分类模型中的模型参数进行修正;
目标分类模型确定单元,用于将所述待训练分类模型中的损失函数收敛或达到预设训练次数阈值时,所对应的待训练分类模型,作为所述目标分类模型。
在上述各技术方案的基础上,实际分类矩阵确定单元还包括:第一特征确定子单元、待处理特征确定子单元和实际分类矩阵确定子单元。
第一特征确定子单元,用于对于各视角下的样本图像,基于所述至少一个卷积核对当前视角下的样本图像进行处理,得到第一特征;
待处理特征确定子单元,用于基于所述激活函数对各第一特征和相应的偏置参数进行处理,得到所述至少两个视角下样本图像所对应的待处理特征;
实际分类矩阵确定子单元,用于基于目标降维函数对所述待处理特征进行处理,得到所述实际分类矩阵。
在上述各技术方案的基础上,模型参数修正单元还包括:损失值确定子单元和参数修正子单元。
基于目标损失函数对所述实际分类矩阵和所述当前训练样本的标签信息进行损失处理,以得到损失值;
基于所述损失值对所述待训练分类模型中的权值和偏置参数进行修正。
在上述各技术方案的基础上,破损等级确定模块330还用于将所述分类矩阵中最大的元素值所对应的破损程度,作为所述待检测部位的破损等级。
在上述各技术方案的基础上,应用于变压器的渗油评估装置还用于对于所述目标终端所对应的目标用户进行预警提示。
本发明实施例提供的技术方案,获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像,其中,至少两个视角对应于待检测变压器的同一检测部位,随后,将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到待检测变压器所对应的分类结果,从而基于分类结果,确定待检测部位的破损等级,若破损等级高于预设等级阈值,则将至少两个视角所对应的检测部位反馈至目标终端。本发明实施例解决了无法快速识别变压器漏油的部位和严重程度的技术问题,通过对变压器多角度的图像进行实时分类处理,实现了及时识别变压器渗漏油的具体部位以及严重等级,提高了检测的变压器出现渗漏油效率以及准确率,为提升变压器监护的安全提供保障。
本公开实施例所提供的应用于变压器的渗油评估装置可执行本公开任意实施例所提供的应用于变压器的渗油评估方法,具备执行方法相应的功能模块和有益效果。
值得注意的是,上述装置所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本公开实施例的保护范围。
实施例四
图4为本发明实施例四提供的一种电子设备的结构示意图。电子设备10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(如头盔、眼镜、手表等)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/或者要求的本发明的实现。
如图4所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10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。
处理器11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。处理器11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处理器、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。处理器11执行上文所描述的各个方法和处理,例如应用于变压器的渗油评估方法。
在一些实施例中,应用于变压器的渗油评估方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的应用于变压器的渗油评估方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行应用于变压器的渗油评估方法。
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。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程应用于变压器的渗油评估装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序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。
在本发明的上下文中,计算机可读存储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计算机程序。计算机可读存储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。备选地,计算机可读存储介质可以是机器可读信号介质。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,可以在电子设备上实施此处描述的系统和技术,该电子设备具有: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电子设备。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)、区块链网络和互联网。
计算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。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,本发明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,只要能够实现本发明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,并不构成对本发明保护范围的限制。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。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (10)
1.一种应用于变压器的渗油评估方法,其特征在于,包括:
获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像;其中,所述至少两个视角对应于所述待检测变压器的同一检测部位;
将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到所述待检测变压器所对应的分类结果;
基于所述分类结果,确定所述待检测部位的破损等级;
若所述破损等级高于预设等级阈值,则将所述至少两个视角所对应的检测部位反馈至目标终端。
2.根据权利要求1所述的方法,其特征在于,还包括:
获取不同破损程度下样本变压器;
对于各样本变压器,获取同一检测部位在至少两个视角下所对应的样本图像;
基于各样本变压器所对应的至少两个视角下的样本图像和与所述样本变压器相对应的标签信息,确定训练得到所述目标分类模型的训练样本;
其中,所述标签信息用于表征所述样本变压的破损等级。
3.根据权利要求2所述的方法,其特征在于,还包括:
对于各训练样本,将当前训练样本中至少两个视角下的样本图像输入至待训练分类模型中,得到实际分类矩阵;其中,所述实际分类矩阵中每个元素值用于表征所述当前训练样本的破损等级的概率值;
基于所述实际分类矩阵和所述当前训练样本的标签信息,确定损失值,以基于所述损失值对所述待训练分类模型中的模型参数进行修正;
将所述待训练分类模型中的损失函数收敛或达到预设训练次数阈值时,所对应的待训练分类模型,作为所述目标分类模型。
4.根据权利要求3所述的方法,其特征在于,所述待训练分类模型包括至少一个卷积核以及激活函数,所述将当前训练样本中至少两个视角下的样本图像输入至待训练分类模型中,得到实际分类矩阵,包括:
对于各视角下的样本图像,基于所述至少一个卷积核对当前视角下的样本图像进行处理,得到第一特征;
基于所述激活函数对各第一特征和相应的偏置参数进行处理,得到所述至少两个视角下样本图像所对应的待处理特征;
基于目标降维函数对所述待处理特征进行处理,得到所述实际分类矩阵。
5.根据权利要求3所述的方法,其特征在于,所述基于所述实际分类矩阵和所述当前训练样本的标签信息,确定损失值,以基于所述损失值对所述待训练分类模型中的模型参数进行修正,包括:
基于目标损失函数对所述实际分类矩阵和所述当前训练样本的标签信息进行损失处理,以得到损失值;
基于所述损失值对所述待训练分类模型中的权值和偏置参数进行修正。
6.根据权利要求1所述的方法,其特征在于,所述分类结果对应于分类矩阵,所述基于所述分类结果,确定所述待检测部位的破损等级,包括:
将所述分类矩阵中最大的元素值所对应的破损程度,作为所述待检测部位的破损等级。
7.根据权利要求1所述的方法,其特征在于,还包括:
对于所述目标终端所对应的目标用户进行预警提示。
8.一种应用于变压器的渗油评估装置,其特征在于,包括:
待处理图像获取模块,用于获取当前时刻待检测变压器在至少两个视角下所对应的待处理图像;其中,所述至少两个视角对应于所述待检测变压器的同一检测部位;
分类结果确定模块,用于将至少两个视角下的待处理图像输入至预先训练得到的目标分类模型中,得到所述待检测变压器所对应的分类结果;
破损等级确定模块,用于基于所述分类结果,确定所述待检测部位的破损等级;
检测部位反馈模块,用于若所述破损等级高于预设等级阈值,则将所述至少两个视角所对应的检测部位反馈至目标终端。
9.一种电子设备,其特征在于,电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如权利要求1-7任一项的应用于变压器的渗油评估方法。
10.一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7任一项的应用于变压器的渗油评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211596553.9A CN115761648A (zh) | 2022-12-12 | 2022-12-12 | 应用于变压器的渗油评估方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211596553.9A CN115761648A (zh) | 2022-12-12 | 2022-12-12 | 应用于变压器的渗油评估方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115761648A true CN115761648A (zh) | 2023-03-07 |
Family
ID=85345696
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211596553.9A Pending CN115761648A (zh) | 2022-12-12 | 2022-12-12 | 应用于变压器的渗油评估方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115761648A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681699A (zh) * | 2023-07-31 | 2023-09-01 | 国网浙江省电力有限公司宁波供电公司 | 一种变电站油样智能存储方法和装置 |
-
2022
- 2022-12-12 CN CN202211596553.9A patent/CN115761648A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681699A (zh) * | 2023-07-31 | 2023-09-01 | 国网浙江省电力有限公司宁波供电公司 | 一种变电站油样智能存储方法和装置 |
CN116681699B (zh) * | 2023-07-31 | 2023-12-15 | 国网浙江省电力有限公司宁波供电公司 | 一种变电站油样智能存储方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115690443B (zh) | 特征提取模型训练方法、图像分类方法及相关装置 | |
CN115147687A (zh) | 学生模型训练方法、装置、设备及存储介质 | |
CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
CN115761648A (zh) | 应用于变压器的渗油评估方法、装置、设备、介质及产品 | |
CN115331132A (zh) | 一种汽车零件的检测方法、装置、电子设备和存储介质 | |
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN116309963B (zh) | 一种图像的批量标注方法、装置、电子设备及存储介质 | |
CN116228301A (zh) | 一种目标用户的确定方法、装置、设备及介质 | |
CN116229211A (zh) | 样本生成方法、模型训练方法、对象检测方法及装置 | |
CN113435718B (zh) | 玻璃的生成方法、装置、电子设备及存储介质 | |
CN113641823B (zh) | 文本分类模型训练、文本分类方法、装置、设备及介质 | |
CN115359322A (zh) | 一种目标检测模型训练方法、装置、设备和存储介质 | |
CN113221519B (zh) | 用于处理表格数据的方法、装置、设备、介质和产品 | |
CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
CN113361621A (zh) | 用于训练模型的方法和装置 | |
CN114926447B (zh) | 用于训练模型的方法、用于检测目标的方法和装置 | |
CN117115568B (zh) | 数据筛选方法、装置、设备及存储介质 | |
CN117271373B (zh) | 测试用例的自动化构建方法、装置、电子设备及存储介质 | |
CN117236233B (zh) | 半导体器件初始值评估方法、装置、电子设备及存储介质 | |
US20220383626A1 (en) | Image processing method, model training method, relevant devices and electronic device | |
CN117235611A (zh) | 故障检测模型训练、故障检测方法、装置、设备及介质 | |
CN117573983A (zh) | 一种融资方案的推荐方法、装置、电子设备及存储介质 | |
CN116049252A (zh) | 数据处理方法、装置、电子设备及存储介质 | |
CN117493785A (zh) | 数据处理方法、装置及电子设备 |
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 |