CN115861210A - 一种基于孪生网络的变电站设备异常检测方法和系统 - Google Patents
一种基于孪生网络的变电站设备异常检测方法和系统 Download PDFInfo
- Publication number
- CN115861210A CN115861210A CN202211488992.8A CN202211488992A CN115861210A CN 115861210 A CN115861210 A CN 115861210A CN 202211488992 A CN202211488992 A CN 202211488992A CN 115861210 A CN115861210 A CN 115861210A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- feature
- image
- sub
- initial
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 93
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 200
- 238000012545 processing Methods 0.000 claims description 26
- 238000000605 extraction Methods 0.000 claims description 20
- 230000009466 transformation Effects 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000006835 compression Effects 0.000 claims description 4
- 238000007906 compression Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 14
- 230000005856 abnormality Effects 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 3
- 238000012549 training Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 241001122767 Theaceae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供了一种基于孪生网络的变电站设备异常检测方法和系统,包括:获取变电站的原始图像;对所述原始图像进行预处理,得到预处理图像;将所述预处理图像和对比图像输入检测模型,模型输出所述变电站的异常情况;所述检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型;以通过孪生网络处理变电站的图像,提高监测效率和准确率,对变电站的异常情况及时作出反应,避免耽误维护时间。
Description
技术领域
本发明涉及变电站异常检测技术领域,具体而言,涉及一种基于孪生网络的变电站设备异常检测方法和系统。
背景技术
变电站通过高低压的转换实现发电厂至用户侧的传输,是电力系统中不可或缺的部分,其运行状态异常检测更是维持电网稳定运行的关键。通常变电站内布置有多个摄像头,以对变电站的运行状态进行监视,及时发现变电站的异常情况,并作出维护。然而,进行异常情况的判断是人工作出的,由于工作量巨大,使得误判情况和主观偏差的情况时有发生,造成检测结果不准确,监测效率、异常情况处理效率低等问题。
有鉴于此,本说明书提出了一种基于孪生网络的变电站设备异常检测方法和系统,以通过孪生网络处理变电站的图像,提高监测效率和准确率,对变电站的异常情况及时作出反应,避免耽误维护时间。
发明内容
本发明的目的在于提供一种基于孪生网络的变电站设备异常检测方法,包括:获取变电站的原始图像;对所述原始图像进行预处理,得到预处理图像;将所述预处理图像和对比图像输入检测模型,模型输出所述变电站的异常情况;所述检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型,所述检测模型输出所述变电站的异常情况,包括:将所述预处理图像和所述对比图像分别输入所述第一子检测模型和第二子检测模型;分别对输入的所述预处理图像和所述对比图像进行第一特征提取,得到第一初始特征向量和第二初始特征向量;分别对所述第一初始特征向量和所述第二初始特征向量进行注意力特征提取,得到第一区分特征和第二区分特征;分别对所述第一区分特征和所述第二区分特征进行第二特征处理,得到第一特征向量和第二特征向量;所述第二特征处理为多通道处理;所述第一初始特征向量和所述第二初始特征向量的维度高于所述第一特征向量和所述第二特征向量的维度;对所述第一特征向量和所述第二特征向量进行全连接,得到所述原始图像的预测分类;基于所述预测分类,确定所述变电站是否异常。
进一步的,所述预处理为将所述原始图像和所述对比图像输入配准模型,模型输出将所述原始图像配准到所述对比图像的预处理图像,包括:对所述原始图像和所述对比图像进行特征检测,得到第一匹配特征集合和第二匹配特征集合;基于所述第一匹配特征集合和所述第二匹配特征集合中的特征进行匹配,确定属于同一特征的特征点;基于多个同一特征的特征点,确定将所述原始图像变换到所述对比图像的变换方式;基于所述变换方式对所述原始图像进行变换,得到所述预处理图像。
进一步的,所述第一特征提取为将所述预处理图像或所述对比图像依次输入128x128、64x64和32x32的卷积层,最终得到所述第一初始特征向量和所述第二初始特征向量。
进一步的,所述注意力特征提取,包括:输入所述第一初始特征向量和所述第二初始特征向量;分别对输入的所述第一初始特征向量和所述第二初始特征向量进行空间特征压缩,得到仅与所述变电站相关的第一压缩特征向量和第二压缩特征向量;对所述第一压缩特征向量和所述第二压缩特征向量进行通道特征学习,得到第一学习特征向量和第二学习特征向量;将所述第一学习特征向量和所述第二学习特征向量分别与所述第一初始特征向量和所述第二初始特征向量进行注意力结合,得到所述第一区分特征和所述第二区分特征。
进一步的,所述通道特征学习采用动态卷积核实现,其中,所述动态卷积核的大小的表达式为:
其中,k表示所述动态卷积核的大小;C表示通道数;Ψ(C)表示所述通道数与所述卷积核的大小的函数关系;′γ和b表示所述通道数与卷积核的大小的比例系数;|*|odd表示取奇数。
进一步的,进行所述第二特征处理的通道有两个,所述第二特征处理,包括:将区分特征输入第一通道中大小为32x32的卷积层,得到第一子特征向量;将所述第一子特征向量分别输入第一通道中大小为16x16的卷积层和第二通道中32x32的卷积层,分别得到第二子特征向量和第一辅特征向量;将所述第二子特征向量输入第一通道中大小为8x8的卷积层,得到第三子特征向量;将所述第二子特征向量和所述第一辅特征向量输入第二通道中大小为16x16的卷积层,得到第二辅特征向量;将所述第三子特征向量和所述第二辅特征向量输入第二通道中大小为8x8的卷积层,得到第三辅特征向量;将所述第三子特征向量和所述第三辅特征向量输入8x8的卷积层中,得到第一/第二特征向量。
进一步的,所述第二通道中多个卷积层通过下采样的方式进行数据传输,所述下采样选用双线性插值;所述第一通道和所述第二通道中的卷积层采用逐元素相加的方式进行通道间数据传输。
进一步的,所述全连接,包括:将所述第一特征向量和所述第二特征向量进行融合,得到融合特征向量;将所述融合特征向量依次输入两个8x8的阈值限制层,得到限制特征向量;将所述限制特征向量输入全连接层,得到所述预测分类。
进一步的,所述全连接层,包括1024、256和64个神经元的神经网络层,所述得到所述预测分类为将所述限制特征向量依次输入1024、256和64个神经元的神经网络层,最后输出所述预测分类。
本发明的目的在于提供一种基于孪生网络的变电站设备异常检测系统,包括获取模块、预处理模块和异常情况确定模块;所述获取模块用于获取变电站的原始图像;所述预处理模块用于对所述原始图像进行预处理,得到预处理图像;所述异常情况确定模块用于将所述预处理图像和对比图像输入检测模型,模型输出所述变电站的异常情况;所述检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型,所述检测模型输出所述变电站的异常情况,包括:将所述预处理图像和所述对比图像分别输入所述第一子检测模型和第二子检测模型;分别对输入的所述预处理图像和所述对比图像进行第一特征提取,分别得到第一初始特征向量和第二初始特征向量;分别对所述第一初始特征向量和所述第二初始特征向量进行注意力特征提取,分别得到第一区分特征和第二区分特征;分别对所述第一区分特征和所述第二区分特征进行第二特征处理,分别得到第一特征向量和第二特征向量;所述第二特征处理为多通道处理;所述第一初始特征向量和所述第二初始特征向量的维度高于所述第一特征向量和所述第二特征向量的维度;对所述第一特征向量和所述第二特征向量进行全连接,得到所述原始图像的预测分类;基于所述预测分类,确定所述变电站是否异常。
本发明实施例的技术方案至少具有如下优点和有益效果:
本说明书中的一些实施例通过采用动态卷积核做1x 1卷积,学习不同通道之间的重要性,使得可以对不同的输入特征图,提取不同范围的特征。
本说明书中的一些实施例通过提取图像的高维特征,并通过计算其距离来判断两个输入图像的相似程度,使得可以在有效提取变电站图像的信息的情况下,减少网络的计算量,提高运行速度。
本说明书中的一些实施例通过在孪生网络中加入注意力特征提取,可以使得模型的网络特征提取部分能更好地聚焦在变电站设备上,特征向量能更好地表征变电站设备的信息,减少背景变化对计算结果带来的干扰。
本说明书中的一些实施例通过采用全连接计算特征向量的距离,解决了针对光影变化情况下传统距离计算方法无法明确阈值的问题,扩大了正负样本之间的特征差距,明确了阈值选择。
本说明书中的一些实施例通过在孪生网络中加入高低层特征叠加方法,在相邻特征层进行相加时,下层通道下采样的采样方式为双线性插值,特征叠加方式为逐元素相加,将相邻层聚合起来,使得减小了目标尺寸变化的影响,大大提高了目标检测的准确度。
附图说明
图1为本发明一些实施例提供的一种基于孪生网络的变电站设备异常检测方法的示例性流程图;
图2为本发明一些实施例提供的一种基于孪生网络的变电站设备异常检测系统的示例性模块图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
在一些实施例中,可以将变电站设备的图像和对比图像输入孪生网络,通过孪生网络来比较两幅图片的相似度,采用两个权重相等的网络提取输入的特征信息并进行比对,通过计算其距离来判断两个输入图像的相似程度。例如,通过求特征的范数得到距离量。
图1为本发明一些实施例提供的一种基于孪生网络的变电站设备异常检测方法的示例性流程图。在一些实施例中,流程100可以由系统200执行。如图1所示,流程100可以包括以下内容:
步骤110,获取变电站的原始图像。在一些实施例中,步骤110可以由获取模块210执行。
原始图像可以是指图像获取设备获取的变电站的图像。例如,可以通过设置在变电站内的摄像头获取原始图像,也可以通过其他可行的方式获取原始图像。
步骤120,对原始图像进行预处理,得到预处理图像。在一些实施例中,步骤120可以由预处理模块220执行。
预处理可以包括对图像进行降噪处理、图像配准等中的一种或多种。其中,降噪处理可以包括中值滤波、直方图均衡化、几何校正等一种或多种处理图像的方法。
为了避免其他因数对图像识别造成影响,还可以将原始图像配准到对比图像。例如,由于拍摄角度、拍摄时间、拍摄焦距等的不同,造成目标识别不准确或识别失败的问题,通过对图像进行配准,可以保留两幅图像中相同的区域,将视角不同,焦距不同的图像优化对齐到对应的对比图像。对比图像可以是指变电站的设备处于正常状态时的图像。在一些实施例中,可以将原始图像和对比图像输入配准模型,模型输出将原始图像配准到对比图像的预处理图像。例如,对原始图像和对比图像进行特征检测,得到第一匹配特征集合和第二匹配特征集合;第一匹配特征集合可以是指原始图像的特征组成的特征集合,第二匹配特征集合可以是指对比图像的特征组成的特征集合,例如,特征集合可以包括图像中的边缘、角点、直线等中的一种或多种。基于第一匹配特征集合和第二匹配特征集合中的特征进行匹配,确定属于同一特征的特征点;可以通过将第一匹配特征集合中的特征与第二匹配特征集合中的特征一一匹配,以确定两者是否为同一特征的特征点。基于多个同一特征的特征点,确定将所述原始图像变换到所述对比图像的变换方式。将同一特征的特征点相互对应,基于相互对应的特征点的变化,确定变换方式。变换方式可以包括但不限于裁剪、仿射等操作。基于变换方式对原始图像进行变换,得到预处理图像。
步骤130,将所述预处理图像和对比图像输入检测模型,模型输出所述变电站的异常情况。
步骤140,所述检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型。
在一些实施例中,步骤130、140可以由异常情况确定模块230执行。
异常情况可以是指变电站的设备发生异常的情况。变电站的异常包括变电站设备渗油、破损、裂纹、着火、放电痕迹、大面积脏污、有动物停歇等情况。可以将训练样本输入初始检测模型,基于初始检测模型的输出和标签构建损失函数,基于损失函数调整初始检测模型的参数,以此迭代训练,得到训练好的检测模型。训练样本可以为变电站的图像。在一些实施例中,为了扩充样本图像,可以采用旋转、镜像、对称等数据增强的方法对原始的样本图像进行处理,得到新的样本图像。并对样本图像中异常的变电站设备用矩形框进行框选标注。将样本图像和对比图像两两组合,当样本图像和对比图像为同一设备的图像时,标签为0;当样本图像和对比图像为不同设备的图像时,标签为1。在进行训练时,对于标签为0的样本图像,初始检测模型需要使得输入图像之间的距离尽量小;对于标签为1的样本图像,初始检测模型需要使得输入图像之间的距离尽量大。例如,当标签为0的距离小于最小阈值(如,小于0.01),且标签为1的距离大于最大阈值(如,0.9)时,可以认为初始检测模型训练完成。
在一些实施例中,还可以对训练好的检测模型进行模型测试。例如,选用参数为Windows 11,CPU为I nte l(R)Core(TM)i5-12500H,GPU为6GB显存的GeForce GTX 3060的操作系统,框架选用Pytorch。将训练样本按7:3的比例随机划分为训练集、测试集。设置初始学习速率和训练轮数,采用SGD(随机梯度下降)方法用于优化训练过程中的学习速率。例如,可以输入图像尺寸为640x640的样本图像和对比图像,设置模型的初始学习率为0.01,一次传入模型的图片数为8张,训练轮数为300。在一些实施例中,可以通过边框将变电站设备框出,并确定被框出的变电站设备是否异常。通过将框表示为变电站正常设备和变电站设备异常可以产生四种潜在的预测:真阳性(TP)、假阳性(FP)、真阴性(TN)和假阴性(FN)。如果检测框与边界框的IoU(交并比Intersection over Union)大于0.5,则将该检测框标记为TP,否则框标记为FP。如果边界框没有匹配的检测框,则标记为FN。TP和FP分别是正确和错误检测到的变电站设备正常数量,TN和FN分别是正确和错误检测到的变电站设备异常数量。则精准率P和召回率R的计算公式为:
在一些实施例中,为了评估检测精度,引入了平均精度AP来表示检测精度。AP是指茶叶嫩芽检测的平均精准度,mAP表示AP的平均值,是对多个类别求平均AP值,由于变电站设备情况检测识别是二分类,在检测识别时只需区分正常和异常,所以此处AP=mAP,因此,更高的AP意味着更高的检测精度。
其中,P(r)表示预测精度。
本说明书中一些实施例提出的检测模型与传统的孪生网络模型相比,精确率、召回率和平均精确率均超过了传统的孪生网络模型,分别比传统模型提高了11.9%、5.4%和14%,并且改进后的模型相识别效果有明显的提升,能检测到输入图片近乎全部的异常。
检测模型输出变电站的异常情况,包括:将预处理图像和对比图像分别输入第一子检测模型和第二子检测模型。
分别对输入的预处理图像和对比图像进行第一特征提取,分别得到第一初始特征向量和第二初始特征向量。第一初始特征向量和第二初始特征向量分别为对预处理图像进行特征提取后得到的高纬度的特征向量图。在一些实施例中,第一特征提取为将预处理图像或对比图像依次输入128x128、64x64和32x32的卷积层,最终得到第一初始特征向量和所述第二初始特征向量。例如,采用两个权重相等的网络分别提取输入的特征信息。
分别对第一初始特征向量和第二初始特征向量进行注意力特征提取,得到第一区分特征和第二区分特征。第一区分特征和第二区分特征分别为提取预处理图像和对比图像的较低维度的特征向量图的特征,得到的与变电站相关的特征向量图。在一些实施例中,所述注意力特征提取,包括:
注意力特征提取可以选用ECA注意力提取。输入第一初始特征向量和第二初始特征向量。例如,输入的第一初始特征向量和第二初始特征向量可以为维度为H x W x C的特征图。
分别对输入的第一初始特征向量和第二初始特征向量进行空间特征压缩,得到仅与变电站相关的第一压缩特征向量和第二压缩特征向量。空间特征压缩可以是指对初始特征向量进行压缩,得到仅与变电站设备相关的特征的过程。例如,可以对H x W x C的特征图在空间维度使用全局平均池化GAP,得到1x 1x C的压缩特征图。
对第一压缩特征向量和第二压缩特征向量进行通道特征学习,得到第一学习特征向量和第二学习特征向量。例如,可以通过1x1卷积,学习不同通道之间的重要性,输出维度为1x1xC的学习特征向量。
在一些实施例中,通道特征学习采用动态卷积核实现,其中,动态卷积核的大小的表达式为:
其中,k表示动态卷积核的大小;C表示通道数;Ψ(C)表示通道数与卷积核的大小的函数关系;′Υ和b表示通道数与卷积核的大小的比例系数,通常被设置为2或1;|*|odd表示取奇数。
本说明书中的一些实施例通过采用动态卷积核做1x1卷积,学习不同通道之间的重要性,使得可以对不同的输入特征图,提取不同范围的特征。例如,在通道数较大的层,使用较大的卷积核,做1x1卷积,使得更多地进行跨通道交互;在通道数较小的层,使用较小的卷积核,做1x1卷积,使得较少地进行跨通道交互。
将第一学习特征向量和第二学习特征向量分别与第一初始特征向量和第二初始特征向量进行注意力结合,得到第一区分特征和第二区分特征。例如,将通道注意力的学习特征向量1x1xC和特征图HxWxC进行逐通道乘,最终输出具有通道注意力的区分特征图。
本说明书中的一些实施例通过提取图像的高维特征,并通过计算其距离来判断两个输入图像的相似程度,使得可以在有效提取变电站图像的信息的情况下,减少网络的计算量,提高运行速度。
本说明书中的一些实施例通过在孪生网络中加入注意力特征提取,可以使得模型的网络特征提取部分能更好地聚焦在变电站设备上,特征向量能更好地表征变电站设备的信息,减少背景变化对计算结果带来的干扰。
分别对第一区分特征和第二区分特征进行第二特征处理,分别得到第一特征向量和第二特征向量。在一些实施例中,进行所述第二特征处理的通道有两个,所述第二特征处理,包括:
将区分特征输入第一通道中大小为32x32的卷积层,得到第一子特征向量。将第一子特征向量分别输入第一通道中大小为16x16的卷积层和第二通道中32x32的卷积层,分别得到第二子特征向量和第一辅特征向量。将第二子特征向量输入第一通道中大小为8x8的卷积层,得到第三子特征向量。将第二子特征向量和第一辅特征向量输入第二通道中大小为16x16的卷积层,得到第二辅特征向量。将第三子特征向量和第二辅特征向量输入第二通道中大小为8x8的卷积层,得到第三辅特征向量。将第三子特征向量和第三辅特征向量输入8x8的卷积层中,得到第一/第二特征向量。
第二特征处理为多通道处理;第一初始特征向量和第二初始特征向量的维度高于第一特征向量和第二特征向量的维度。
在一些实施例中,第二通道中多个卷积层通过下采样的方式进行数据传输,下采样选用双线性插值;第一通道和第二通道中的卷积层采用逐元素相加的方式进行通道间数据传输。
对第一特征向量和第二特征向量进行全连接,得到原始图像的预测分类。在一些实施例中,全连接,包括:
将第一特征向量和第二特征向量进行融合,得到融合特征向量。将融合特征向量依次输入两个8x8的阈值限制层,得到限制特征向量。将限制特征向量输入全连接层,得到预测分类。
在一些实施例中,全连接层,包括1024、256和64个神经元的神经网络层,得到预测分类为将限制特征向量依次输入1024、256和64个神经元的神经网络层,最后输出预测分类。
基于预测分类,确定变电站是否异常。
本说明书中的一些实施例通过采用全连接(两层8x8的卷积层)计算特征向量的距离,解决了针对光影变化情况下传统距离计算方法无法明确阈值的问题,扩大了正负样本之间的特征差距,明确了阈值选择。
本说明书中的一些实施例通过在孪生网络中加入高低层特征叠加方法,在相邻特征层进行相加时,下层通道下采样的采样方式为双线性插值,特征叠加方式为逐元素相加,将相邻层聚合起来,使得减小了目标尺寸变化的影响,大大提高了目标检测的准确度。
本说明书中的检测模型在变电站设备异常识别上的平均准确率达到了95.3%,对比于其他孪生网络模型获得了较好的成绩,对变电站设备异常识别有更好的检测效果。
图2为本发明一些实施例提供的一种基于孪生网络的变电站设备异常检测系统的示例性模块图。如图1所示,系统200可以包括获取模块210、预处理模块220和异常情况确定模块230。
获取模块210用于获取变电站的原始图像。关于获取模块210的更多内容,参见图1及其相关描述。
预处理模块220用于对原始图像进行预处理,得到预处理图像。关于预处理模块220的更多内容,参见图1及其相关描述。
异常情况确定模块230用于将预处理图像和对比图像输入检测模型,模型输出变电站的异常情况;检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型,检测模型输出变电站的异常情况,包括:将预处理图像和对比图像分别输入第一子检测模型和第二子检测模型;分别对输入的预处理图像和对比图像进行第一特征提取,分别得到第一初始特征向量和第二初始特征向量;分别对第一初始特征向量和第二初始特征向量进行注意力特征提取,分别得到第一区分特征和第二区分特征;分别对第一区分特征和所述第二区分特征进行第二特征处理,分别得到第一特征向量和第二特征向量;第二特征处理为多通道处理;第一初始特征向量和第二初始特征向量的维度高于第一特征向量和第二特征向量的维度;对第一特征向量和第二特征向量进行全连接,得到原始图像的预测分类;基于预测分类,确定变电站是否异常。关于异常情况确定模块230的更多内容,参见图1及其相关描述。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于孪生网络的变电站设备异常检测方法,其特征在于,包括:
获取变电站的原始图像;
对所述原始图像进行预处理,得到预处理图像;
将所述预处理图像和对比图像输入检测模型,模型输出所述变电站的异常情况;所述检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型,所述检测模型输出所述变电站的异常情况,包括:
将所述预处理图像和所述对比图像分别输入所述第一子检测模型和第二子检测模型;
分别对输入的所述预处理图像和所述对比图像进行第一特征提取,得到第一初始特征向量和第二初始特征向量;
分别对所述第一初始特征向量和所述第二初始特征向量进行注意力特征提取,得到第一区分特征和第二区分特征;
分别对所述第一区分特征和所述第二区分特征进行第二特征处理,得到第一特征向量和第二特征向量;所述第二特征处理为多通道处理;所述第一初始特征向量和所述第二初始特征向量的维度高于所述第一特征向量和所述第二特征向量的维度;
对所述第一特征向量和所述第二特征向量进行全连接,得到所述原始图像的预测分类;
基于所述预测分类,确定所述变电站是否异常。
2.根据权利要求1所述的基于孪生网络的变电站设备异常检测方法,其特征在于,所述预处理为将所述原始图像和所述对比图像输入配准模型,模型输出将所述原始图像配准到所述对比图像的预处理图像,包括:
对所述原始图像和所述对比图像进行特征检测,得到第一匹配特征集合和第二匹配特征集合;
基于所述第一匹配特征集合和所述第二匹配特征集合中的特征进行匹配,确定属于同一特征的特征点;
基于多个同一特征的特征点,确定将所述原始图像变换到所述对比图像的变换方式;
基于所述变换方式对所述原始图像进行变换,得到所述预处理图像。
3.根据权利要求1所述的基于孪生网络的变电站设备异常检测方法,其特征在于,所述第一特征提取为将所述预处理图像或所述对比图像依次输入128x128、64x64和32x32的卷积层,最终得到所述第一初始特征向量和所述第二初始特征向量。
4.根据权利要求1所述的基于孪生网络的变电站设备异常检测方法,其特征在于,所述注意力特征提取,包括:
输入所述第一初始特征向量和所述第二初始特征向量;
分别对输入的所述第一初始特征向量和所述第二初始特征向量进行空间特征压缩,得到仅与所述变电站相关的第一压缩特征向量和第二压缩特征向量;
对所述第一压缩特征向量和所述第二压缩特征向量进行通道特征学习,得到第一学习特征向量和第二学习特征向量;
将所述第一学习特征向量和所述第二学习特征向量分别与所述第一初始特征向量和所述第二初始特征向量进行注意力结合,得到所述第一区分特征和所述第二区分特征。
6.根据权利要求1所述的基于孪生网络的变电站设备异常检测方法,其特征在于,进行所述第二特征处理的通道有两个,所述第二特征处理,包括:
将区分特征输入第一通道中大小为32x32的卷积层,得到第一子特征向量;
将所述第一子特征向量分别输入第一通道中大小为16x16的卷积层和第二通道中32x32的卷积层,分别得到第二子特征向量和第一辅特征向量;
将所述第二子特征向量输入第一通道中大小为8x8的卷积层,得到第三子特征向量;
将所述第二子特征向量和所述第一辅特征向量输入第二通道中大小为16x16的卷积层,得到第二辅特征向量;
将所述第三子特征向量和所述第二辅特征向量输入第二通道中大小为8x8的卷积层,得到第三辅特征向量;
将所述第三子特征向量和所述第三辅特征向量输入8x8的卷积层中,得到第一/第二特征向量。
7.根据权利要求7所述的基于孪生网络的变电站设备异常检测方法,其特征在于,所述第二通道中多个卷积层通过下采样的方式进行数据传输,所述下采样选用双线性插值;所述第一通道和所述第二通道中的卷积层采用逐元素相加的方式进行通道间数据传输。
8.根据权利要求1所述的基于孪生网络的变电站设备异常检测方法,其特征在于,所述全连接,包括:
将所述第一特征向量和所述第二特征向量进行融合,得到融合特征向量;
将所述融合特征向量依次输入两个8x8的阈值限制层,得到限制特征向量;
将所述限制特征向量输入全连接层,得到所述预测分类。
9.根据权利要求8所述的基于孪生网络的变电站设备异常检测方法,其特征在于,所述全连接层,包括1024、256和64个神经元的神经网络层,所述得到所述预测分类为将所述限制特征向量依次输入1024、256和64个神经元的神经网络层,最后输出所述预测分类。
10.一种基于孪生网络的变电站设备异常检测系统,其特征在于,包括获取模块、预处理模块和异常情况确定模块;
所述获取模块用于获取变电站的原始图像;
所述预处理模块用于对所述原始图像进行预处理,得到预处理图像;所述异常情况确定模块用于将所述预处理图像和对比图像输入检测模型,模型输出所述变电站的异常情况;所述检测模型为包括第一子检测模型和第二子检测模型的孪生神经网络模型,所述检测模型输出所述变电站的异常情况,包括:将所述预处理图像和所述对比图像分别输入所述第一子检测模型和第二子检测模型;分别对输入的所述预处理图像和所述对比图像进行第一特征提取,分别得到第一初始特征向量和第二初始特征向量;分别对所述第一初始特征向量和所述第二初始特征向量进行注意力特征提取,分别得到第一区分特征和第二区分特征;分别对所述第一区分特征和所述第二区分特征进行第二特征处理,分别得到第一特征向量和第二特征向量;所述第二特征处理为多通道处理;所述第一初始特征向量和所述第二初始特征向量的维度高于所述第一特征向量和所述第二特征向量的维度;对所述第一特征向量和所述第二特征向量进行全连接,得到所述原始图像的预测分类;基于所述预测分类,确定所述变电站是否异常。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211488992.8A CN115861210B (zh) | 2022-11-25 | 2022-11-25 | 一种基于孪生网络的变电站设备异常检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211488992.8A CN115861210B (zh) | 2022-11-25 | 2022-11-25 | 一种基于孪生网络的变电站设备异常检测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115861210A true CN115861210A (zh) | 2023-03-28 |
CN115861210B CN115861210B (zh) | 2024-05-24 |
Family
ID=85666366
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211488992.8A Active CN115861210B (zh) | 2022-11-25 | 2022-11-25 | 一种基于孪生网络的变电站设备异常检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115861210B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229052A (zh) * | 2023-05-09 | 2023-06-06 | 浩鲸云计算科技股份有限公司 | 一种基于孪生网络的变电站设备状态变化检测方法 |
CN117036665A (zh) * | 2023-09-04 | 2023-11-10 | 南京航空航天大学 | 一种基于孪生神经网络的旋钮开关状态识别方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465045A (zh) * | 2020-12-02 | 2021-03-09 | 东莞理工学院 | 一种基于孪生神经网络的供应链例外事件检测方法 |
US20210110262A1 (en) * | 2019-10-14 | 2021-04-15 | Honda Research Institute Europe Gmbh | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
CN114399678A (zh) * | 2021-12-27 | 2022-04-26 | 上海利淘豪斯机器人有限公司 | 一种差分孪生网络变电站图像异同检测方法 |
CN114418956A (zh) * | 2021-12-24 | 2022-04-29 | 国网陕西省电力公司电力科学研究院 | 一种变电站关键电气设备的变化检测方法及系统 |
CN114549849A (zh) * | 2020-11-25 | 2022-05-27 | 顺丰科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN114549414A (zh) * | 2022-01-19 | 2022-05-27 | 深圳市比一比网络科技有限公司 | 一种针对轨道数据的异常变化检测方法及系统 |
CN114782734A (zh) * | 2022-01-19 | 2022-07-22 | 岳阳高澜节能装备制造有限公司 | 一种阀冷系统管道渗漏视觉检测方法及计算机与存储介质 |
US20220343642A1 (en) * | 2020-06-08 | 2022-10-27 | Shanghai Jiaotong University | High-precision identification method and system for substations |
-
2022
- 2022-11-25 CN CN202211488992.8A patent/CN115861210B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210110262A1 (en) * | 2019-10-14 | 2021-04-15 | Honda Research Institute Europe Gmbh | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data |
US20220343642A1 (en) * | 2020-06-08 | 2022-10-27 | Shanghai Jiaotong University | High-precision identification method and system for substations |
CN114549849A (zh) * | 2020-11-25 | 2022-05-27 | 顺丰科技有限公司 | 图像识别方法、装置、计算机设备和存储介质 |
CN112465045A (zh) * | 2020-12-02 | 2021-03-09 | 东莞理工学院 | 一种基于孪生神经网络的供应链例外事件检测方法 |
CN114120019A (zh) * | 2021-11-08 | 2022-03-01 | 贵州大学 | 一种轻量化的目标检测方法 |
CN114418956A (zh) * | 2021-12-24 | 2022-04-29 | 国网陕西省电力公司电力科学研究院 | 一种变电站关键电气设备的变化检测方法及系统 |
CN114399678A (zh) * | 2021-12-27 | 2022-04-26 | 上海利淘豪斯机器人有限公司 | 一种差分孪生网络变电站图像异同检测方法 |
CN114549414A (zh) * | 2022-01-19 | 2022-05-27 | 深圳市比一比网络科技有限公司 | 一种针对轨道数据的异常变化检测方法及系统 |
CN114782734A (zh) * | 2022-01-19 | 2022-07-22 | 岳阳高澜节能装备制造有限公司 | 一种阀冷系统管道渗漏视觉检测方法及计算机与存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116229052A (zh) * | 2023-05-09 | 2023-06-06 | 浩鲸云计算科技股份有限公司 | 一种基于孪生网络的变电站设备状态变化检测方法 |
CN117036665A (zh) * | 2023-09-04 | 2023-11-10 | 南京航空航天大学 | 一种基于孪生神经网络的旋钮开关状态识别方法 |
CN117036665B (zh) * | 2023-09-04 | 2024-03-08 | 南京航空航天大学 | 一种基于孪生神经网络的旋钮开关状态识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115861210B (zh) | 2024-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111639692B (zh) | 一种基于注意力机制的阴影检测方法 | |
CN111784633B (zh) | 一种面向电力巡检视频的绝缘子缺损自动检测算法 | |
CN110084165B (zh) | 基于边缘计算的电力领域开放场景下异常事件的智能识别与预警方法 | |
EP3333768A1 (en) | Method and apparatus for detecting target | |
CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和系统 | |
CN111008961B (zh) | 一种输电线路设备缺陷检测方法及其系统、设备、介质 | |
CN111091109A (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
CN109543760A (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
CN112818969A (zh) | 一种基于知识蒸馏的人脸姿态估计方法及系统 | |
CN111369548B (zh) | 一种基于生成对抗网络的无参考视频质量评价方法及装置 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
CN111597933A (zh) | 人脸识别方法和装置 | |
CN113628261B (zh) | 一种电力巡检场景下的红外与可见光图像配准方法 | |
Hendryli et al. | Automatic license plate recognition for parking system using convolutional neural networks | |
Yu et al. | Design of the transmission line inspection system based on UAV | |
CN117676099B (zh) | 基于物联网的安全预警方法及系统 | |
CN117576632B (zh) | 基于多模态ai大模型的电网监控火灾预警系统及方法 | |
CN114708247A (zh) | 基于深度学习的烟盒包装缺陷识别方法和装置 | |
CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和系统 | |
CN113378672A (zh) | 基于改进YOLOv3的输电线缺陷多目标检测方法 | |
CN117079286A (zh) | 一种指针仪表的识别方法和识别系统 | |
CN111127355A (zh) | 一种对缺损光流图进行精细补全的方法及其应用 | |
CN114898181A (zh) | 用于涉爆视频的隐患违章识别方法及装置 | |
CN114782822A (zh) | 电力设备的状态检测方法、装置、电子设备及存储介质 | |
CN112949490A (zh) | 设备动作检测方法、装置、电子设备及可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |