CN116958697A - 基于图像的电力安全巡检系统及其方法 - Google Patents

基于图像的电力安全巡检系统及其方法 Download PDF

Info

Publication number
CN116958697A
CN116958697A CN202310952837.5A CN202310952837A CN116958697A CN 116958697 A CN116958697 A CN 116958697A CN 202310952837 A CN202310952837 A CN 202310952837A CN 116958697 A CN116958697 A CN 116958697A
Authority
CN
China
Prior art keywords
feature map
feature
thermodynamic
neural network
thermal
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
CN202310952837.5A
Other languages
English (en)
Inventor
李岭志
赵云宣
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.)
Zhejiang Huihe Information Technology Co ltd
Original Assignee
Zhejiang Huihe Information Technology 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 Zhejiang Huihe Information Technology Co ltd filed Critical Zhejiang Huihe Information Technology Co ltd
Priority to CN202310952837.5A priority Critical patent/CN116958697A/zh
Publication of CN116958697A publication Critical patent/CN116958697A/zh
Pending legal-status Critical Current

Links

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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G06N3/0455—Auto-encoder networks; Encoder-decoder 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • 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
    • 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
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C1/00—Registering, indicating or recording the time of events or elapsed time, e.g. time-recorders for work people
    • G07C1/20—Checking timed patrols, e.g. of watchman

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)

Abstract

本申请涉及电力巡检技术领域，其具体地公开了一种基于图像的电力安全巡检系统及其方法，其通过热红外相机采集电力设备的热力图，采用基于机器视觉的人工智能监控技术，对图像降噪处理后提取图像的全局隐含关联特征信息，基于图像特征信息判断电力设备是否存在安全隐患。这样，可以快速准确地判断是否存在安全隐患，提高电力系统的安全运行水平，避免设备故障和电气火灾的发生，保障供电的可靠性和稳定性。

Description

基于图像的电力安全巡检系统及其方法
技术领域
本申请涉及电力巡检技术领域，且更为具体地，涉及一种基于图像的电力安全巡检系统及其方法。
背景技术
电力系统的安全稳定运行是关乎国计民生的重要保障，电力设备的良好运转关系到电力的稳定输送问题，所以电力系统设备的日常检修、巡检尤为重要。
电力巡检工作是指对电力设备、电力线路、变电站等进行定期巡查和检测，以确保电力系统的安全运行，主要包括电力线的状态，关键节点的发热温度，电气火灾等等。其中的关键节点，例如母线连接点、各种开关、断路器、主变套管夹以及高压电缆接头等，是需要经常测温的。否则很容易造成接点接触电阻过大而发热，并产生安全隐患，严重的甚至会引起设备起火或爆炸，造成大面积供电中断。
因此，期待一种基于图像的电力安全巡检系统及其方法。
发明内容
为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种基于图像的电力安全巡检系统及其方法，其通过热红外相机采集电力设备的热力图，采用基于机器视觉的人工智能监控技术，对图像降噪处理后提取图像的全局隐含关联特征信息，基于图像特征信息判断电力设备是否存在安全隐患。这样，可以快速准确地判断是否存在安全隐患，提高电力系统的安全运行水平，避免设备故障和电气火灾的发生，保障供电的可靠性和稳定性。
相应地，根据本申请的一个方面，提供了一种基于图像的电力安全巡检系统，其包括：
监控模块，用于获取由摄像头采集的电力设备热力图；
降噪模块，用于将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图；
热力特征提取模块，用于将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图；
特征增强模块，用于将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图；
优化模块，用于对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图；
管理结果生成模块，用于将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
在上述基于图像的电力安全巡检系统中，所述降噪模块，包括：图像编码单元，用于使用所述基于自动编解码器的降噪模块的编码器对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，其中，所述自动编码器的编码器为卷积层；以及，图像解码单元，用于使用所述基于自动编解码器的降噪模块的解码器对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图，其中，所述自动编码器的解码器为反卷积层。
在上述基于图像的电力安全巡检系统中，所述热力特征提取模块，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为降噪后热力特征图，所述作为过滤器的卷积神经网络模型的第一层的输入为所述降噪后热力图。
在上述基于图像的电力安全巡检系统中，所述特征增强模块，包括：点卷积单元，用于将所述降噪后热力特征图输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，第三融合单元，用于计算所述通道调整全局相似特征图和所述降噪后热力特征图的按位置加权和以得到所述增强热力特征图。
在上述基于图像的电力安全巡检系统中，所述优化模块，包括：特征展平单元，用于将所述增强热力特征图的沿通道维度的各个特征矩阵进行特征分布展平化以得到多个分类特征局部展开特征向量；度量单元，用于计算所述多个分类特征局部展开特征向量中任意两个分类特征局部展开特征向量之间的布雷柯蒂斯距离以得到布雷柯蒂斯距离度量矩阵；流形稀疏特征提取单元，用于将所述布雷柯蒂斯距离度量矩阵通过基于卷积神经网络模型的流形稀疏特征提取器以得到流形主成分特征向量，其中，所述流形主成分特征向量的尺度与所述增强热力特征图的通道数相同；加权单元，用于以所述流形主成分特征向量中各个位置的特征值作为权重，对所述增强热力特征图的沿通道维度的各个特征矩阵特征进行加权以得到所述优化增强热力特征图。
在上述基于图像的电力安全巡检系统中，所述管理结果生成模块，用于：使用所述分类器以如下分类公式对所述优化增强热力特征图进行处理以生成分类结果，其中，所述分类公式为：
softmax{(Mc,Bc)|Project(F)}
其中，Project(F)表示将所述优化增强热力特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
根据本申请的另一个方面，提供了一种基于图像的电力安全巡检方法，其包括：
获取由摄像头采集的电力设备热力图；
将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图；
将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图；
将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图；
对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图；
将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
在上述基于图像的电力安全巡检方法中，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图，包括：使用所述基于自动编解码器的降噪模块的编码器对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，其中，所述自动编码器的编码器为卷积层；以及，使用所述基于自动编解码器的降噪模块的解码器对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图，其中，所述自动编码器的解码器为反卷积层。
在上述基于图像的电力安全巡检方法中，将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为降噪后热力特征图，所述作为过滤器的卷积神经网络模型的第一层的输入为所述降噪后热力图。
在上述基于图像的电力安全巡检方法中，将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图，包括：将所述降噪后热力特征图输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，计算所述通道调整全局相似特征图和所述降噪后热力特征图的按位置加权和以得到所述增强热力特征图。
与现有技术相比，本申请提供的基于图像的电力安全巡检系统及其方法，其通过热红外相机采集电力设备的热力图，采用基于机器视觉的人工智能监控技术，对图像降噪处理后提取图像的全局隐含关联特征信息，基于图像特征信息判断电力设备是否存在安全隐患。这样，可以快速准确地判断是否存在安全隐患，提高电力系统的安全运行水平，避免设备故障和电气火灾的发生，保障供电的可靠性和稳定性。
附图说明
通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的基于图像的电力安全巡检系统的框图。
图2为根据本申请实施例的基于图像的电力安全巡检系统的架构示意图。
图3为根据本申请实施例的基于图像的电力安全巡检系统中降噪模块的框图。
图4为根据本申请实施例的基于图像的电力安全巡检系统中特征增强模块的框图。
图5为根据本申请实施例的基于图像的电力安全巡检方法的流程图。
图6为根据本申请实施例的电子设备的框图。
具体实施方式
下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。
申请概述
如上述背景技术所言，为确保电力系统的安全运行，需要对电力线的状态，关键节点的发热温度，电气火灾等等进行定期巡查和检测。其中的关键节点，例如母线连接点、各种开关、断路器、主变套管夹以及高压电缆接头等，是需要经常测温的。否则很容易造成接点接触电阻过大而发热，并产生安全隐患，严重的甚至会引起设备起火或爆炸，造成大面积供电中断。因此，期待一种基于图像的电力安全巡检系统及其方法。
目前，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、语音信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。
近年来，深度学习以及神经网络的发展为电力设备的安全巡检提供了新的解决思路和方案。
由于现有的对于电力设备的温度检测通常是通过温度传感器来采集温度数据。但是，由于温度传感器只能检测较小范围内的温度值，而对于电力设备安全巡检时需要对多个关键节点进行测温，这就需要使用温度传感器多次测量。并且，温度传感器采集的数值数据无法很好地反映电力设备不同位置的温度分布情况。
相应地，考虑到热红外相机可以通过红外辐射检测物体表面的温度，并将其转化为热力图，从而更加直观地了解电力设备各个部位的温度分布情况。基于此，在本申请的技术方案中，通过热红外相机采集电力设备的热力图，采用基于机器视觉的人工智能监控技术，对图像降噪处理后提取图像的全局隐含关联特征信息，基于图像特征信息判断电力设备是否存在安全隐患。这样，可以快速准确地判断是否存在安全隐患，提高电力系统的安全运行水平，避免设备故障和电气火灾的发生，保障供电的可靠性和稳定性。
具体地，在本申请的技术方案中，首先，通过热红外相机采集电力设备的热力图。接着，考虑到在实际情况下，电力设备的热力图可能会受到噪声、干扰或其他因素的影响，导致图像质量下降，难以准确分析和判断。本领域普通技术人员应知晓，自动编解码器是一种深度学习模型，可以学习所述热力图中的特征表示并生成输出数据，以去除图像中的噪声，从而提高图像质量，更好地分析和判断电力设备的发热情况。具体地，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图。特别地，这里，所述基于自动编解码器的降噪模块包括编码器和解码器，所述编码器使用卷积层对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，且所述解码器使用反卷积层对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图。
进一步地，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对于所述降噪后热力图进行特征挖掘。卷积神经网络(Convolutional NeuralNetwork，CNN)是一种专门用于图像处理任务的深度学习模型，具有良好的特征提取能力。将所述降噪后热力图输入到卷积神经网络模型中，卷积神经网络的卷积层通过滑动窗口的方式，提取图像中的局部特征，并通过激活函数和池化操作对特征进行非线性处理和降维。以提取出所述降噪后热力图中关于温度分布、热点位置以及异常区域的隐含特征分布信息，从而得到降噪后热力特征图。
然后，考虑到由于卷积是典型的局部操作，其只能提取图像局部特征，而无法关注全局特征。而在降噪后热力特征图中，可能存在一些长距离的依赖关系，例如热点之间的相互影响、热点的空间分布模式等。因此，在本申请的技术方案中，为了更精准地对于所述降噪后热力特征图进行检测判断，使用非局部神经网络来进一步进行图像的特征提取。非局部神经网络模型(Non-local Neural Network)是一种用于建模长距离依赖关系的深度学习模型，能够捕捉更广泛的上下文信息。通过将所述降噪后热力特征图输入到非局部神经网络模型中，模型通过计算图像中每个位置与其他位置之间的相似性来挖掘隐藏的依赖信息，以捕捉到更多的上下文信息，并将这些信息融合到特征图中，从而得到增强热力特征图。
特别地，进一步地，考虑到热力图中的空间结构和关系对于理解电力设备的热分布和问题诊断至关重要。通过对增强热力特征图进行流形约束，可以保持热力图中的空间结构和上下文信息。这有助于保持热力特征图中特征的空间关系，以更好地反映电力设备的热分布和热异常。通过流形约束，可以使得增强热力特征图中的高维特征分布更加连续。这使得相邻的特征在特征空间中更接近，有助于保持热力图中不同区域的平滑过渡，提高特征连续性。流形约束可以使得相似的特征在增强热力特征图中更加接近，而不相似的特征更远离。通过这种优化，可以提高特征表达的有效性，使得增强热力特征图能够更好地区分热力图中不同区域的热度和异常。
具体地，对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图，包括：将所述增强热力特征图的沿通道维度的各个特征矩阵进行特征分布展平化以得到多个分类特征局部展开特征向量；计算所述多个分类特征局部展开特征向量中任意两个分类特征局部展开特征向量之间的布雷柯蒂斯距离以得到布雷柯蒂斯距离度量矩阵；将所述布雷柯蒂斯距离度量矩阵通过基于卷积神经网络模型的流形稀疏特征提取器以得到流形主成分特征向量，其中，所述流形主成分特征向量的尺度与所述增强热力特征图的通道数相同；以所述流形主成分特征向量中各个位置的特征值作为权重，对所述增强热力特征图的沿通道维度的各个特征矩阵特征进行加权以得到所述优化增强热力特征图。
基于高维特征流形的几何稀疏性思想对所述增强热力特征图的沿通道维度的各个特征矩阵进行基于布雷柯蒂斯距离度量的类聚类加权优化以使得所述增强热力特征图中的有效信息更加突出，而无关信息更加抑制，从而提高了分类任务中的判别能力。同时，还可以使得所述增强热力特征图中的各个局部特征矩阵更加具有低维结构，从而增强了对输入数据的抽象和表示能力，以及对噪声和变化的鲁棒性。
接着，使用分类器进行分类处理，以判断电力设备是否存在安全隐患。分类器可以通过训练来学习正常和异常状况的模式，并根据这些模式对新的输入数据进行分析和分类，以识别出异常的热点分布或温度变化，从而判断设备是否正常运行或存在潜在的安全问题。这样，可以及时发现设备的异常情况，并采取相应的措施来确保设备的安全运行。
在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图1为根据本申请实施例的基于图像的电力安全巡检系统的框图。如图1所示，根据本申请实施例的基于图像的电力安全巡检系统100，包括：监控模块110，用于获取由摄像头采集的电力设备热力图；降噪模块120，用于将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图；热力特征提取模块130，用于将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图；特征增强模块140，用于将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图；优化模块150，用于对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图；管理结果生成模块160，用于将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
图2为根据本申请实施例的基于图像的电力安全巡检系统的架构示意图。如图2所示，首先，获取由摄像头采集的电力设备热力图。接着，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图。然后，将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图。其次，将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图。接着，对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图。最后，将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
在上述基于图像的电力安全巡检系统100中，所述监控模块110，用于获取由摄像头采集的电力设备热力图。如上述背景技术所言，为确保电力系统的安全运行，需要对电力设备关键节点的发热温度进行定期巡查和检测。由于现有的对于电力设备的温度检测通常是通过温度传感器来采集温度数据。但是，由于温度传感器只能检测较小范围内的温度值，而对于电力设备安全巡检时需要对多个关键节点进行测温，这就需要使用温度传感器多次测量。并且，温度传感器采集的数值数据无法很好地反映电力设备不同位置的温度分布情况。
相应地，考虑到热红外相机可以通过红外辐射检测物体表面的温度，并将其转化为热力图，从而更加直观地了解电力设备各个部位的温度分布情况。基于此，在本申请的技术方案中，通过热红外相机采集电力设备的热力图，采用基于机器视觉的人工智能监控技术，对图像降噪处理后提取图像的全局隐含关联特征信息，基于图像特征信息判断电力设备是否存在安全隐患。这样，可以快速准确地判断是否存在安全隐患，提高电力系统的安全运行水平，避免设备故障和电气火灾的发生，保障供电的可靠性和稳定性。具体地，在本申请的技术方案中，首先，通过热红外相机采集电力设备的热力图。
在上述基于图像的电力安全巡检系统100中，所述降噪模块120，用于将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图。考虑到在实际情况下，电力设备的热力图可能会受到噪声、干扰或其他因素的影响，导致图像质量下降，难以准确分析和判断。本领域普通技术人员应知晓，自动编解码器是一种深度学习模型，可以学习所述热力图中的特征表示并生成输出数据，以去除图像中的噪声，从而提高图像质量，更好地分析和判断电力设备的发热情况。因此，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图。
图3为根据本申请实施例的基于图像的电力安全巡检系统中降噪模块的框图。如图3所示，所述降噪模块120，包括：图像编码单元121，用于使用所述基于自动编解码器的降噪模块的编码器对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，其中，所述自动编码器的编码器为卷积层；以及，图像解码单元122，用于使用所述基于自动编解码器的降噪模块的解码器对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图，其中，所述自动编码器的解码器为反卷积层。
在上述基于图像的电力安全巡检系统100中，所述热力特征提取模块130，用于将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图。进一步地，使用在图像的局部隐含特征提取方面具有优异表现的卷积神经网络模型来对于所述降噪后热力图进行特征挖掘。卷积神经网络(Convolutional Neural Network，CNN)是一种专门用于图像处理任务的深度学习模型，具有良好的特征提取能力。将所述降噪后热力图输入到卷积神经网络模型中，卷积神经网络的卷积层通过滑动窗口的方式，提取图像中的局部特征，并通过激活函数和池化操作对特征进行非线性处理和降维。以提取出所述降噪后热力图中关于温度分布、热点位置以及异常区域的隐含特征分布信息，从而得到降噪后热力特征图。
相应地，在一个具体示例中，所述热力特征提取模块130，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为降噪后热力特征图，所述作为过滤器的卷积神经网络模型的第一层的输入为所述降噪后热力图。
在上述基于图像的电力安全巡检系统100中，所述特征增强模块140，用于将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图。考虑到由于卷积是典型的局部操作，其只能提取图像局部特征，而无法关注全局特征。而在降噪后热力特征图中，可能存在一些长距离的依赖关系，例如热点之间的相互影响、热点的空间分布模式等。因此，在本申请的技术方案中，为了更精准地对于所述降噪后热力特征图进行检测判断，使用非局部神经网络来进一步进行图像的特征提取。非局部神经网络模型(Non-localNeural Network)是一种用于建模长距离依赖关系的深度学习模型，能够捕捉更广泛的上下文信息。通过将所述降噪后热力特征图输入到非局部神经网络模型中，模型通过计算图像中每个位置与其他位置之间的相似性来挖掘隐藏的依赖信息，以捕捉到更多的上下文信息，并将这些信息融合到特征图中，从而使得特征图更具表达能力和区分度。
图4为根据本申请实施例的基于图像的电力安全巡检系统中特征增强模块的框图。如图4所示，所述特征增强模块140，包括：点卷积单元141，用于将所述降噪后热力特征图输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；第一融合单元142，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；归一化单元143，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；第二融合单元144，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；全局感知单元145，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；通道数调整单元146，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，第三融合单元147，用于计算所述通道调整全局相似特征图和所述降噪后热力特征图的按位置加权和以得到所述增强热力特征图。
在上述基于图像的电力安全巡检系统100中，所述优化模块150，用于对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图。特别地，考虑到热力图中的空间结构和关系对于理解电力设备的热分布和问题诊断至关重要。通过对增强热力特征图进行流形约束，可以保持热力图中的空间结构和上下文信息。这有助于保持热力特征图中特征的空间关系，以更好地反映电力设备的热分布和热异常。通过流形约束，可以使得增强热力特征图中的高维特征分布更加连续。这使得相邻的特征在特征空间中更接近，有助于保持热力图中不同区域的平滑过渡，提高特征连续性。流形约束可以使得相似的特征在增强热力特征图中更加接近，而不相似的特征更远离。通过这种优化，可以提高特征表达的有效性，使得增强热力特征图能够更好地区分热力图中不同区域的热度和异常。
相应地，在一个具体示例中，所述优化模块150，包括：特征展平单元，用于将所述增强热力特征图的沿通道维度的各个特征矩阵进行特征分布展平化以得到多个分类特征局部展开特征向量；度量单元，用于计算所述多个分类特征局部展开特征向量中任意两个分类特征局部展开特征向量之间的布雷柯蒂斯距离以得到布雷柯蒂斯距离度量矩阵；流形稀疏特征提取单元，用于将所述布雷柯蒂斯距离度量矩阵通过基于卷积神经网络模型的流形稀疏特征提取器以得到流形主成分特征向量，其中，所述流形主成分特征向量的尺度与所述增强热力特征图的通道数相同；加权单元，用于以所述流形主成分特征向量中各个位置的特征值作为权重，对所述增强热力特征图的沿通道维度的各个特征矩阵特征进行加权以得到所述优化增强热力特征图。
基于高维特征流形的几何稀疏性思想对所述增强热力特征图的沿通道维度的各个特征矩阵进行基于布雷柯蒂斯距离度量的类聚类加权优化以使得所述增强热力特征图中的有效信息更加突出，而无关信息更加抑制，从而提高了分类任务中的判别能力。同时，还可以使得所述增强热力特征图中的各个局部特征矩阵更加具有低维结构，从而增强了对输入数据的抽象和表示能力，以及对噪声和变化的鲁棒性。
在上述基于图像的电力安全巡检系统100中，所述管理结果生成模块160，用于将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。分类器可以通过训练来学习正常和异常状况的模式，并根据这些模式对新的输入数据进行分析和分类，以识别出异常的热点分布或温度变化，从而判断设备是否正常运行或存在潜在的安全问题。这样，可以及时发现设备的异常情况，并采取相应的措施来确保设备的安全运行。
相应地，在一个具体示例中，所述管理结果生成模块160，用于：使用所述分类器以如下分类公式对所述优化增强热力特征图进行处理以生成分类结果，其中，所述分类公式为：
softmax{(Mc,Bc)|Project(F)}
其中，Project(F表示将所述优化增强热力特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
综上，根据本申请实施例的基于图像的电力安全巡检系统被阐明，其通过热红外相机采集电力设备的热力图，采用基于机器视觉的人工智能监控技术，对图像降噪处理后提取图像的全局隐含关联特征信息，基于图像特征信息判断电力设备是否存在安全隐患。这样，可以快速准确地判断是否存在安全隐患，提高电力系统的安全运行水平，避免设备故障和电气火灾的发生，保障供电的可靠性和稳定性。
示例性方法
图5为根据本申请实施例的基于图像的电力安全巡检方法的流程图。如图5所示，根据本申请实施例的基于图像的电力安全巡检方法，包括步骤：S110，获取由摄像头采集的电力设备热力图；S120，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图；S130，将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图；
S140，将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图；S150，对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图；S160，将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
在一个具体示例中，在上述基于图像的电力安全巡检方法中，所述步骤S120，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图，包括：使用所述基于自动编解码器的降噪模块的编码器对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，其中，所述自动编码器的编码器为卷积层；以及，使用所述基于自动编解码器的降噪模块的解码器对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图，其中，所述自动编码器的解码器为反卷积层。
在一个具体示例中，在上述基于图像的电力安全巡检方法中，所述步骤S130，将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：对输入数据进行卷积处理以得到卷积特征图；对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；以及，对所述池化特征图进行非线性激活以得到激活特征图；其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为降噪后热力特征图，所述作为过滤器的卷积神经网络模型的第一层的输入为所述降噪后热力图。
在一个具体示例中，在上述基于图像的电力安全巡检方法中，所述步骤S140，将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图，包括：将所述降噪后热力特征图输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；以及，计算所述通道调整全局相似特征图和所述降噪后热力特征图的按位置加权和以得到所述增强热力特征图。
在一个具体示例中，在上述基于图像的电力安全巡检方法中，所述步骤S150，对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图，包括：将所述增强热力特征图的沿通道维度的各个特征矩阵进行特征分布展平化以得到多个分类特征局部展开特征向量；计算所述多个分类特征局部展开特征向量中任意两个分类特征局部展开特征向量之间的布雷柯蒂斯距离以得到布雷柯蒂斯距离度量矩阵；将所述布雷柯蒂斯距离度量矩阵通过基于卷积神经网络模型的流形稀疏特征提取器以得到流形主成分特征向量，其中，所述流形主成分特征向量的尺度与所述增强热力特征图的通道数相同；以所述流形主成分特征向量中各个位置的特征值作为权重，对所述增强热力特征图的沿通道维度的各个特征矩阵特征进行加权以得到所述优化增强热力特征图。
在一个具体示例中，在上述基于图像的电力安全巡检方法中，所述步骤S160，将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患，包括：使用所述分类器以如下分类公式对所述优化增强热力特征图进行处理以生成分类结果，其中，所述分类公式为：
softmax{(Mc,Bc)|Project(F)}
其中，Project(F)表示将所述优化增强热力特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
这里，本领域技术人员可以理解，上述基于图像的电力安全巡检方法中的各个步骤的具体操作已经在上面参考图1到图4的基于图像的电力安全巡检系统的描述中得到了详细介绍，并因此，将省略其重复描述。
示例性电子设备
下面，参考图6来描述根据本申请实施例的电子设备。图6为根据本申请实施例的电子设备的框图。如图6所示，电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的基于图像的电力安全巡检系统中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如电力设备热力图等各种内容。
在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息，包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于图像的电力安全巡检方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的基于图像的电力安全巡检方法中的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

Claims (10)

1.一种基于图像的电力安全巡检系统，其特征在于，包括：
监控模块，用于获取由摄像头采集的电力设备热力图；
降噪模块，用于将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图；
热力特征提取模块，用于将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图；
特征增强模块，用于将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图；
优化模块，用于对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图；
管理结果生成模块，用于将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
2.根据权利要求1所述的基于图像的电力安全巡检系统，其特征在于，所述降噪模块，包括：
图像编码单元，用于使用所述基于自动编解码器的降噪模块的编码器对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，其中，所述自动编码器的编码器为卷积层；
图像解码单元，用于使用所述基于自动编解码器的降噪模块的解码器对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图，其中，所述自动编码器的解码器为反卷积层。
3.根据权利要求2所述的基于图像的电力安全巡检系统，其特征在于，所述热力特征提取模块，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为降噪后热力特征图，所述作为过滤器的卷积神经网络模型的第一层的输入为所述降噪后热力图。
4.根据权利要求3所述的基于图像的电力安全巡检系统，其特征在于，所述特征增强模块，包括：
点卷积单元，用于将所述降噪后热力特征图输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；
第一融合单元，用于计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；
归一化单元，用于将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；
第二融合单元，用于计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；
全局感知单元，用于将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；
通道数调整单元，用于将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；
第三融合单元，用于计算所述通道调整全局相似特征图和所述降噪后热力特征图的按位置加权和以得到所述增强热力特征图。
5.根据权利要求4所述的基于图像的电力安全巡检系统，其特征在于，所述优化模块，包括：
特征展平单元，用于将所述增强热力特征图的沿通道维度的各个特征矩阵进行特征分布展平化以得到多个分类特征局部展开特征向量；
度量单元，用于计算所述多个分类特征局部展开特征向量中任意两个分类特征局部展开特征向量之间的布雷柯蒂斯距离以得到布雷柯蒂斯距离度量矩阵；
流形稀疏特征提取单元，用于将所述布雷柯蒂斯距离度量矩阵通过基于卷积神经网络模型的流形稀疏特征提取器以得到流形主成分特征向量，其中，所述流形主成分特征向量的尺度与所述增强热力特征图的通道数相同；
加权单元，用于以所述流形主成分特征向量中各个位置的特征值作为权重，对所述增强热力特征图的沿通道维度的各个特征矩阵特征进行加权以得到所述优化增强热力特征图。
6.根据权利要求5所述的基于图像的电力安全巡检系统，其特征在于，所述管理结果生成模块，用于：使用所述分类器以如下分类公式对所述优化增强热力特征图进行处理以生成分类结果，其中，所述分类公式为：
softmax{(Mc,Bc)|Project(F)}
其中，Project(F)表示将所述优化增强热力特征图投影为向量，Mc为全连接层的权重矩阵，Bc表示全连接层的偏置矩阵，softmax表示归一化指数函数。
7.一种基于图像的电力安全巡检方法，其特征在于，包括：
获取由摄像头采集的电力设备热力图；
将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图；
将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图；
将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图；
对所述增强热力特征图进行高维特征分布的流形约束以得到优化增强热力特征图；
将所述优化增强热力特征图通过分类器以得到分类结果，所述分类结果用于表示该电力设备是否存在安全隐患。
8.根据权利要求7所述的基于图像的电力安全巡检方法，其特征在于，将所述电力设备热力图通过基于自动编解码器的降噪模块以得到降噪后热力图，包括：
使用所述基于自动编解码器的降噪模块的编码器对所述电力设备热力图进行显式空间编码以得到电力设备热力特征图，其中，所述自动编码器的编码器为卷积层；
使用所述基于自动编解码器的降噪模块的解码器对所述电力设备热力特征图进行反卷积处理以得到所述降噪后热力图，其中，所述自动编码器的解码器为反卷积层。
9.根据权利要求8所述的基于图像的电力安全巡检方法，其特征在于，将所述降噪后热力图通过作为过滤器的卷积神经网络模型以得到降噪后热力特征图，包括：使用所述作为过滤器的卷积神经网络模型的各层在层的正向传递中分别进行：
对输入数据进行卷积处理以得到卷积特征图；
对所述卷积特征图进行基于局部特征矩阵的均值池化处理以得到池化特征图；
对所述池化特征图进行非线性激活以得到激活特征图；
其中，所述作为过滤器的卷积神经网络模型的最后一层的输出为降噪后热力特征图，所述作为过滤器的卷积神经网络模型的第一层的输入为所述降噪后热力图。
10.根据权利要求9所述的基于图像的电力安全巡检方法，其特征在于，将所述降噪后热力特征图通过非局部神经网络模型以得到增强热力特征图，包括：
将所述降噪后热力特征图输入所述非局部神经网络的第一点卷积层、第二点卷积层和第三点卷积层以得到第一特征图、第二特征图和第三特征图；
计算所述第一特征图和所述第二特征图的按位置加权和以得到中间融合特征图；
将所述中间融合特征图输入Softmax函数以对所述中间融合特征图中各个位置的特征值进行归一化以得到归一化中间融合特征图；
计算所述归一化中间融合特征图和所述第三特征图的按位置加权和以得到再融合特征图；
将所述再融合特征图通过嵌入高斯相似性函数以计算所述再融合特征图中各个位置的特征值间的相似性以得到全局相似特征图；
将所述全局相似特征图通过所述非局部神经网络的第四点卷积层以调整所述全局相似特征图的通道数以得到通道调整全局相似特征图；
计算所述通道调整全局相似特征图和所述降噪后热力特征图的按位置加权和以得到所述增强热力特征图。
CN202310952837.5A 2023-07-31 2023-07-31 基于图像的电力安全巡检系统及其方法 Pending CN116958697A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310952837.5A CN116958697A (zh) 2023-07-31 2023-07-31 基于图像的电力安全巡检系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310952837.5A CN116958697A (zh) 2023-07-31 2023-07-31 基于图像的电力安全巡检系统及其方法

Publications (1)

Publication Number Publication Date
CN116958697A true CN116958697A (zh) 2023-10-27

Family

ID=88444380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310952837.5A Pending CN116958697A (zh) 2023-07-31 2023-07-31 基于图像的电力安全巡检系统及其方法

Country Status (1)

Country Link
CN (1) CN116958697A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612110A (zh) * 2023-12-13 2024-02-27 安徽省川佰科技有限公司 基于计算机视觉技术的炉膛火焰智能监控系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117612110A (zh) * 2023-12-13 2024-02-27 安徽省川佰科技有限公司 基于计算机视觉技术的炉膛火焰智能监控系统及方法
CN117612110B (zh) * 2023-12-13 2024-05-14 安徽省川佰科技有限公司 基于计算机视觉技术的炉膛火焰智能监控系统及方法

Similar Documents

Publication Publication Date Title
CN116975728B (zh) 用于煤层气钻井工程的安全管理方法及其系统
CN115759658B (zh) 适用于智慧城市的企业能耗数据管理系统
CN116958697A (zh) 基于图像的电力安全巡检系统及其方法
CN115171317A (zh) 物联网智能家居方法、系统和电子设备
CN114825257A (zh) Led灯检测的漏电保护装置及其漏电保护方法
CN116127019B (zh) 动态参数与可视化模型生成web 2d自动建模引擎系统
CN117124138A (zh) 模具零件自动化加工系统及方法
CN115324843A (zh) 基于监测数据的风力发电机组的故障诊断系统及其方法
CN117269644A (zh) 电流互感器的线路故障监测系统及其方法
CN116819379A (zh) 电源适配器的故障监测系统及其方法
CN116486323A (zh) 基于人工智能的输煤廊道监控管理系统及其方法
CN117268760A (zh) 轴承状态监测系统及方法
CN117248967A (zh) 基于智慧感知的矿山安全监测系统及其方法
CN116977129A (zh) 智慧物业管理系统及其方法
Qin et al. CSCAD: Correlation structure-based collective anomaly detection in complex system
CN117527524A (zh) 基于大数据技术的通信网络故障检测系统及方法
CN116467485B (zh) 一种视频图像检索构建系统及其方法
CN117421655A (zh) 工业互联网数据流异常检测方法及系统
CN112766810A (zh) 用于智能综合性整体质量评价的神经网络的训练方法
CN116821831A (zh) 电力智能巡检系统及其方法
CN116526670A (zh) 面向电力大数据可视化的信息融合方法
CN116953852A (zh) 光纤的智能加工方法及其系统
Das et al. Convolutional neural network and Bi‐directional long short memory hybrid deep network aided infrared image classification framework for non‐contact monitoring of overhead insulators
CN112800995A (zh) 使用多尺度特征加权的智能颗粒大小检测方法
CN118054111B (zh) 锂电池组安全管理方法、装置、存储介质及电子设备

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