CN117011513A - 故障定位方法、装置、设备、存储介质和计算机程序产品 - Google Patents
故障定位方法、装置、设备、存储介质和计算机程序产品 Download PDFInfo
- Publication number
- CN117011513A CN117011513A CN202310962421.1A CN202310962421A CN117011513A CN 117011513 A CN117011513 A CN 117011513A CN 202310962421 A CN202310962421 A CN 202310962421A CN 117011513 A CN117011513 A CN 117011513A
- Authority
- CN
- China
- Prior art keywords
- model
- target
- image data
- cascade model
- edge
- 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 58
- 238000004590 computer program Methods 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 claims abstract description 240
- 239000012212 insulator Substances 0.000 claims abstract description 116
- 238000012549 training Methods 0.000 claims abstract description 71
- 238000003708 edge detection Methods 0.000 claims abstract description 40
- 238000002372 labelling Methods 0.000 claims description 6
- 230000004807 localization Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 description 14
- 238000004891 communication Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004880 explosion Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 230000003068 static effect 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
- 230000006399 behavior Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种故障定位方法、装置、设备、存储介质和计算机程序产品。所述方法包括：采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。采用本方法能够提高故障定位精确性，且通过边缘设备可以对实时图像数据进行数据处理和分析，提高了系统的安全性和稳定性。
Description
技术领域
本申请涉及电力系统检测技术领域，特别是涉及一种故障定位方法、装置、设备、存储介质和计算机程序产品。
背景技术
在电力系统中，绝缘子是用于支撑和绝缘高压导线或电力设备的重要电力组件，绝缘子突然破裂、碎裂或爆炸可能导致供电中断、周围设备的损坏，还可能产生火灾、电弧等安全风险。随着电力系统的长期运行，绝缘子可能存在各种故障和异常情况，导致电力系统停运，产生生产损失和人员风险等。因此，对电力系统中的绝缘子进行实时监测，及时确定绝缘子的故障位置，对于确保电力系统的安全运行和正常供电至关重要。
目前，现有技术利用目标检测模型对电力系统的绝缘子进行实时监测和故障识别。然而，传统的目标检测模型对于体积小的检测目标的检测精度低，检测可靠性不高。
发明内容
基于此，有必要针对上述技术问题，提供一种故障定位方法、装置、设备、存储介质和计算机程序产品。
第一方面，本申请提供了一种故障定位方法。所述方法包括：
采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；
获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；
根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
在其中一个实施例中，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，包括：
获取第一级初始检测模型，通过图像数据训练第一级初始检测模型，得到第一级目标检测模型，并获取第一级目标检测模型输出的第一区域数据；
获取第二级初始检测模型，通过第一区域数据训练第二级初始检测模型，得到第二级目标检测模型；
将第一级目标检测模型与第二级目标检测模型级联，得到目标检测级联模型。
在其中一个实施例中，该方法还包括：
根据图像数据确定输入第一级初始检测模型的第一输入图像；
根据第一输入图像的大小调整第二输入图像的大小，并将第二输入图像输入第二级初始检测模型。
在其中一个实施例中，采集电力系统中绝缘子存在故障的图像数据之后，该方法还包括：
基于绝缘子存在故障的位置对图像数据进行标注，得到标注后的训练数据；
根据训练数据对初始检测级联模型进行训练。
在其中一个实施例中，通过图像数据训练目标检测级联模型，得到训练后的目标检测级联模型以及训练后的目标检测级联模型的模型参数，包括：
基于训练数据中的标注确定绝缘子故障位置对应的目标区域；
基于初始检测级联模型获取到绝缘子的预测区域；
根据预测区域与目标区域的差异更新初始检测级联模型的初始模型参数，以实现初始检测级联模型的训练，得到目标检测级联模型以及模型参数。
在其中一个实施例中，该方法还包括：
实时采集边缘设备对应的边缘图像数据；
根据边缘检测级联模型识别边缘图像数据，得到识别结果；
若识别结果表示绝缘子存在故障，则将边缘图像数据传输到主站，并根据边缘图像数据对目标检测级联模型进行迭代训练，得到更新后的目标检测级联模型。
第二方面，本申请还提供了一种故障定位装置。所述装置包括：
图像采集模块，用于采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；
主站模型模块，用于获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；
边缘设备模型模块，用于根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
第三方面，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，存储器存储有计算机程序，所述处理器执行计算机程序时实现以下步骤：
采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；
获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；
根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
第四方面，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以下步骤：
采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；
获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；
根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
第五方面，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，所述计算机程序被处理器执行时实现以下步骤：
采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；
获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；
根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
上述故障定位方法、装置、设备、存储介质和计算机程序产品，通过采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。该方法通过级联模型进行绝缘子故障定位，在各级模型都可以进行目标物体的选择，进而将具有潜在目标物体的区域从背景中分离出来，对目标物体进行逐步确定的过程可以减少需要处理的候选区域数量，提高检测的效率。且各级级联模型都可以对目标物体和背景进行不同的特征学习和分类器训练，通过多次迭代训练，级联模型可以提高对目标物体的识别能力，提高故障定位的精确性。且通过在边缘设备上构建对应的故障定位模型，可以对实时采集的图像数据进行数据处理和分析，进而避免将大量原始数据传输到中心服务器进行处理，降低了网络传输延迟和带宽消耗，且实时的数据处理有利于电力系统运行状态的实时监控，提高电力系统的安全性和稳定性。
附图说明
图1为一个实施例中故障定位方法的应用环境图；
图2为一个实施例中故障定位方法的流程示意图；
图3为另一个实施例中故障定位方法的流程示意图；
图4为一个实施例中故障定位装置的结构框图；
图5为一个实施例中计算机设备为终端的内部结构图；
图6为一个实施例中计算机设备为服务器的内部结构图。
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。
本申请实施例提供的故障定位方法，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。终端102采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。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、物联网设备和便携式可穿戴设备，物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，如图2所示，提供了一种故障定位方法，以该方法应用于图1中的终端102为例进行说明，包括以下步骤：
步骤202，采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备。
其中，绝缘子是用于支持和绝缘电力设备导线的装置。主站是电力系统的调度中心或控制中心，用于对整个电力系统的运行进行监测、调度和管理。电边缘设备是指位于电力系统边缘的计算设备，用于在离用户或设备更近的位置进行数据处理、分析和控制。
示例性的，采集电力系统中各变电站架空线路绝缘子存在自爆现象的图片，对图片进行预处理后，得到图像数据。其中，自爆现象是指在电力系统中绝缘子发生破裂或爆炸的现象。
步骤204，获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置。
其中，模型参数是指在模型训练过程中，模型可以根据输入数据进行学习和调整的可调整的变量，模型参数用于控制模型的行为和性能，以使模型可以对输入数据进行预测或分类。
示例性的，在电力系统的主站，根据目标检测算法构建初始检测级联模型，还可以通过串联多个模型构建该初始检测级联模型，将绝缘子存在故障的图像数据输入该初始检测级联模型，该初始检测级联模型输出图像数据中存在故障的预测位置，根据预测位置与实际位置的差异迭代更新该初始检测级联模型的初始模型参数，以使输出的预测位置更接近实际位置，得到训练后的目标检测级联模型，以及该目标检测级联模型的目标模型参数。
步骤206，根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
示例性的，控制电力系统的主站将获取到的模型参数发送到边缘设备，边缘设备根据该模型参数构建边缘检测级联模型，该边缘检测级联模型可以采用目标检测算法，且该边缘检测级联模型可以是串联多个模型的连接方式。边缘设备实时采集边缘设备所在区域的图像数据，并对该图像数据进行绝缘子故障识别和定位，得到故障的目标绝缘子以及目标绝缘子在图像数据中的位置。
本实施例的故障定位方法，通过采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。该方法通过级联模型进行绝缘子故障定位，在各级模型都可以进行目标物体的选择，进而将具有潜在目标物体的区域从背景中分离出来，对目标物体进行逐步确定的过程可以减少需要处理的候选区域数量，提高检测的效率。且各级级联模型都可以对目标物体和背景进行不同的特征学习和分类器训练，通过多次迭代训练，级联模型可以提高对目标物体的识别能力，提高故障定位的精确性。且通过在边缘设备上构建对应的故障定位模型，可以对实时采集的图像数据进行数据处理和分析，进而避免将大量原始数据传输到中心服务器进行处理，降低了网络传输延迟和带宽消耗，且实时的数据处理有利于电力系统运行状态的实时监控，提高电力系统的安全性和稳定性。
在一个实施例中，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，包括：获取第一级初始检测模型，通过图像数据训练第一级初始检测模型，得到第一级目标检测模型，并获取第一级目标检测模型输出的第一区域数据；获取第二级初始检测模型，通过第一区域数据训练第二级初始检测模型，得到第二级目标检测模型；将第一级目标检测模型与第二级目标检测模型级联，得到目标检测级联模型。
其中，级联是指多级别分类器模型，通过逐级筛选和精细化的方式来提高分类器的准确性和效率，可以用于目标检测等计算机视觉任务。
示例性的，初始检测级联模型包括串联连接的第一级初始检测模型和第二级初始检测模型，第一级初始检测模型和第二级初始检测模型均采用目标检测算法，将图像数据输入第一级初始检测模型进行该模型的训练，第一级初始检测模型可以识别图像数据中由多个绝缘子连接组成的绝缘子串，得到训练后的第一目标检测模型，并获取到第一目标检测模型输出的绝缘子串对应的第一区域图像数据，将该第一区域图像数据输入第二级初始检测模型，根据该第一区域图像数据对第二级初始检测模型进行训练，第二级初始检测模型可以识别绝缘子串中存在故障的绝缘子，得到训练后的第二目标检测模型，并获取到第二目标检测模型输出的绝缘子存在故障位置对应的第二区域图像数据，根据第一目标检测模型和第二目标检测模型可以得到目标检测级联模型。
本实施例中，第一级初始检测模型通常是一个快速的分类器，用于初步筛选出可能包含绝缘子的第一区域数据，第一级初始检测模型可以通过快速的特征提取和分类判断，提高第二级初始检测模型的处理效率，减少不存在绝缘子的区域，降低了第二级初始检测模型需要处理的候选区域数量，进而可以提高目标检测的速度，并且减少了误检的可能性。由于第一级初始检测模型通常是一个快速分类器，需要处理的数据量较小，计算资源有限的边缘设备也可以处理，因此可以减少对主站资源的依赖，降低计算资源消耗和传输延迟，提高整体电力系统的工作效率和响应速度。
在一个实施例中，故障定位方法还包括：根据图像数据确定输入第一级初始检测模型的第一输入图像；根据第一输入图像的大小调整第二输入图像的大小，并将第二输入第二级初始检测模型。
其中，图像大小是指图像的尺寸，以像素为单位表示，由图像的宽度和高度决定，用于描述了图像中可见的细节和清晰度。
示例性的，将图像数据的大小调整为640×640分辨率，得到调整后的第一输入图像，将第一输入图像输入第一级初始检测模型，第一级初始检测模型识别第一输入图像中的绝缘子串，然后根据识别到的绝缘子串对图像数据进行裁剪，并将得到的绝缘子串对应的图像数据调整为640×640分辨率，将调整后绝缘子串对应的图像数据输入第二级初始检测模型，第二级初始检测模型进一步识别绝缘子串中的存在故障的绝缘子。
本实施例中，通过确定第一输入图像和第二输入图像的大小相同，可以保持输入检测模型图像特征的一致性，对于特征定位和目标检测算法，可以更容易提取和匹配目标特征，通过统一输入图像的大小，还可以减少因为大小差异导致的特征失真或信息丢失。
在一个实施例中，采集电力系统中绝缘子存在故障的图像数据之后，该方法还包括：基于绝缘子存在故障的位置对图像数据进行标注，得到标注后的训练数据；根据训练数据对初始检测级联模型进行训练。
其中，图像标注是对图像数据进行注释或描述的过程，可以通过在图像数据上添加标签、边界框、线条、遮罩等形式的注释来说明图像中的内容、特征、结构或目标。
示例性的，对采集到的图像数据用边界框或多边形等形状表征感兴趣的目标物体或区域，并为该感兴趣物体或区域添加类别标签，以用于初始检测级联模型识别和定位该感兴趣物体或区域。具体的，对图像数据中的绝缘子故障位置进行图像标注，得到标注后的训练数据，可以将训练数据按照8:1:1的比例分为训练集、验证集和测试集，将训练集输入初始检测级联模型进行训练，得到训练后的目标检测级联模型，根据验证集和测试集分别对目标检测级联模型进行验证和测试。
本实施例中，通过对采集的图像数据进行图像标注，包括标注不同目标、区域或属性，可以生成一个有标签的图像数据集，供模型进行学习和训练，帮助模型学习目标的特征和属性，从而提高模型的性能和准确度。
在一个实施例中，通过图像数据训练目标检测级联模型，得到训练后的目标检测级联模型以及训练后的目标检测级联模型的模型参数，包括：基于训练数据中的标注确定绝缘子故障位置对应的目标区域；基于初始检测级联模型获取到绝缘子的预测区域；根据预测区域与目标区域的差异更新初始检测级联模型的初始模型参数，以实现初始检测级联模型的训练，得到目标检测级联模型以及模型参数。
示例性的，如前述实施例所述，在训练数据中根据绝缘子故障位置标注感兴趣区域，将该感兴趣区域确定为目标区域。输入训练数据到初始检测级联模型，该初始检测级联模型通过目标检测算法对训练数据中的绝缘子故障位置进行识别并预测，得到预测区域。根据预测区域与目标区域的差异更新初始检测级联模型的初始模型参数，可以对该初始检测级联模型输出的预测区域进行调整，以降低预测区域与目标区域之间的差异，实现该初始检测级联模型的训练，得到目标检测级联模型以及模型参数。
本实施例中，将训练后的模型用于绝缘子故障定位，可以通过图像输入来快速、准确地检测和定位图像中的目标物体。且训练后的模型可以实现自动化和批量的目标检测，无需人工干预，模型可以对大量图像数据进行连续的检测，实现高效率的目标识别和分类。
在一个实施例中，该方法还包括：实时采集边缘设备对应的边缘图像数据；根据边缘检测级联模型识别边缘图像数据，得到识别结果；若识别结果表示绝缘子存在故障，则将边缘图像数据传输到主站，并根据边缘图像数据对目标检测级联模型进行迭代训练，得到更新后的目标检测级联模型。
示例性的，通过边缘设备采集边缘图像数据，将该边缘图像数据输入边缘检测级联模型，边缘检测级联模型对该边缘图像数据中是否存在绝缘子故障进行识别，得到识别结果。若该边缘图像数据中的绝缘子存在故障，可以在该边缘图像数据中对该绝缘子的故障位置进行图像标注，得到标注后的边缘图像数据，将该标注后的边缘图像数据发送到主站，主站根据该标注后的边缘图像数据对目标检测级联模型进行迭代训练，得到更新后的目标检测级联模型以及更新后的目标模型参数，可以将该目标模型参数发送到边缘设备以调整边缘检测级联模型。
本实施例中，由于边缘设备的计算资源、存储空间和算法复杂度有限，通过将边缘设备的识别结果返回主站进行调整，可以借助主站更强大的计算能力和更丰富的训练数据，进一步优化模型和算法，提高目标检测的准确性。将边缘设备的识别结果发送到主站，主站还可以根据实时的反馈和环境条件进行调整，同时可以将调整结果反馈给边缘设备，使边缘设备可以实时更新和改进模型。同时，由于主站负责管理和维护不同边缘设备上的模型版本，确保各边缘设备都采用最新的模型参数构建模型，从而保持识别性能的统一和升级。
在一个实施例中，如图3所示，提供了一种故障定位方法，该方法包括以下步骤：
步骤302，采集电力系统中绝缘子存在故障的图像数据，基于绝缘子存在故障的位置对图像数据进行标注，得到标注后的训练数据，其中，电力系统包括主站和边缘设备。
步骤304，获取第一级初始检测模型，根据训练数据确定输入第一级初始检测模型的第一输入图像，通过第一输入图像训练第一级初始检测模型，得到第一级目标检测模型，并获取第一级目标检测模型输出的第一区域数据。
步骤306，获取第二级初始检测模型，根据第一输入图像的大小调整第二输入图像的大小，并将第二输入图像输入第二级初始检测模型，得到第二级目标检测模型。
步骤308，将第一级目标检测模型与第二级目标检测模型级联，得到目标检测级联模型，并获取目标检测级联模型的目标模型参数。
步骤310，根据目标模型参数构建边缘设备的边缘检测级联模型，实时采集边缘设备对应的边缘图像数据。
步骤312，根据边缘检测级联模型识别边缘图像数据，得到识别结果。
步骤314，若识别结果表示绝缘子存在故障，则将边缘图像数据传输到主站，并根据边缘图像数据对目标检测级联模型进行迭代训练，得到更新后的目标检测级联模型。
本实施例中，采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。该方法通过级联模型进行绝缘子故障定位，在各级模型都可以进行目标物体的选择，进而将具有潜在目标物体的区域从背景中分离出来，对目标物体进行逐步确定的过程可以减少需要处理的候选区域数量，提高检测的效率。且各级级联模型都可以对目标物体和背景进行不同的特征学习和分类器训练，通过多次迭代训练，级联模型可以提高对目标物体的识别能力，提高故障定位的精确性。且通过在边缘设备上构建对应的故障定位模型，可以对实时采集的图像数据进行数据处理和分析，进而避免将大量原始数据传输到中心服务器进行处理，降低了网络传输延迟和带宽消耗，且实时的数据处理有利于电力系统运行状态的实时监控，提高电力系统的安全性和稳定性。
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故障定位方法的故障定位装置。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故障定位装置实施例中的具体限定可以参见上文中对于故障定位方法的限定，在此不再赘述。
在一个实施例中，如图4所示，提供了一种故障定位装置400，包括：图像采集模块402、主站模型模块404和边缘设备模型模块406，其中：
图像采集模块402，用于采集电力系统中绝缘子存在故障的图像数据，其中，电力系统包括主站和边缘设备；
主站模型模块404，用于获取主站的初始检测级联模型，通过图像数据训练初始检测级联模型，得到训练后的目标检测级联模型，并获取目标检测级联模型的目标模型参数，其中，目标检测级联模型用于识别图像数据中绝缘子存在故障的位置；
边缘设备模型模块406，用于根据目标模型参数构建边缘设备的边缘检测级联模型，通过边缘检测级联模型进行绝缘子的故障定位，得到故障的目标绝缘子。
在一个实施例中，主站模型模块404还用于获取第一级初始检测模型，通过图像数据训练第一级初始检测模型，得到第一级目标检测模型，并获取第一级目标检测模型输出的第一区域数据；获取第二级初始检测模型，通过第一区域数据训练第二级初始检测模型，得到第二级目标检测模型；将第一级目标检测模型与第二级目标检测模型级联，得到目标检测级联模型。
在一个实施例中，主站模型模块404还用于根据图像数据确定输入第一级初始检测模型的第一输入图像；根据第一输入图像的大小调整第二输入图像的大小，并将第二输入图像输入第二级初始检测模型。
在一个实施例中，图像采集模块402还用于基于绝缘子存在故障的位置对图像数据进行标注，得到标注后的训练数据；根据训练数据对初始检测级联模型进行训练。
在一个实施例中，主站模型模块404还用于基于训练数据中的标注确定绝缘子故障位置对应的目标区域；基于初始检测级联模型获取到绝缘子的预测区域；根据预测区域与目标区域的差异更新初始检测级联模型的初始模型参数，以实现初始检测级联模型的训练，得到目标检测级联模型以及模型参数。
在一个实施例中，该装置还用于实时采集边缘设备对应的边缘图像数据；根据边缘检测级联模型识别边缘图像数据，得到识别结果；若识别结果表示绝缘子存在故障，则将边缘图像数据传输到主站，并根据边缘图像数据对目标检测级联模型进行迭代训练，得到更新后的目标检测级联模型。
上述故障定位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。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图5所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储故障定位数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种故障定位方法。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括处理器、存储器、输入/输出接口、通信接口、显示单元和输入装置。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口、显示单元和输入装置通过输入/输出接口连接到系统总线。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。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。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故障定位方法。该计算机设备的显示单元用于形成视觉可见的画面，可以是显示屏、投影装置或虚拟现实成像装置。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，前述结构，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各方法实施例的步骤。
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各方法实施例的步骤。
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上述各方法实施例的步骤。
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，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
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)
1.一种故障定位方法，其特征在于，所述方法包括：
采集电力系统中绝缘子存在故障的图像数据，其中，所述电力系统包括主站和边缘设备；
获取所述主站的初始检测级联模型，通过所述图像数据训练所述初始检测级联模型，得到训练后的目标检测级联模型，并获取所述目标检测级联模型的目标模型参数，其中，所述目标检测级联模型用于识别所述图像数据中所述绝缘子存在故障的位置；
根据所述目标模型参数构建所述边缘设备的边缘检测级联模型，通过所述边缘检测级联模型进行所述绝缘子的故障定位，得到故障的目标绝缘子。
2.根据权利要求1所述的方法，其特征在于，所述通过所述图像数据训练所述初始检测级联模型，得到训练后的目标检测级联模型，包括：
获取第一级初始检测模型，通过所述图像数据训练所述第一级初始检测模型，得到第一级目标检测模型，并获取所述第一级目标检测模型输出的第一区域数据；
获取第二级初始检测模型，通过所述第一区域数据训练所述第二级初始检测模型，得到第二级目标检测模型；
将所述第一级目标检测模型与所述第二级目标检测模型级联，得到所述目标检测级联模型。
3.根据权利要求2所述的方法，其特征在于，所述方法还包括：
根据所述图像数据确定输入所述第一级初始检测模型的第一输入图像；
根据所述第一输入图像的大小调整所述第二输入图像的大小，并将所述第二输入所述第二级初始检测模型。
4.根据权利要求1所述的方法，其特征在于，所述采集电力系统中绝缘子存在故障的图像数据之后，所述方法还包括：
基于所述绝缘子存在故障的位置对所述图像数据进行标注，得到标注后的训练数据；
根据所述训练数据对所述初始检测级联模型进行训练。
5.根据权利要求4所述的方法，其特征在于，所述通过所述图像数据训练所述目标检测级联模型，得到训练后的目标检测级联模型以及所述训练后的目标检测级联模型的模型参数，包括：
基于所述训练数据中的标注确定所述绝缘子故障位置对应的目标区域；
基于所述初始检测级联模型获取到所述绝缘子的预测区域；
根据所述预测区域与所述目标区域的差异更新所述初始检测级联模型的初始模型参数，以实现所述初始检测级联模型的训练，得到所述目标检测级联模型以及所述模型参数。
6.根据权利要求1所述的方法，其特征在于，所述方法还包括：
实时采集所述边缘设备对应的边缘图像数据；
根据所述边缘检测级联模型识别所述边缘图像数据，得到识别结果；
若所述识别结果表示绝缘子存在故障，则将所述边缘图像数据传输到所述主站，并根据所述边缘图像数据对所述目标检测级联模型进行迭代训练，得到更新后的目标检测级联模型。
7.一种故障定位装置，其特征在于，所述装置包括：
图像采集模块，用于采集电力系统中绝缘子存在故障的图像数据，其中，所述电力系统包括主站和边缘设备；
主站模型模块，用于获取所述主站的初始检测级联模型，通过所述图像数据训练所述初始检测级联模型，得到训练后的目标检测级联模型，并获取所述目标检测级联模型的目标模型参数，其中，所述目标检测级联模型用于识别所述图像数据中所述绝缘子存在故障的位置；
边缘设备模型模块，用于根据所述目标模型参数构建所述边缘设备的边缘检测级联模型，通过所述边缘检测级联模型进行所述绝缘子的故障定位，得到故障的目标绝缘子。
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 |
|---|---|---|---|
| CN202310962421.1A CN117011513A (zh) | 2023-08-01 | 2023-08-01 | 故障定位方法、装置、设备、存储介质和计算机程序产品 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962421.1A CN117011513A (zh) | 2023-08-01 | 2023-08-01 | 故障定位方法、装置、设备、存储介质和计算机程序产品 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117011513A true CN117011513A (zh) | 2023-11-07 |
Family
ID=88566794
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962421.1A Pending CN117011513A (zh) | 2023-08-01 | 2023-08-01 | 故障定位方法、装置、设备、存储介质和计算机程序产品 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117011513A (zh) |
-
2023
- 2023-08-01 CN CN202310962421.1A patent/CN117011513A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3905126A2 (en) | Image clustering method and apparatus | |
| CN110297935A (zh) | 图像检索方法、装置、介质及电子设备 | |
| EP3907671A2 (en) | Method and apparatus for incrementally training model | |
| CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
| CN112861662B (zh) | 基于人脸和交互文本的目标对象行为预测方法及相关设备 | |
| US11443045B2 (en) | Methods and systems for explaining a decision process of a machine learning model | |
| CN113112497B (zh) | 一种基于零样本学习的工业外观缺陷检测方法、电子设备及存储介质 | |
| CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
| CN115795000A (zh) | 基于联合相似度算法对比的围标识别方法和装置 | |
| CN114662006B (zh) | 端云协同推荐系统、方法以及电子设备 | |
| CN117132763A (zh) | 电力图像异常检测方法、装置、计算机设备和存储介质 | |
| AU2021276239A1 (en) | Identifying claim complexity by integrating supervised and unsupervised learning | |
| CN117557538A (zh) | Pcb表面缺陷检测方法、装置、计算机设备和存储介质 | |
| EP3745321A1 (en) | An operating envelope recommendation system with guaranteed probabilistic coverage | |
| CN115081898B (zh) | 电网运行风险识别方法、装置、计算机设备和存储介质 | |
| CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
| CN117011513A (zh) | 故障定位方法、装置、设备、存储介质和计算机程序产品 | |
| CN115438812A (zh) | 输电设备全生命管理方法、装置、计算机设备和存储介质 | |
| JP7136329B2 (ja) | 異常検知装置、制御方法、及びプログラム | |
| JP7344501B1 (ja) | プログラム、方法、情報処理装置、システム | |
| CN117557108B (zh) | 电力作业风险智能识别模型的训练方法和装置 | |
| CN115238805B (zh) | 异常数据识别模型的训练方法及相关设备 | |
| CN118521586B (zh) | 基于机器视觉的产品视觉检测装置及方法 | |
| 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 | |
| US20220222941A1 (en) | Method for recognizing action, electronic device and storage medium |
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 |