CN117314896B - 一种基于深度学习的电力系统异常检测方法及系统 - Google Patents

一种基于深度学习的电力系统异常检测方法及系统 Download PDF

Info

Publication number
CN117314896B
CN117314896B CN202311594818.6A CN202311594818A CN117314896B CN 117314896 B CN117314896 B CN 117314896B CN 202311594818 A CN202311594818 A CN 202311594818A CN 117314896 B CN117314896 B CN 117314896B
Authority
CN
China
Prior art keywords
detection
detection result
visual
image
infrared
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.)
Active
Application number
CN202311594818.6A
Other languages
English (en)
Other versions
CN117314896A (zh
Inventor
吴兵华
陈森
王瑾轩
董伟
周钰展
刘芷洋
江昊燃
汤云林
陈亚琦
张文昶
杨炎
段欣吟
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.)
State Grid Hubei Electric Power Co Ltd
Huanggang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
State Grid Hubei Electric Power Co Ltd
Huanggang Power Supply Co of State Grid Hubei Electric Power 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 State Grid Hubei Electric Power Co Ltd, Huanggang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical State Grid Hubei Electric Power Co Ltd
Priority to CN202311594818.6A priority Critical patent/CN117314896B/zh
Publication of CN117314896A publication Critical patent/CN117314896A/zh
Application granted granted Critical
Publication of CN117314896B publication Critical patent/CN117314896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • 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
    • 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
    • G06V10/809—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data
    • G06V10/811—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of classification results, e.g. where the classifiers operate on the same input data the classifiers operating on different input data, e.g. multi-modal recognition
    • 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
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • 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
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • 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
    • G06T2207/10048—Infrared image
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

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

Abstract

本发明提供了一种基于深度学习的电力系统异常检测方法及系统，涉及图像处理技术领域，方法包括：获取待检测输电线路同一区域的视觉检测图像和红外检测图像；通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果；通过红外分析模型对红外检测图像进行分析，生成第二检测结果；获取视觉检测图像和红外检测图像对应的环境监测数据，基于环境监测数据环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果。本发明提高了电力系统异常检测的效率。

Description

一种基于深度学习的电力系统异常检测方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于深度学习的电力系统异常检测方法及系统。
背景技术
输电线路是电力系统的重要组成部分，对输电线路进行异常检测是保证电力系统稳定运行的关键，通过无人机搭载各类图像采集设备拍摄输电线路图像是一种常用的巡检方式。从图像采集设备的原理出发，输电线路的异常检测技术可分为视觉检测技术和红外检测技术等，不同的检测技术各有优缺点，成像过程中环境带来的影响也不一样。在实际的输电线路巡检过程中，难以保证每次都有适宜的检测环境，因此，亟需一种可适应多环境的输电线路异常检测方法及系统。
发明内容
为了解决现有技术的不足，本发明提供了一种基于深度学习的电力系统异常检测方法及系统，可用于不同天气环境下的输电线路异常检测，提高了电力系统异常检测的效率。
第一方面，本发明提供一种基于深度学习的电力系统异常检测方法，包括：
获取待检测输电线路同一区域的视觉检测图像和红外检测图像；
通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果，包括多个第一异常区域；
通过红外分析模型对红外检测图像进行分析，生成第二检测结果，包括多个第二异常区域；
获取视觉检测图像和红外检测图像对应的环境监测数据，基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；
将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果；
其中，通过位点聚类模型对参考图像进行数据融合包括：
分别确定每个第一异常区域和每个第二异常区域的参考位点和偏移距离；
基于第一特征值和第二特征值从第一异常区域和第二异常区域中筛选出主区域并进行标记，将剩余的异常区域标记为辅区域；
遍历所有主区域，记任意一个主区域为目标区域，若任意一个辅区域与主区域的参考距离小于预设阈值，则将辅区域进行标记；
将所有主区域和被标记的辅区域输出为异常检测结果。
可选地，对于环境分析模型，还包括：
获取输电线路的历史检测数据，包括多个视觉检测结果和红外检测结果，以及每个视觉检测结果和红外检测结果对应的检测环境数据；
从历史检测数据中提取出每组检测环境数据下的视觉检测识别率和红外检测识别率，构建得到第一训练数据集和第二训练数据集；
环境分析模型包括视觉分析单元和红外分析单元，基于第一训练数据集对视觉分析单元进行训练，基于第二训练数据集对红外分析单元进行训练，得到训练好的环境分析模型。
可选地，参考位点和偏移距离的确定包括：
对于任意一个异常区域，基于异常区域所包括的所有像素点确定包括所有像素点的最小外接圆，取最小外接圆的圆心为参考位点，取最小外接圆的半径为偏移距离。
可选地，对于参考距离，还包括：
对于任意一组主区域和辅区域，基于如下公式计算得到参考距离：
L=R-r1-r2，式中，L表示参考距离，R表示主区域和辅区域的参考位点之间的距离，r1为主区域的偏移距离，r2为辅区域的偏移距离。
可选地，从第一异常区域和第二异常区域中筛选出主区域并进行标记包括：
判断第一特征值是否大于第二特征值，若是则筛选出所有第一异常区域并标记为主区域，否则筛选出所有第二异常区域并标记为主区域。
可选地，基于YOLOv5模型构建视觉分析模型。
可选地，对于视觉分析模型，还包括：
在YOLOv5模型主干网络的每一个CBL组件后添加SE模块，构建得到视觉分析模型。
可选地，基于离群点检测算法构建红外分析模型。
第二方面，本发明提供一种基于深度学习的电力系统异常检测系统，包括：
数据获取模块，用于获取待检测输电线路同一区域的视觉检测图像和红外检测图像，获取视觉检测图像和红外检测图像对应的环境监测数据；
视觉分析模块，用于通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果；
红外分析模块，用于通过红外分析模型对红外检测图像进行分析，生成第二检测结果；
环境分析模块，基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；
数据融合模块，用于将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果。
可选地，还包括：
模型训练模块，用于获取输电线路的历史检测数据，基于历史检测数据构建得到第一训练数据集和第二训练数据集，通过第一训练数据集和第二训练数据集对环境分析模型进行训练。
相较于现有技术，本发明具有以下优点：
本发明提供了一种适用于多环境下的电力系统异常检测方法，结合环境数据对同一区域中的视觉检测结果和红外检测结果进行综合分析，针对不同的环境对多个检测结果进行自适应融合，结合视觉检测技术和红外检测技术的优点，实现了对不同环境下的输电线路的异常检测，提高了电力系统异常检测的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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示出的结构获得其他的附图。
图1为本发明实施例中提供的一种基于深度学习的电力系统异常检测方法的流程示意图。
图2为本发明实施例中提供的一种基于深度学习的电力系统异常检测系统的结构示意图。
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，对本申请部分实施例进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。然而，本领域的普通技术人员可以理解，在本申请的各实施例中，为了使读者更好地理解本申请而提出了许多技术细节。但是，即使没有这些技术细节和基于以下各实施例的种种变化和修改，也可以实现本申请所要求保护的技术方案。
参见图1，本发明实施例中提供了一种基于深度学习的电力系统异常检测方法，具体包括以下步骤：
S10、获取待检测输电线路同一区域的视觉检测图像和红外检测图像；
具体的，视觉检测图像和红外检测图像可通过无人机巡检作业的方式进行采集，通过在无人机上搭载高清摄像机和红外成像仪等设备进行图像的拍摄，例如通过预先设定巡检路线，采集输电线路中各类电器元件的图像，例如电线、绝缘子、防震锤、均压环等。
S20、通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果；
具体的，视觉分析模型为预先训练得到的神经网络模型，基于YOLOv5模型构建得到，获取包括有不同缺陷的输电线路图像样本集，通过人工对缺陷区域进行标注，构建得到训练集，用于训练构建得到的视觉分析模型，通过视觉分析模型确定视觉检测图像中的多个第一异常区域，输出第一检测结果。
S30、通过红外分析模型对红外检测图像进行分析，生成第二检测结果；
具体的，通过离群点检测算法（LOF）构建得到用于对红外检测图像中异常温度区域进行检测的红外分析模型，将存在温度异常的区域记为第二异常区域，输出第二检测结果。
S40、获取视觉检测图像和红外检测图像对应的环境监测数据，基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；
具体的，环境监测数据可以是例如气象、光照强度、温度、气压、湿度、风力等数据，因素环境分析模型为神经网络模型，由视觉分析单元和红外分析单元，构成，分别用于对第一检测结果和第二检测结果进行特征值分析，其中，特征值分析的意义在于分析每个检测结果的识别成功的概率，并通过第一特征值和第二特征值进行量化表示。
S50、将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果；
具体的，参考图像的作用在于提供与视觉检测图像和红外检测图像相同背景的参考环境，参考图像的尺寸与视觉检测图像和红外检测图像相同，示例性的，第一异常区域和第二异常区域投射到参考图像后分别以不同的颜色表示，其余的背景区域以白色表示，便于后续对第一异常区域和第二异常区域的聚类，实现数据融合。
在一种示例性的实施过程中，对于视觉分析模型，还包括：
在基于YOLOv5模型构建视觉分析模型的过程中，在YOLOv5模型的主干网络的每一个CBL组件后添加SE模块，构建得到视觉分析模型；
具体的，SE模块通过挤压操作和激励操作增强特征提取，通过在YOLOv5模型引入SE模块，可以在每次卷积操作后提高检测对象的重要性，降低不相关信息对检测对象的影响，提升检测精度。
在一种示例性的实施过程中，通过位点聚类模型对参考图像进行数据融合，具体包括如下步骤：
S11、分别确定每个第一异常区域和每个第二异常区域的参考位点和偏移距离；
在该步骤中，参考位点和偏移距离的确定具体包括：
对于任意一个异常区域，基于异常区域所包括的所有像素点确定包括所有像素点的最小外接圆；
具体的，以参考图像的尺寸作为坐标参量，以异常区域所包括的所有像素点在参考图像中的坐标作为参考点，根据该异常区域的多个参考点确定该异常区域的最小外接圆。
示例性的，对于尺寸为300*400的参考图像中，若其中一个异常区域包括第3行的第7列、第4行的第7列和第8列的像素点，记该异常区域的三个参考点的坐标为（2.5，6.5）、（3.5，6.5）和（3.5，7.5），则可确定该异常区域的最小外接圆的大小和位置，其圆心的坐标为（3，7），半径为√2。
在确定该异常区域的最小外接圆后，取最小外接圆的圆心为该异常区域的参考位点，取最小外接圆的半径为该异常区域的偏移距离。
通过上述方式可分别确定每个第一异常区域和每个第二异常区域的参考位点和偏移距离。
S12、基于第一特征值和第二特征值从第一异常区域和第二异常区域中筛选出主区域并进行标记，将剩余的异常区域标记为辅区域；
在该步骤中，主区域的筛选基于第一特征值和第二特征值之间的大小关系，通过判断第一特征值是否大于第二特征值来进行筛选，具体的，若第一特征值大于第二特征值则筛选出所有第一异常区域并标记为主区域，否则筛选出所有第二异常区域并标记为主区域。
S13、遍历所有主区域，记任意一个主区域为目标区域，若任意一个辅区域与主区域的参考距离小于预设阈值，则将辅区域进行标记；
在该步骤中，通过每个区域对应的参考位点和偏移距离计算得到其中一个主区域和其中一个辅区域的参考距离，预设距离为预先设定的参数，具体的，本领域技术人员可通过历史的检测结果，统计分析视觉检测结果和红外检测结果中各个异常区域之间的关联性，从而设定出用于量化表示视觉检测结果和红外检测结果各种对应的异常区域之间的关联性的参数。
S14、将所有主区域和被标记的辅区域输出为异常检测结果；
值得说明的是，输电线路中各类电器元件异常状况都容易对电力系统的稳定性造成影响，例如，电线的裂纹、腐蚀，绝缘子的老化、破损，连接器的松动、腐蚀等，均有可能使得输电线路中的局部区域过热，在对输电线路的检修中，视觉检测技术可从外观上检测各类电器元件的缺陷，红外检测技术可以从温度分布上分析输电线路中存在的异常区域，两类检测技术受环境变化的影响程度不一样，其中，视觉检测技术适合于光线好、干燥的天气，在这种情况下采集得到的视觉检测图像较为清晰，图像中的噪声较少，而在雨雪雾等天气下则会受到较大的干扰，然而，对于红外检测技术，若环境温度较高，或者出现阳光直射、温度波动等现象，有可能使得输电线路中出现局部温度异常的现象，但这并不一定代表存在故障。因此，视觉检测技术和红外检测技术的使用均受到一定的限制，这些因素也使得对输电线路进行异常检测的效率不高。
在这种情况下，本发明提供的一种基于深度学习的电力系统异常检测方法，结合环境数据对同一区域中的视觉检测结果和红外检测结果进行综合分析，针对不同的环境对多个检测结果进行自适应融合，结合视觉检测技术和红外检测技术的优点，实现了对不同环境下的输电线路的异常检测，提高了电力系统异常检测的效率。
在一种示例性的实施过程中，对于步骤S13，参考距离的计算具体包括：
以任意一组主区域和辅区域为例，基于如下公式计算得到参考距离：
L=R-r1-r2；
式中，L表示参考距离，R表示主区域和辅区域的参考位点之间的距离，r1为主区域的偏移距离，r2为辅区域的偏移距离。
具体的，考虑到每个异常区域所囊括的范围不同，本发明通过确定每个异常区域的最小外接圆的先关信息，通过上述方式计算得到任意两个异常区域之间的参考距离。
在一种示例性的实施过程中，对于环境分析模型，包括如下训练步骤：
获取输电线路的历史检测数据；
其中，历史检测数据至少包括多个视觉检测结果和红外检测结果，以及每个视觉检测结果和红外检测结果所对应的检测环境数据；
从历史检测数据中提取出每组检测环境数据下的视觉检测识别率和红外检测识别率，构建得到第一训练数据集和第二训练数据集；
其中，检测识别率可通过人工分析后得到的真实数据与相关检测技术对应的检测结果之间的差异计算得到，具体表现为相关检测技术对多个人工分析得到的异常区域的检测精度，以每个视觉检测识别率以及对应的检测环境数据关联为一组第一数据组，将多组第一数据组构建为第一训练数据集，以每个红外检测识别率以及对应的检测环境数据关联为一组第二数据组，将多组第二数据组构建为第二训练数据集。
基于第一训练数据集对视觉分析单元进行训练，基于第二训练数据集对红外分析单元进行训练，得到训练好的环境分析模型。
参见图2，本发明实施例中还提供了一种基于深度学习的电力系统异常检测系统，具体包括：
数据获取模块，用于获取待检测输电线路同一区域的视觉检测图像和红外检测图像，获取视觉检测图像和红外检测图像对应的环境监测数据；
视觉分析模块，用于通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果，其中，第一检测结果包括多个第一异常区域；
红外分析模块，用于通过红外分析模型对红外检测图像进行分析，生成第二检测结果，其中，第二检测结果包括多个第二异常区域；
环境分析模块，基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；
数据融合模块，用于将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果；
其中，通过位点聚类模型对参考图像进行数据融合包括：
分别确定每个第一异常区域和每个第二异常区域的参考位点和偏移距离；
基于第一特征值和第二特征值从第一异常区域和第二异常区域中筛选出主区域并进行标记，将剩余的异常区域标记为辅区域；
遍历所有主区域，记任意一个主区域为目标区域，若任意一个辅区域与主区域的参考距离小于预设阈值，则将辅区域进行标记；
将所有主区域和被标记的辅区域输出为异常检测结果。
在一种示例性的实施过程中，一种基于深度学习的电力系统异常检测系统，还包括：
模型训练模块，用于获取输电线路的历史检测数据，历史检测数据包括多个视觉检测结果和红外检测结果，以及每个视觉检测结果和红外检测结果对应的检测环境数据，基于历史检测数据构建得到第一训练数据集和第二训练数据集，通过第一训练数据集和第二训练数据集对环境分析模型进行训练。
具体的，从历史检测数据中提取出每组检测环境数据下的视觉检测识别率和红外检测识别率，构建得到第一训练数据集和第二训练数据集；
环境分析模型包括视觉分析单元和红外分析单元，基于第一训练数据集对视觉分析单元进行训练，基于第二训练数据集对红外分析单元进行训练，得到训练好的环境分析模型。
应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。本说明书中未作详细描述的部分属于本领域专业技术人员公知的现有技术。

Claims (8)

1.一种基于深度学习的电力系统异常检测方法，其特征在于，包括：
获取待检测输电线路同一区域的视觉检测图像和红外检测图像；
通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果，包括多个第一异常区域；
通过红外分析模型对红外检测图像进行分析，生成第二检测结果，包括多个第二异常区域；
获取视觉检测图像和红外检测图像对应的环境监测数据，基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；
将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果；
其中，通过位点聚类模型对参考图像进行数据融合包括：
分别确定每个第一异常区域和每个第二异常区域的参考位点和偏移距离；
基于第一特征值和第二特征值从第一异常区域和第二异常区域中筛选出主区域并进行标记，将剩余的异常区域标记为辅区域；
遍历所有主区域，记任意一个主区域为目标区域，若任意一个辅区域与主区域的参考距离小于预设阈值，则将辅区域进行标记；
将所有主区域和被标记的辅区域输出为异常检测结果；
参考位点和偏移距离的确定包括：
对于任意一个异常区域，基于异常区域所包括的所有像素点确定包括所有像素点的最小外接圆，取最小外接圆的圆心为参考位点，取最小外接圆的半径为偏移距离；
对于参考距离，还包括：
对于任意一组主区域和辅区域，基于如下公式计算得到参考距离：
L=R-r1-r2，式中，L表示参考距离，R表示主区域和辅区域的参考位点之间的距离，r1为主区域的偏移距离，r2为辅区域的偏移距离。
2.如权利要求1所述的方法，其特征在于，对于环境分析模型，还包括：
获取输电线路的历史检测数据，包括多个视觉检测结果和红外检测结果，以及每个视觉检测结果和红外检测结果对应的检测环境数据；
从历史检测数据中提取出每组检测环境数据下的视觉检测识别率和红外检测识别率，构建得到第一训练数据集和第二训练数据集；
环境分析模型包括视觉分析单元和红外分析单元，基于第一训练数据集对视觉分析单元进行训练，基于第二训练数据集对红外分析单元进行训练，得到训练好的环境分析模型。
3.如权利要求1所述的方法，其特征在于，从第一异常区域和第二异常区域中筛选出主区域并进行标记包括：
判断第一特征值是否大于第二特征值，若是则筛选出所有第一异常区域并标记为主区域，否则筛选出所有第二异常区域并标记为主区域。
4.如权利要求1所述的方法，其特征在于，基于YOLOv5模型构建视觉分析模型。
5.如权利要求4所述的方法，其特征在于，对于视觉分析模型，还包括：
在YOLOv5模型主干网络的每一个CBL组件后添加SE模块，构建得到视觉分析模型。
6.如权利要求1所述的方法，其特征在于，基于离群点检测算法构建红外分析模型。
7.一种基于深度学习的电力系统异常检测系统，用以实现权利要求1-6任一所述的方法，其特征在于，包括：
数据获取模块，用于获取待检测输电线路同一区域的视觉检测图像和红外检测图像，获取视觉检测图像和红外检测图像对应的环境监测数据；
视觉分析模块，用于通过视觉分析模型对视觉检测图像进行分析，生成第一检测结果；
红外分析模块，用于通过红外分析模型对红外检测图像进行分析，生成第二检测结果；
环境分析模块，基于环境监测数据和预训练得到的环境分析模型对第一检测结果和第二检测结果进行特征值分析，输出第一检测结果的第一特征值和第二检测结果的第二特征值；
数据融合模块，用于将第一检测结果和第二检测结果投射到参考图像中，通过位点聚类模型对参考图像进行数据融合，得到异常检测结果。
8.如权利要求7所述的系统，其特征在于，还包括：
模型训练模块，用于获取输电线路的历史检测数据，基于历史检测数据构建得到第一训练数据集和第二训练数据集，通过第一训练数据集和第二训练数据集对环境分析模型进行训练。
CN202311594818.6A 2023-11-28 2023-11-28 一种基于深度学习的电力系统异常检测方法及系统 Active CN117314896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311594818.6A CN117314896B (zh) 2023-11-28 2023-11-28 一种基于深度学习的电力系统异常检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311594818.6A CN117314896B (zh) 2023-11-28 2023-11-28 一种基于深度学习的电力系统异常检测方法及系统

Publications (2)

Publication Number Publication Date
CN117314896A CN117314896A (zh) 2023-12-29
CN117314896B true CN117314896B (zh) 2024-02-06

Family

ID=89273917

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311594818.6A Active CN117314896B (zh) 2023-11-28 2023-11-28 一种基于深度学习的电力系统异常检测方法及系统

Country Status (1)

Country Link
CN (1) CN117314896B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487729A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于紫外视频与红外视频融合的电力设备缺陷检测方法
CN109029731A (zh) * 2018-05-24 2018-12-18 河海大学常州校区 一种基于多目视觉的电力设备异常监测系统及方法
WO2019087101A1 (en) * 2017-11-03 2019-05-09 3M Innovative Properties Company System and method for anomaly detection in an electrical network
CN109785289A (zh) * 2018-12-18 2019-05-21 中国科学院深圳先进技术研究院 一种输电线路缺陷检测方法、系统及电子设备
CN110334661A (zh) * 2019-07-09 2019-10-15 国网江苏省电力有限公司扬州供电分公司 基于深度学习的红外输变电异常发热点目标检测方法
WO2022095616A1 (zh) * 2020-11-03 2022-05-12 国网智能科技股份有限公司 一种变电站在线智能巡视系统及方法
CN116363748A (zh) * 2023-03-07 2023-06-30 云南电网有限责任公司玉溪供电局 基于红外-可见光图像融合的电网现场作业一体管控方法
CN116755474A (zh) * 2023-08-18 2023-09-15 广州全成多维信息技术有限公司 一种无人机用电力巡线方法及系统
CN117040109A (zh) * 2023-07-05 2023-11-10 国网江苏省电力有限公司无锡供电分公司 一种基于异构数据特征融合的配电站房风险预警方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017202795A1 (en) * 2016-05-23 2017-11-30 Koninklijke Philips N.V. Correcting probe induced deformation in an ultrasound fusing imaging system
US10192288B2 (en) * 2016-12-23 2019-01-29 Signal Processing, Inc. Method and system for generating high resolution worldview-3 images

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103487729A (zh) * 2013-09-06 2014-01-01 广东电网公司电力科学研究院 基于紫外视频与红外视频融合的电力设备缺陷检测方法
WO2019087101A1 (en) * 2017-11-03 2019-05-09 3M Innovative Properties Company System and method for anomaly detection in an electrical network
CN109029731A (zh) * 2018-05-24 2018-12-18 河海大学常州校区 一种基于多目视觉的电力设备异常监测系统及方法
CN109785289A (zh) * 2018-12-18 2019-05-21 中国科学院深圳先进技术研究院 一种输电线路缺陷检测方法、系统及电子设备
CN110334661A (zh) * 2019-07-09 2019-10-15 国网江苏省电力有限公司扬州供电分公司 基于深度学习的红外输变电异常发热点目标检测方法
WO2022095616A1 (zh) * 2020-11-03 2022-05-12 国网智能科技股份有限公司 一种变电站在线智能巡视系统及方法
CN116363748A (zh) * 2023-03-07 2023-06-30 云南电网有限责任公司玉溪供电局 基于红外-可见光图像融合的电网现场作业一体管控方法
CN117040109A (zh) * 2023-07-05 2023-11-10 国网江苏省电力有限公司无锡供电分公司 一种基于异构数据特征融合的配电站房风险预警方法
CN116755474A (zh) * 2023-08-18 2023-09-15 广州全成多维信息技术有限公司 一种无人机用电力巡线方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Jingdong Wang,et al..A Review of Power Equipment Defect Detection Based On Deep Learning.《2023 IEEE 12th International Conference on Communication Systems and Network Technologies》.2023,全文. *
电力线路无人机巡检图像的目标检测与缺陷识别;刘欢;《中国优秀硕士学位论文全文数据库》;全文 *

Also Published As

Publication number Publication date
CN117314896A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
CN108846418B (zh) 一种电缆设备温度异常定位与识别方法
CN110569841B (zh) 基于卷积神经网络的接触网关键部件目标检测方法
CN111784633B (zh) 一种面向电力巡检视频的绝缘子缺损自动检测算法
CN108416294B (zh) 一种基于深度学习的风机叶片故障智能识别方法
CN111008961B (zh) 一种输电线路设备缺陷检测方法及其系统、设备、介质
CN110033431B (zh) 钢桥表面锈蚀区域检测的非接触式检测装置及检测方法
CN113592828A (zh) 基于工业内窥镜的无损检测方法及系统
CN111598889B (zh) 均压环倾斜故障的识别方法、装置、计算机设备
CN113065484A (zh) 一种基于紫外图谱的绝缘子污秽状态评估方法
CN115294031A (zh) 基于红外热成像分析的光伏组件故障图像识别方法
CN114494908A (zh) 一种基于改进的YOLOv5输电线路航拍图像缺陷检测方法
CN116310274A (zh) 一种输变电设备的状态评估方法
CN116758425A (zh) 一种大基地光伏电站自动验收方法和装置
CN113506290A (zh) 一种线路绝缘子缺陷检测方法及装置
CN105701484A (zh) 基于图像识别技术的绝缘子炸裂算法
CN118521955A (zh) 一种基于机器视觉的输电线路智能巡检方法及系统
CN117498225B (zh) 一种无人机智能电力线路巡检系统
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN117314896B (zh) 一种基于深度学习的电力系统异常检测方法及系统
CN113160202A (zh) 一种裂缝检测方法及系统
CN110070520B (zh) 基于深度神经网络的路面裂缝检测模型构建及检测方法
CN117252840A (zh) 一种光伏阵列缺陷消除评定方法、装置及计算机设备
CN116958905A (zh) 输电线路故障监测方法、系统、介质及设备
CN113902739B (zh) Nut线夹缺陷识别方法、装置及设备、可读存储介质
CN112508946B (zh) 一种基于对抗神经网络的电缆隧道异常检测方法

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