CN113033322A - 基于深度学习的变电站充油设备渗漏油隐患识别方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的变电站充油设备渗漏油隐患识别方法，包括步骤如下：步骤A、变电设备渗漏油隐患图像样本采集；步骤B、变电设备渗漏油隐患图像样本扩充；步骤C、变电设备渗漏油隐患样本严重程度标注；步骤D、变电设备渗漏油隐患检测模型训练；步骤E、变电设备渗漏油隐患检测模型部署；步骤F、变电站巡视图像渗漏油隐患严重程度检测。本发明可以自动、快速、准确的识别出变电站巡视图像中充油设备渗漏油情况，大大提高变电站巡视工作效率。

Description

基于深度学习的变电站充油设备渗漏油隐患识别方法

技术领域

本发明涉及一种变电站充油设备渗漏油隐患识别方法。

背景技术

变电站是电力***中的重要部分，作为整个电网架构的基础支点，只有保证其稳定运行，方能保证整个电网的安全运行，目前变电站中如变压器、互感器、电容器等许多重要设备仍然为充油设备，这些设备在运行过程中可能因为施工安装不到位、运行老化或环境因素等原因出现渗漏油的情况，轻微的渗漏油可能发展为紧急隐患迫使变电站非计划停电，尤其是无人值守变电站的充油设备运行隐患较大，如不及时处理可能会导致设备绝缘不足，接地短路跳闸，严重时设备甚至会发生***。

为保障电网的可靠运行，往往需要对变电站定期巡视，及时发现设备缺陷和威胁设备安全运行的隐患，目前已有的变电站巡检***自动化程度有限，巡检的图像还需人为干预进行判断识别，然而人工判断很难发现轻微的渗油情况，对渗漏油情况也只能凭主观估计，很难有一个合理的量化评价，同时变电站设备多，巡检工作量大，人工判别很难做到及时排查隐患发现缺陷。

发明内容

本发明的目的在于提供一种可以自动、快速、准确的识别出变电站巡视图像中充油设备渗漏油情况，大大提高变电站巡视工作效率的基于深度学习的变电站充油设备渗漏油隐患识别方法。

本发明的技术解决方案是：

一种基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：包括步骤如下：

步骤A、变电设备渗漏油隐患图像样本采集；

步骤B、变电设备渗漏油隐患图像样本扩充；

步骤C、变电设备渗漏油隐患样本严重程度标注；

步骤D、变电设备渗漏油隐患检测模型训练；

步骤E、变电设备渗漏油隐患检测模型部署；

步骤F、变电站巡视图像渗漏油隐患严重程度检测。

所述步骤A包括以下步骤：

采集变电设备巡视图像和视频，保存存在设备渗漏油情况的巡视图像样本，对包含设备渗漏油情况的视频抽取渗漏油图像帧并保存图像样本，剔除出质量较差的数据样本；包括：(1)场景图像中渗漏油区域所占像素区域面积小于5％的样例；(2)渗漏油区域只有不足10％部分显示在场景图像中的样例，从而构成初步渗漏油图像样本集。

所述步骤B包括以下步骤：

步骤B-1：充油设备渗漏油场景图像的模拟，对安全停运充油设备潜在渗漏油部位通过涂抹绝缘油的方式模拟设备轻微、中度、严重渗漏油情况并拍照采集，对渗漏油进行拍摄时需保证渗漏油落于摄像设备视野中央区域，从不同距离和角度分别进行拍摄，并通过调节设备光圈获取不同亮度的图像，提升渗漏油样本图像样例的数量和多样性；

步骤B-2：通过翻转、裁剪和缩放的方法来增加所获的充油设备渗漏油样本的数量；通过翻转进行渗漏油痕迹图像处理的方法如下：将图像每隔30度进行翻转，获取新的图像；通过裁剪进行渗漏油本体图像处理的方法如下：随机对所获的渗漏油本体图像进行裁剪，分别从图像的上、下、左、右裁剪去图像的20％、40％、60％部分，最终从每一张渗漏油图像获取12张新的裁剪后的图像；通过缩放的进行渗漏油样本图像处理的方法如下：分别将渗漏油图像变为原始尺寸的25％、50％、200％大小，获取新的图像；

步骤B-3：对于所获的渗漏油样本图像，引入图像噪声以增加图像样例的数量，具体方法如下：通过加性噪声来对图像进行处理，公式如下：f(x,y)＝g(x,y)+q(.)，其中x和y分别代表图像中像素的横纵坐标，g(x,y)表示每一像素的真实值，对于多信道的图像，g(x,y)表示每一像素所对应的向量，q(.)表示噪声函数，f(x,y)表示引入噪声以后的图像的各像素的值，其中噪声由高斯随机变量的概率密度函数来引入，由下述公式表示：

其中：z为变量，P(z)为z的概率密度函数，μ为z的期望，而σ为z的方差。

所述步骤C包括以下步骤：

针对每一张图像，对于设备渗漏油区域目标完整显示于图像中的情况，使用最小矩形标注出所有的渗漏油区域；对于设备渗漏油区域仅有一部分显示于图像中的情况，使用最小矩形将此部分标出，对于设备渗漏油区域被部分遮挡的情况，使用最小矩形将设备渗漏油区域的可见部分标出，对图像中的每一渗漏油区域根据渗漏油严重程度分别打上轻微、中度、严重三类标签。

所述步骤D包括以下步骤：

模型训练为迭代循环过程，每一次迭代包括数据拆分、算法调参、训练模型、模型验证等主要步骤；

步骤D-1：数据拆分：将所有图像分为三部分，分别为训练集、验证集和测试集，使三个子集的图像样例的数量占比分别为70％，20％和10％；

步骤D-2：算法调参：选取基于深度学习算法的目标检测算法，并对算法的参数进行初步的调整；

步骤D-3：训练模型：在训练集图像的基础之上对算法进行训练，获取变电站设备渗漏油的目标检测模型；

步骤D-4：模型验证：在验证集的基础之上，对目标检测模型的准确度进行评估，假如准确度不满足要求，则对目标检测算法的参数进行调整，并使用训练集进行模型训练，使用验证集进行模型的准确度的评估；经验证符合要求的进行下一步，不符合要求的则重新返回到算法调参步骤，重复上步操作，直到精确度满足条件；在测试集的基础之上对模型的精确度再次进行评估，如准确度满足要求，则保留模型，如准确度无法满足要求，则通过所述步骤B重新扩充并优化样本的质量，并依次按照流程完成模型的训练，直到模型最终满足精度要求。

所述步骤E包括以下步骤：

将训练好的模型部署至硬件设备上为后期的变电站设备渗漏油识别提供服务，模型的部署方式主要部署于变电站巡视机器人本体和变电站固定摄像头本体。

所述步骤F包括以下步骤：

变电站巡视图像渗漏油隐患严重程度检测的主要步骤包括机器人巡视视频和固定摄像头视频的实时采集、视频抽帧、图像处理、检测图像；

步骤F-1：机器人巡视视频和固定摄像头视频的实时采集；在实际的巡视和监控的过程中，无论是机器人还是固定摄像头都将进行实时视频的拍摄，它们需要将这些实时视频传给智能识别模块；

步骤F-2：视频抽帧：模块而后会按照固定的间隔对视频进行抽帧，间隔的具体长度取决于模块的性能和硬件载体的计算能力；

步骤F-3：图像处理：所述帧图像需进行图像增强，具体方法包含线性灰度增强和对数函数非线性变换；由于受拍摄条件的影像，上述帧图像可能会出现质量不佳的情况，影像智能模块的识别准确性，因此需要对每一帧图像进行图像增强，具体方法包含线性灰度增强和对数函数非线性变换；

线性灰度增强的方法如下，

其中，g(x,y)为每一像素的真实值，[a,b]为原始图像的灰度范围，[c,d]为新图像灰度的预期范围，f(x,y)为变化后图像的像素值；

对数函数非线性变换公式如下，

其中，a、b和c为可调节参数，通过迭代修正后可使得新生成的图像的灰度范围居于理想范围内；如所处理图像为彩色图像，则需在图像增强前进行彩色向灰度的转换，这里可用opencv的内置方法来实现，增强的灰度图像也可通过opencv所提供方法转化回为彩色图像；

步骤F-4：将修正好的图片传送给图像识别模块，此模块将检测出图像中是否含有设备渗漏油情况，具体渗漏油区域像素位置，以及渗漏油情况的严重程度的级别，并保存渗漏油检测结果图像。

本发明具有以下有益效果：(1)本发明通过历史图像、现场模拟采集、翻转、裁剪、缩放、引入噪声等方法构建了包含轻微、中度、严重等三种等级渗漏油情况的图像样本集合，保证了训练样本的充分性，从而保障了训练模型的鲁棒性。(2)本发明很好的将设备渗漏油情况的严重程度分为轻微、中度、严重三个等级，便于巡检人员根据设备渗漏油情况采用不同的处理方案。(3)本发明将训练出的设备渗漏油隐患识别模型部署在固定摄像头和巡检机器人等设备，能够很好的自动、快速、准确的识别出设备渗漏油隐患。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是本发明设别方法的工作步骤示意图。

具体实施方式

一种基于深度学习的变电站充油设备渗漏油隐患识别方法，包括步骤如下：

步骤A、变电设备渗漏油隐患图像样本采集；

步骤B、变电设备渗漏油隐患图像样本扩充；

步骤C、变电设备渗漏油隐患样本严重程度标注；

步骤D、变电设备渗漏油隐患检测模型训练；

步骤E、变电设备渗漏油隐患检测模型部署；

步骤F、变电站巡视图像渗漏油隐患严重程度检测。

所述步骤A包括以下步骤：

采集变电设备巡视图像和视频，保存存在设备渗漏油情况的巡视图像样本，对包含设备渗漏油情况的视频抽取渗漏油图像帧并保存图像样本，剔除出质量较差的数据样本；包括：(1)场景图像中渗漏油区域所占像素区域面积小于5％的样例；(2)渗漏油区域只有不足10％部分显示在场景图像中的样例，从而构成初步渗漏油图像样本集。

所述步骤B包括以下步骤：

步骤B-1：充油设备渗漏油场景图像的模拟，对安全停运充油设备潜在渗漏油部位通过涂抹绝缘油的方式模拟设备轻微、中度、严重渗漏油情况并拍照采集，对渗漏油进行拍摄时需保证渗漏油落于摄像设备视野中央区域，从不同距离和角度分别进行拍摄，并通过调节设备光圈获取不同亮度的图像，提升渗漏油样本图像样例的数量和多样性；

步骤B-2：通过翻转、裁剪和缩放的方法来增加所获的充油设备渗漏油样本的数量；通过翻转进行渗漏油痕迹图像处理的方法如下：将图像每隔30度进行翻转，获取新的图像；通过裁剪进行渗漏油本体图像处理的方法如下：随机对所获的渗漏油本体图像进行裁剪，分别从图像的上、下、左、右裁剪去图像的20％、40％、60％部分，最终从每一张渗漏油图像获取12张新的裁剪后的图像；通过缩放的进行渗漏油样本图像处理的方法如下：分别将渗漏油图像变为原始尺寸的25％、50％、200％大小，获取新的图像；

步骤B-3：对于所获的渗漏油样本图像，引入图像噪声以增加图像样例的数量，具体方法如下：通过加性噪声来对图像进行处理，公式如下：f(x,y)＝g(x,y)+q(.)，其中x和y分别代表图像中像素的横纵坐标，g(x,y)表示每一像素的真实值，对于多信道的图像，g(x,y)表示每一像素所对应的向量，q(.)表示噪声函数，f(x,y)表示引入噪声以后的图像的各像素的值，其中噪声由高斯随机变量的概率密度函数来引入，由下述公式表示：

其中：z为变量，P(z)为z的概率密度函数，μ为z的期望，而σ为z的方差。

所述步骤C包括以下步骤：

针对每一张图像，对于设备渗漏油区域目标完整显示于图像中的情况，使用最小矩形标注出所有的渗漏油区域；对于设备渗漏油区域仅有一部分显示于图像中的情况，使用最小矩形将此部分标出，对于设备渗漏油区域被部分遮挡的情况，使用最小矩形将设备渗漏油区域的可见部分标出，对图像中的每一渗漏油区域根据渗漏油严重程度分别打上轻微、中度、严重三类标签。

所述步骤D包括以下步骤：

模型训练为迭代循环过程，每一次迭代包括数据拆分、算法调参、训练模型、模型验证等主要步骤；

步骤D-1：数据拆分：将所有图像分为三部分，分别为训练集、验证集和测试集，使三个子集的图像样例的数量占比分别为70％，20％和10％；

步骤D-2：算法调参：选取基于深度学习算法的目标检测算法，并对算法的参数进行初步的调整；

步骤D-3：训练模型：在训练集图像的基础之上对算法进行训练，获取变电站设备渗漏油的目标检测模型；

步骤D-4：模型验证：在验证集的基础之上，对目标检测模型的准确度进行评估，假如准确度不满足要求，则对目标检测算法的参数进行调整，并使用训练集进行模型训练，使用验证集进行模型的准确度的评估；经验证符合要求的进行下一步，不符合要求的则重新返回到算法调参步骤，重复上步操作，直到精确度满足条件；在测试集的基础之上对模型的精确度再次进行评估，如准确度满足要求，则保留模型，如准确度无法满足要求，则通过所述步骤B重新扩充并优化样本的质量，并依次按照流程完成模型的训练，直到模型最终满足精度要求。

所述步骤E包括以下步骤：

将训练好的模型部署至硬件设备上为后期的变电站设备渗漏油识别提供服务，模型的部署方式主要部署于变电站巡视机器人本体和变电站固定摄像头本体。

所述步骤F包括以下步骤：

变电站巡视图像渗漏油隐患严重程度检测的主要步骤包括机器人巡视视频和固定摄像头视频的实时采集、视频抽帧、图像处理、检测图像；

步骤F-1：机器人巡视视频和固定摄像头视频的实时采集；在实际的巡视和监控的过程中，无论是机器人还是固定摄像头都将进行实时视频的拍摄，它们需要将这些实时视频传给智能识别模块；

步骤F-2：视频抽帧：模块而后会按照固定的间隔对视频进行抽帧，间隔的具体长度取决于模块的性能和硬件载体的计算能力；

步骤F-3：图像处理：所述帧图像需进行图像增强，具体方法包含线性灰度增强和对数函数非线性变换；由于受拍摄条件的影像，上述帧图像可能会出现质量不佳的情况，影像智能模块的识别准确性，因此需要对每一帧图像进行图像增强，具体方法包含线性灰度增强和对数函数非线性变换；

线性灰度增强的方法如下，

其中，g(x,y)为每一像素的真实值，[a,b]为原始图像的灰度范围，[c,d]为新图像灰度的预期范围，f(x,y)为变化后图像的像素值；

对数函数非线性变换公式如下，

其中，a、b和c为可调节参数，通过迭代修正后可使得新生成的图像的灰度范围居于理想范围内；如所处理图像为彩色图像，则需在图像增强前进行彩色向灰度的转换，这里可用opencv的内置方法来实现，增强的灰度图像也可通过opencv所提供方法转化回为彩色图像；

步骤F-4：将修正好的图片传送给图像识别模块，此模块将检测出图像中是否含有设备渗漏油情况，具体渗漏油区域像素位置，以及渗漏油情况的严重程度的级别，并保存渗漏油检测结果图像。

Claims (7)

1.一种基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：包括步骤如下：

步骤A、变电设备渗漏油隐患图像样本采集；

步骤B、变电设备渗漏油隐患图像样本扩充；

步骤C、变电设备渗漏油隐患样本严重程度标注；

步骤D、变电设备渗漏油隐患检测模型训练；

步骤E、变电设备渗漏油隐患检测模型部署；

步骤F、变电站巡视图像渗漏油隐患严重程度检测。

2.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤A包括以下步骤：

采集变电设备巡视图像和视频，保存存在设备渗漏油情况的巡视图像样本，对包含设备渗漏油情况的视频抽取渗漏油图像帧并保存图像样本，剔除出质量较差的数据样本；包括：(1)场景图像中渗漏油区域所占像素区域面积小于5％的样例；(2)渗漏油区域只有不足10％部分显示在场景图像中的样例，从而构成初步渗漏油图像样本集。

3.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤B包括以下步骤：

步骤B-1：充油设备渗漏油场景图像的模拟，对安全停运充油设备潜在渗漏油部位通过涂抹绝缘油的方式模拟设备轻微、中度、严重渗漏油情况并拍照采集，对渗漏油进行拍摄时需保证渗漏油落于摄像设备视野中央区域，从不同距离和角度分别进行拍摄，并通过调节设备光圈获取不同亮度的图像，提升渗漏油样本图像样例的数量和多样性；

步骤B-2：通过翻转、裁剪和缩放的方法来增加所获的充油设备渗漏油样本的数量；通过翻转进行渗漏油痕迹图像处理的方法如下：将图像每隔30度进行翻转，获取新的图像；通过裁剪进行渗漏油本体图像处理的方法如下：随机对所获的渗漏油本体图像进行裁剪，分别从图像的上、下、左、右裁剪去图像的20％、40％、60％部分，最终从每一张渗漏油图像获取12张新的裁剪后的图像；通过缩放的进行渗漏油样本图像处理的方法如下：分别将渗漏油图像变为原始尺寸的25％、50％、200％大小，获取新的图像；

步骤B-3：对于所获的渗漏油样本图像，引入图像噪声以增加图像样例的数量，具体方法如下：通过加性噪声来对图像进行处理，公式如下：f(x,y)＝g(x,y)+q(.)，其中x和y分别代表图像中像素的横纵坐标，g(x,y)表示每一像素的真实值，对于多信道的图像，g(x,y)表示每一像素所对应的向量，q(.)表示噪声函数，f(x,y)表示引入噪声以后的图像的各像素的值，其中噪声由高斯随机变量的概率密度函数来引入，由下述公式表示：

其中：z为变量，P(z)为z的概率密度函数，μ为z的期望，而σ为z的方差。

4.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤C包括以下步骤：

针对每一张图像，对于设备渗漏油区域目标完整显示于图像中的情况，使用最小矩形标注出所有的渗漏油区域；对于设备渗漏油区域仅有一部分显示于图像中的情况，使用最小矩形将此部分标出，对于设备渗漏油区域被部分遮挡的情况，使用最小矩形将设备渗漏油区域的可见部分标出，对图像中的每一渗漏油区域根据渗漏油严重程度分别打上轻微、中度、严重三类标签。

5.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤D包括以下步骤：

模型训练为迭代循环过程，每一次迭代包括数据拆分、算法调参、训练模型、模型验证等主要步骤；

步骤D-1：数据拆分：将所有图像分为三部分，分别为训练集、验证集和测试集，使三个子集的图像样例的数量占比分别为70％，20％和10％；

步骤D-2：算法调参：选取基于深度学习算法的目标检测算法，并对算法的参数进行初步的调整；

步骤D-3：训练模型：在训练集图像的基础之上对算法进行训练，获取变电站设备渗漏油的目标检测模型；

步骤D-4：模型验证：在验证集的基础之上，对目标检测模型的准确度进行评估，假如准确度不满足要求，则对目标检测算法的参数进行调整，并使用训练集进行模型训练，使用验证集进行模型的准确度的评估；经验证符合要求的进行下一步，不符合要求的则重新返回到算法调参步骤，重复上步操作，直到精确度满足条件；在测试集的基础之上对模型的精确度再次进行评估，如准确度满足要求，则保留模型，如准确度无法满足要求，则通过所述步骤B重新扩充并优化样本的质量，并依次按照流程完成模型的训练，直到模型最终满足精度要求。

6.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤E包括以下步骤：

将训练好的模型部署至硬件设备上为后期的变电站设备渗漏油识别提供服务，模型的部署方式主要部署于变电站巡视机器人本体和变电站固定摄像头本体。

7.根据权利要求1所述的基于深度学习的变电站充油设备渗漏油隐患识别方法，其特征是：所述步骤F包括以下步骤：

变电站巡视图像渗漏油隐患严重程度检测的主要步骤包括机器人巡视视频和固定摄像头视频的实时采集、视频抽帧、图像处理、检测图像；

步骤F-1：机器人巡视视频和固定摄像头视频的实时采集；在实际的巡视和监控的过程中，无论是机器人还是固定摄像头都将进行实时视频的拍摄，它们需要将这些实时视频传给智能识别模块；

步骤F-2：视频抽帧：模块而后会按照固定的间隔对视频进行抽帧，间隔的具体长度取决于模块的性能和硬件载体的计算能力；

步骤F-3：图像处理：所述帧图像需进行图像增强，具体方法包含线性灰度增强和对数函数非线性变换；由于受拍摄条件的影像，上述帧图像可能会出现质量不佳的情况，影像智能模块的识别准确性，因此需要对每一帧图像进行图像增强，具体方法包含线性灰度增强和对数函数非线性变换；

线性灰度增强的方法如下，

其中，g(x,y)为每一像素的真实值，[a,b]为原始图像的灰度范围，[c,d]为新图像灰度的预期范围，f(x,y)为变化后图像的像素值；

对数函数非线性变换公式如下，

其中，a、b和c为可调节参数，通过迭代修正后可使得新生成的图像的灰度范围居于理想范围内；如所处理图像为彩色图像，则需在图像增强前进行彩色向灰度的转换，这里可用opencv的内置方法来实现，增强的灰度图像也可通过opencv所提供方法转化回为彩色图像；

步骤F-4：将修正好的图片传送给图像识别模块，此模块将检测出图像中是否含有设备渗漏油情况，具体渗漏油区域像素位置，以及渗漏油情况的严重程度的级别，并保存渗漏油检测结果图像。

Images