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
基于深度学习的变电站充油设备渗漏油隐患识别方法 Download PDFInfo
- Publication number
- CN113033322A CN113033322A CN202110233358.9A CN202110233358A CN113033322A CN 113033322 A CN113033322 A CN 113033322A CN 202110233358 A CN202110233358 A CN 202110233358A CN 113033322 A CN113033322 A CN 113033322A
- Authority
- CN
- China
- Prior art keywords
- image
- oil leakage
- equipment
- oil
- model
- 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 63
- 238000013135 deep learning Methods 0.000 title claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 33
- 230000009466 transformation Effects 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 5
- 239000000654 additive Substances 0.000 claims description 3
- 230000000996 additive effect Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
-
- 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
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233358.9A CN113033322A (zh) | 2021-03-02 | 2021-03-02 | 基于深度学习的变电站充油设备渗漏油隐患识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110233358.9A CN113033322A (zh) | 2021-03-02 | 2021-03-02 | 基于深度学习的变电站充油设备渗漏油隐患识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033322A true CN113033322A (zh) | 2021-06-25 |
Family
ID=76465965
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110233358.9A Pending CN113033322A (zh) | 2021-03-02 | 2021-03-02 | 基于深度学习的变电站充油设备渗漏油隐患识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033322A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743454A (zh) * | 2021-07-22 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 油浸式互感器的检测方法、装置、设备及存储介质 |
CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
CN114062224A (zh) * | 2021-11-19 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种油浸式电力设备渗漏油检测***和检测方法 |
CN114937247A (zh) * | 2022-07-21 | 2022-08-23 | 四川金信石信息技术有限公司 | 一种基于深度学习的变电站监测方法、***、电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197259A (zh) * | 2019-05-30 | 2019-09-03 | 浙江大学 | 基于小批量数据集与深度学习算法的晶圆缺陷检测方法 |
CN110705601A (zh) * | 2019-09-09 | 2020-01-17 | 安徽继远软件有限公司 | 基于单阶段目标检测的变电站设备渗漏油图像识别方法 |
CN110807353A (zh) * | 2019-09-03 | 2020-02-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于深度学习的变电站异物识别方法、装置及*** |
CN111191546A (zh) * | 2019-12-20 | 2020-05-22 | 广西柳州联耕科技有限公司 | 基于机器视觉识别的产品智能装配方法 |
CN111830051A (zh) * | 2020-08-14 | 2020-10-27 | 成都理工大学 | 一种基于深度学习的变电站设备漏油检测方法及检测*** |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN112101181A (zh) * | 2020-09-10 | 2020-12-18 | 湖北烽火平安智能消防科技有限公司 | 一种基于深度学习的自动化隐患场景识别方法及*** |
-
2021
- 2021-03-02 CN CN202110233358.9A patent/CN113033322A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197259A (zh) * | 2019-05-30 | 2019-09-03 | 浙江大学 | 基于小批量数据集与深度学习算法的晶圆缺陷检测方法 |
CN110807353A (zh) * | 2019-09-03 | 2020-02-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于深度学习的变电站异物识别方法、装置及*** |
CN110705601A (zh) * | 2019-09-09 | 2020-01-17 | 安徽继远软件有限公司 | 基于单阶段目标检测的变电站设备渗漏油图像识别方法 |
CN111191546A (zh) * | 2019-12-20 | 2020-05-22 | 广西柳州联耕科技有限公司 | 基于机器视觉识别的产品智能装配方法 |
CN111830051A (zh) * | 2020-08-14 | 2020-10-27 | 成都理工大学 | 一种基于深度学习的变电站设备漏油检测方法及检测*** |
CN112036463A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于深度学习的电力设备缺陷检测识别方法 |
CN112101181A (zh) * | 2020-09-10 | 2020-12-18 | 湖北烽火平安智能消防科技有限公司 | 一种基于深度学习的自动化隐患场景识别方法及*** |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113743454A (zh) * | 2021-07-22 | 2021-12-03 | 南方电网深圳数字电网研究院有限公司 | 油浸式互感器的检测方法、装置、设备及存储介质 |
CN113919395A (zh) * | 2021-10-12 | 2022-01-11 | 大连理工大学 | 基于一维卷积神经网络的给水管网渗漏事故诊断方法 |
CN114062224A (zh) * | 2021-11-19 | 2022-02-18 | 广东电网有限责任公司广州供电局 | 一种油浸式电力设备渗漏油检测***和检测方法 |
CN114937247A (zh) * | 2022-07-21 | 2022-08-23 | 四川金信石信息技术有限公司 | 一种基于深度学习的变电站监测方法、***、电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033322A (zh) | 基于深度学习的变电站充油设备渗漏油隐患识别方法 | |
CN109753929B (zh) | 一种高铁绝缘子巡检图像识别方法 | |
CN111339882B (zh) | 基于实例分割的输电线路隐患检测方法 | |
CN105447471A (zh) | 基于红外检测的设备气体泄漏识别方法和装置 | |
CN111428748A (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN106407928A (zh) | 基于雨滴识别的变压器复合绝缘子套管监测方法及*** | |
CN106845434B (zh) | 一种基于支持向量机的图像型机房漏水监测方法 | |
CN112288711A (zh) | 无人机巡检影像缺陷图像识别方法、装置、设备及介质 | |
CN111639530B (zh) | 一种输电线路的输电塔和绝缘子的检测和识别方法及*** | |
CN114241364A (zh) | 一种架空输电线路异物目标快速标定方法 | |
CN109509188B (zh) | 一种基于hog特征的输电线路典型缺陷识别方法 | |
CN112561899A (zh) | 电力巡检图像识别方法 | |
CN114648714A (zh) | 一种基于yolo的车间规范行为的监测方法 | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN113421223B (zh) | 基于深度学习和高斯混合的工业产品表面缺陷检测方法 | |
CN107977959B (zh) | 一种适用于电力作业机器人的呼吸器状态识别方法 | |
CN109272484B (zh) | 一种基于视频图像的降雨检测方法 | |
CN112634179B (zh) | 一种防摄像头抖动的变电设备图像变化检测方法和*** | |
CN116485802B (zh) | 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质 | |
CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
CN112241707A (zh) | 一种风电场智能视频识别装置 | |
CN111830051A (zh) | 一种基于深度学习的变电站设备漏油检测方法及检测*** | |
CN108693441B (zh) | 一种输电线路绝缘子识别方法及*** | |
CN116612065A (zh) | 一种基于YOLO v5的输电线路巡检图像缺陷智能识别方法 | |
CN113191336B (zh) | 基于图像识别的电力隐患识别方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210625 |
|
RJ01 | Rejection of invention patent application after publication |