CN113592864A - 基于卷积神经网络的变压器监控方法、装置、***及介质 - Google Patents
基于卷积神经网络的变压器监控方法、装置、***及介质 Download PDFInfo
- Publication number
- CN113592864A CN113592864A CN202111141460.2A CN202111141460A CN113592864A CN 113592864 A CN113592864 A CN 113592864A CN 202111141460 A CN202111141460 A CN 202111141460A CN 113592864 A CN113592864 A CN 113592864A
- Authority
- CN
- China
- Prior art keywords
- network
- observation window
- image
- result
- branch
- 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.)
- Granted
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 101
- 230000007547 defect Effects 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 28
- 238000000605 extraction Methods 0.000 claims description 25
- 238000013145 classification model Methods 0.000 claims description 20
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 238000005520 cutting process Methods 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/10024—Color 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于卷积神经网络的变压器监控方法、装置、***及介质,通过获取变压器上监控对象的待识别图像,监控对象包括瓦斯继电器、套管油位计和油枕油位计;通过预训练完成的多分支目标检测网络对待识别图像进行识别,得到状态识别结果,其中预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络;基于状态识别结果对变压器进行安全评估,得到安全评估结果。采用预训练完成的多分支目标检测网络对待识别图像进行准确的状态识别后对变压器进行多方位的安全评估,以并行识别的方式实现了对变压器上多个部件的自动状态监控,确保覆盖多个监控对象的同时也能实时评估设备状态,有效提高了变压器安全监控的效率和可靠性。
Description
技术领域
本发明涉及图像识别技术领域,尤其涉及基于卷积神经网络的变压器监控方法、装置、***及介质。
背景技术
电网中涉及的电器较多,变电站中的变压器是一种与安全相关的重要组成部件,变压器有油箱,顶部设有高压套管、低压套管、油枕、瓦斯继电器,油枕上设有油温计、油位计等等,变压器保持安全工作对变电站的正常运行起到至关重要的作用,因此需要对变压器的工作状态进行准确的安全监控。
在现有的运维方式中,变压器的日常监控需要运行人员去定期巡查,变压器上的套管、油位等重要信息无法实时掌握,且由于变压器上的部件较多,现有的定期巡查方式很可能发生巡查遗漏的情况,导致变压器安全监控的效率和可靠性均较低。
因此,现有技术还有待于改进和发展。
发明内容
鉴于上述现有技术的不足,本发明的目的在于提供基于卷积神经网络的变压器监控方法、装置、***及介质,旨在提高变压器安全监控的效率和可靠性。
本发明的技术方案如下:
一种基于卷积神经网络的变压器监控方法,其包括:
获取变压器上监控对象的待识别图像,所述监控对象包括瓦斯继电器、套管油位计和油枕油位计;
通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果,其中所述预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络,所述主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络;
基于所述状态识别结果对所述变压器进行安全评估,得到安全评估结果。
在一个实施例中,所述通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果之前,所述方法还包括:
对所述预训练完成的多分支目标检测网络进行剪枝处理。
在一个实施例中,所述通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果,包括:
通过所述主干网络分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一观察窗图像、第二观察窗图像和第三观察窗图像;
将所述第一观察窗图像输入到所述第一分支网络,通过所述第一分支网络对所述第一观察窗图像进行特征提取与分类识别,得到第一检测结果;
将所述第二观察窗图像和所述第三观察窗图像输入到所述第二分支网络,通过所述第二分支网络分别对所述第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果;
基于所述第一检测结果、所述第二检测结果和所述第三检测结果,确定所述状态识别结果。
在一个实施例中,通过所述主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一观察窗图像、第二观察窗图像和第三观察窗图像,包括:
通过所述主干网络分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一定位结果、第二定位结果和第三定位结果;
根据所述第一定位结果、第二定位结果和第三定位结果分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行裁剪,得到所述第一观察窗图像、第二观察窗图像和第三观察窗图像。
在一个实施例中,所述通过所述第一分支网络对所述第一观察窗图像进行特征提取与分类识别,得到第一检测结果,包括:
通过所述第一分支网络对所述第一观察窗图像进行特征提取,得到所述第一观察窗图像的气体颜色特征;
根据所述气体颜色特征对所述瓦斯继电器进行气体缺陷识别,得到所述第一检测结果,其中,所述第一检测结果包括气体正常和气体异常。
在一个实施例中,所述第二分支网络包括状态分类模型和缺陷分类模型,所述通过所述第二分支网络分别对所述第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果,包括:
通过所述状态分类模型对所述第二观察窗图像进行特征提取与套管油位计状态分类,得到所述第二检测结果,其中,所述第二检测结果包括状态正常和状态异常;
通过所述缺陷分类模型对所述第三观察窗进行特征提取与油枕油位计缺陷分类,得到所述第三检测结果,其中,第三检测结果包括缺陷类别和无缺陷。
在一个实施例中,所述基于所述状态识别结果对所述变压器进行安全评估,得到安全评估结果,包括:
当所述状态识别结果中所述第一检测结果为气体异常,和/或所述第二检测结果为状态异常,和/或所述第三检测结果为缺陷类别时,确认所述安全评估结果为符合预设预警条件并输出预警信息;否则确认所述安全评估结果为符合预设安全条件。
一种基于卷积神经网络的变压器监控装置,包括:
图像获取模块,用于获取变压器上监控对象的待识别图像,所述监控对象包括瓦斯继电器、套管油位计和油枕油位计;
图像识别模块,用于通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果,其中所述预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络,所述主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络;
安全评估模块,用于基于所述状态识别结果对所述变压器进行安全评估,得到安全评估结果。
本发明又一实施例还提供了一种计算机设备,包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述基于卷积神经网络的变压器监控方法。
本发明的另一实施例还提供了一种非易失性计算机可读存储介质,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行上述的基于卷积神经网络的变压器监控方法。
有益效果:本发明公开了基于卷积神经网络的变压器监控方法、装置、***及介质,相比于现有技术,本发明实施例通过获取变压器上多个监控对象的待识别图像,采用预训练完成的多分支目标检测网络对待识别图像进行准确的状态识别后对变压器进行多方位的安全评估,以并行识别的方式实现了对变压器上多个部件的自动状态监控,确保覆盖多个监控对象的同时也能实时评估设备状态,有效提高了变压器安全监控的效率和可靠性。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明实施例可以应用于其中的示例性***架构图;
图2为本发明实施例提供的基于卷积神经网络的变压器监控方法的一个流程图;
图3为本发明实施例提供的基于卷积神经网络的变压器监控装置的功能模块示意图;
图4为本发明实施例提供的计算机设备的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。以下结合附图对本发明实施例进行介绍。
请参阅图1,如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。
终端设备101、102、103可以是具有获取实时视频流/监控图片的各种电子设备,包括但不限于摄像头、监控视频服务器等等。
服务器105可以是提供各种服务的服务器,例如对终端设备101、102、103中采集的视频流/监控图片提供支持的后台服务器。
需要说明的是,本申请实施例所提供的基于卷积神经网络的变压器智能监控方法由服务器执行,相应地,基于卷积神经网络的变压器智能监控装置设置于服务器中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器,本申请实施例中的终端设备101、102、103具体可以对应的是实际生产中的应用***。
请参阅图2,图2为本发明提供的基于卷积神经网络的变压器监控方法一个实施例的流程图。本实施例以该方法应用在图1中的服务端为例进行说明。如图2所示,该方法具体包括如下步骤:
S201、获取变压器上监控对象的待识别图像,监控对象包括瓦斯继电器、套管油位计和油枕油位计。
本实施例中,通过在变压器周边安装的摄像设备,获取变压器上各个部件的视频,并从视频中提取帧图片,从而在变压器智能监控时实现待识别图像的提取,变压器上各个部件包括了瓦斯继电器、套管油位计和油枕油位计等等。其中,监控对象是指对变压器安全相关的部件,本实施例中包括瓦斯继电器、套管油位计和油枕油位计。
可选的,瓦斯继电器气体缺陷的出现需要等待时间的累积,故无需进行实时监控,针对瓦斯继电器的待识别图像,只需每间隔一段时间获取摄像头的视频流,并抽取5-10帧图片即可获得瓦斯继电器的待识别图像,而针对套管油位计的待识别图像以及油枕油位计的待识别图像则可根据实际需求进行设定采集,实现例如实时的待识别图像获取、或者每隔固定时间的待识别图像获取、或者固定时间点的待识别图像获取等等,本实施例对此不作限定。
S202、通过预训练完成的多分支目标检测网络对待识别图像进行识别,得到状态识别结果,其中预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络,主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络。
本实施例中,针对多个监控对象,采用预训练完成的多分支目标检测网络对每个监控对象的待识别图像进行同时识别,快速得到安全识别结果,其中多分支目标检测网络包括主干网络和至少两个分支网络,主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络,通过预先采集的样本数据对多分支目标检测网络进行深度学习训练,得到预训练完成的多分支目标检测网络,从而对获取到的待识别图像进行高效的并行识别。
其中,YOLOv4-Tiny网络是一个可以一次性预测多个Box(观察窗)位置和类别的卷积神经网络,能够实现端到端的目标检测和识别;MobileNet网络的基本单元是深度级可分离卷积(depthwise separable convolution),深度级可分离卷积其实是一种可分解卷积操作(factorized convolutions),其可以分解为两个更小的操作:空间卷积(depthwiseconvolution)和通道卷积(pointwise convolution),depthwise convolution和标准卷积不同,对于标准卷积其卷积核是用在所有的输入通道上(input channels),而depthwiseconvolution针对每个输入通道采用不同的卷积核,即一个卷积核对应一个输入通道,因而,depthwise convolution是深度级别的操作。对于depthwise separable convolution,其首先是采用depthwise convolution对不同输入通道分别进行卷积,然后采用pointwiseconvolution将上面的输出再进行结合,这样其实整体效果和一个标准卷积是差不多的,但是会大大减少计算量和模型参数量,提高识别效率。
在一个实施例中,步骤S202之前,方法还包括:
对预训练完成的多分支目标检测网络进行剪枝处理。
本实施例中,为了进一步提高模型的推理速度而不影响模型的准确率,对预训练完成的多分支目标检测网络进行剪枝处理,具体来说,剪枝处理针对YOLOv4-Tiny网络进行,在YOLOv4-Tiny网络进行初始化训练之后先学习网络的拓扑结构,获取YOLOv4-Tiny网络中各个神经元的连接关系的重要程度,并删除不重要的连接,即删除所有权重低于阈值的连接关系;之后删除所有权重低于阈值的神经元得到稀疏网络;之后重新训练稀疏网络,以便稀疏网络中剩余的连接可以补偿删除的连接,可选的,剪枝操作可以重复进行以尽可能地精简网络结构,通过剪枝操作,在准确率影响较小的情况下,YOLOv4-Tiny的训练和推理速度均能得到提升。
在一个实施例中,通过预训练完成的多分支目标检测网络对待识别图像进行识别,得到状态识别结果,包括:
通过主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一观察窗图像、第二观察窗图像和第三观察窗图像;
将第一观察窗图像输入到第一分支网络,通过第一分支网络对第一观察窗图像进行特征提取与分类识别,得到第一检测结果;
将第二观察窗图像和第三观察窗图像输入到第二分支网络,通过第二分支网络分别对第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果;
基于第一检测结果、第二检测结果和第三检测结果,确定状态识别结果。
本实施例中,通过主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,即分别识别瓦斯继电器的待识别图像中瓦斯继电器的位置、套管油位计的待识别图像中套管油位计的位置以及油枕油位计的待识别图像中油枕油位计的位置,从而得到第一观察窗图像、第二观察窗图像和第三观察窗图像,将第一观察窗图像输入到第一分支网络,即MobileNet网络,通过MobileNet网络对第一观察窗图像进行特征提取与分类识别,得到第一检测结果;并且将第二观察窗图像和第三观察窗图像输入到第二分支网络,即ResNet网络,通过ResNet网络分别对第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果,从而得到综合了变压器上各个部件检测结果的状态识别结果,实现多个部件的并行监控检测,监控效率高且不会发生漏检的问题,确保变压器上各个重要部件状态监控的全面性。
在一个实施例中,通过主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一观察窗图像、第二观察窗图像和第三观察窗图像,包括:
通过主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一定位结果、第二定位结果和第三定位结果;
根据第一定位结果、第二定位结果和第三定位结果分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行裁剪,得到第一观察窗图像、第二观察窗图像和第三观察窗图像。
本实施例中,在通过主干网络对各个待识别图像进行目标定位时,是先通过YOLOv4-Tiny网络一次性预测各个待识别图像上的一个或多个Box(观察窗)的位置,从而得到第一定位结果、第二定位结果和第三定位结果,第一定位结果、第二定位结果和第三定位结果分别代表了瓦斯继电器观察窗的位置、套管油位计观察窗的位置以及油枕油位计观察窗的位置;之后,根据各个观察窗在待识别图像中的位置对各个待识别图像进行裁剪,得到仅有瓦斯继电器区域、套管油位计区域和油枕油位计区域的第一观察窗图像、第二观察窗图像和第三观察窗图像,减少输入至后续分支网络的图像大小,尽可能提高特征提取与分类识别的效率和速度。
在一个实施例中,通过第一分支网络对第一观察窗图像进行特征提取与分类识别,得到第一检测结果,包括:
通过第一分支网络对第一观察窗图像进行特征提取,得到第一观察窗图像的气体颜色特征;
根据气体颜色特征对瓦斯继电器进行气体缺陷识别,得到第一检测结果,其中,第一检测结果包括气体正常和气体异常。
本实施例中,第一分支网络MobileNet网络在对第一观察窗图像进行识别时,具体是提取第一观察窗图像中的气体颜色特征,由于第一观察窗图像对应的是瓦斯继电器的裁剪图像,在检测瓦斯继电器的工作状态时则通过其中的气体颜色进行分析判别,通过MobileNet网络对提取到的气体颜色特征进一步进行气体缺陷识别,判断当前提取到的气体颜色特征是正常气体还是异常气体,即通过预先训练好的MobileNet网络对第一观察窗图像的气体颜色进行分类识别,从而得到代表了瓦斯继电器工作状态的气体检测结果,实现端到端的状态检测。
在一个实施例中,第二分支网络包括状态分类模型和缺陷分类模型,通过第二分支网络分别对第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果,包括:
通过状态分类模型对第二观察窗图像进行特征提取与套管油位计状态分类,得到第二检测结果,其中,第二检测结果包括状态正常和状态异常;
通过缺陷分类模型对第三观察窗进行特征提取与油枕油位计缺陷分类,得到第三检测结果,其中,第三检测结果包括缺陷类别和无缺陷。
本实施例中,在通过YOLOv4-Tiny网络定位了套管油位计的待识别图像中第二观察窗的位置,以及油枕油位计的待识别图像中第三观察窗的位置后,按各个观察窗的位置对各个待识别图像进行裁剪得到第二观察窗图像和第三观察窗图像,将裁剪得到的第二观察窗图像和第三观察窗图像输入到第二分支网络即ResNet网络中,其中ResNet网络包括了两个分类模型,分别为状态分类模型和缺陷分类模型,将第二观察窗图像输入到状态分类模型进行分类识别,将第三观察窗图像输入到状态缺陷模型进行分类识别,分别得到第二检测结果和第三检测结果。
具体地,第二观察窗图像对应的是套管油位计的裁剪图像,通过状态分类模型对第二观察窗图像进行套管油位计的状态分类,识别图像中的套管油位计为正常状态还是异常状态;第三观察窗图像对应的是油枕油位计的裁剪图像,通过缺陷分类模型对第三观察窗图像进行油枕油位计的缺陷分类,识别图像中的油枕油位计是否存在缺陷,以及缺陷的类型,具体缺陷的类型包括了破损、裂纹、模糊等等类型,即通过一个分支网络能同时实现多个部件的状态识别分类,达到并行高效监控的目的,尽可能压缩了网络体积提高数据处理速度。
需要说明的是,采用第二分支网络中的两个分类模型,同时对两种不同的监控对象进行识别分类,具体可在采集图像时,对每种监控对象的图像进行标记,进而根据标记信息,输入到对应的分类模型中进行识别,有效提高识别效率。
S203、基于状态识别结果对变压器进行安全评估,得到安全评估结果。
本实施例中,在通过预训练完成的多分支目标检测网络对各个变压器部件的待识别图像进行并行高效的状态识别后,得到具有多方位检测信息的状态识别信息,基于全面的状态识别结果对变压器进行无遗漏的安全评估,以获取可靠且及时的安全评估结果,实现高效且准确的变压器智能监控。
在一个实施例中,基于状态识别结果对变压器进行安全评估,得到安全评估结果,包括:
当状态识别结果中第一检测结果为气体异常,和/或第二检测结果为状态异常,和/或第三检测结果为缺陷类别时,确认安全评估结果为符合预设预警条件并输出预警信息;否则确认安全评估结果为符合预设安全条件。
本实施例中,在基于状态识别结果进行安全评估时,只要瓦斯继电器、套管油位计和油枕油位计中至少一项的检测结果存在异常时,则确认安全评估结果为符合预设预警条件,此时输出预警信息以及时提醒运维人员对相应的异常情况进行处理,提高变压器监控的预警效果,若全部的检测结果均正常时,则确认安全评估结果为符合预设安全条件,确保变压器工作状态的稳定性,针对每次安全评估结果可保存至数据库中以备后续查看,提高变压器状态监控的可溯源性
本发明另一实施例提供一种基于卷积神经网络的变压器监控装置,如图3所示,装置3包括:
图像获取模块31,用于获取变压器上监控对象的待识别图像,监控对象包括瓦斯继电器、套管油位计和油枕油位计;
图像识别模块32,用于通过预训练完成的多分支目标检测网络对待识别图像进行识别,得到状态识别结果,其中预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络,主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络;
安全评估模块33,用于基于状态识别结果对变压器进行安全评估,得到安全评估结果。
图像获取模块31、图像识别模块32和安全评估模块33依次连接,本发明所称的模块是指能够完成特定功能的一系列计算机程序指令段,比程序更适合于描述基于卷积神经网络的变压器监控的执行过程,各模块的具体实施方式请参考上述对应的方法实施例,此处不再赘述。
本发明另一实施例提供一种计算机设备,如图4所示,计算机设备4包括:
一个或多个处理器41以及存储器42,图4中以一个处理器41为例进行介绍,处理器41和存储器42可以通过总线或者其他方式连接,图4中以通过总线连接为例。
处理器41用于完成计算机设备4的各种控制逻辑,其可以为通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、单片机、ARM(Acorn RISCMachine)或其它可编程逻辑器件、分立门或晶体管逻辑、分立的硬件组件或者这些部件的任何组合。还有,处理器41还可以是任何传统处理器、微处理器或状态机。处理器41也可以被实现为计算设备的组合,例如,DSP和微处理器的组合、多个微处理器、一个或多个微处理器结合DSP和/或任何其它这种配置。
存储器42作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本发明实施例中的基于卷积神经网络的变压器监控方法对应的程序指令。处理器41通过运行存储在存储器42中的非易失性软件程序、指令以及单元,从而执行计算机设备4的各种功能应用以及数据处理,即实现上述方法实施例中的基于卷积神经网络的变压器监控方法。
存储器42可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据计算机设备4使用所创建的数据等。此外,存储器42可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,存储器42可选包括相对于处理器41远程设置的存储器,这些远程存储器可以通过网络连接至计算机设备4。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
一个或者多个单元存储在存储器42中,当被一个或者多个处理器41执行时,执行上述任意方法实施例中的基于卷积神经网络的变压器监控方法,例如,执行以上描述的图2中的方法步骤S201至步骤S203。
计算机设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备,计算机设备4可以与用户通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
本发明实施例提供了一种非易失性计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,执行以上描述的图2中的方法步骤S201至步骤S203。
作为示例,非易失性存储介质能够包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦ROM(EEPROM)或闪速存储器。易失性存储器能够包括作为外部高速缓存存储器的随机存取存储器(RAM)。通过说明而非限制,RAM可以以诸如同步RAM(SRAM)、动态RAM、(DRAM)、同步DRAM(SDRAM)、双数据速率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、Synchlink DRAM(SLDRAM)以及直接Rambus(兰巴斯)RAM(DRRAM)之类的许多形式得到。本文中所描述的操作环境的所公开的存储器组件或存储器旨在包括这些和/或任何其他适合类型的存储器中的一个或多个。
综上,本发明公开的基于卷积神经网络的变压器监控方法、装置、***及介质中,方法通过获取变压器上监控对象的待识别图像,监控对象包括瓦斯继电器、套管油位计和油枕油位计;通过预训练完成的多分支目标检测网络对待识别图像进行识别,得到状态识别结果,其中预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络;基于状态识别结果对变压器进行安全评估,得到安全评估结果。采用预训练完成的多分支目标检测网络对待识别图像进行准确的状态识别后对变压器进行多方位的安全评估,以并行识别的方式实现了对变压器上多个部件的自动状态监控,确保覆盖多个监控对象的同时也能实时评估设备状态,有效提高了变压器安全监控的效率和可靠性。
当然,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硬件(如处理器,控制器等)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的存储介质中,该计算机程序在执行时可包括如上述各方法实施例的流程。其中所述的存储介质可为存储器、磁碟、软盘、闪存、光存储器等。
应当理解的是,本发明的应用不限于上述的举例,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,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。
Claims (10)
1.一种基于卷积神经网络的变压器监控方法,其特征在于,包括:
获取变压器上监控对象的待识别图像,所述监控对象包括瓦斯继电器、套管油位计和油枕油位计;
通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果,其中所述预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络,所述主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络;
基于所述状态识别结果对所述变压器进行安全评估,得到安全评估结果。
2.根据权利要求1所述的基于卷积神经网络的变压器监控方法,其特征在于,所述通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果之前,所述方法还包括:
对所述预训练完成的多分支目标检测网络进行剪枝处理。
3.根据权利要求1或2所述的基于卷积神经网络的变压器监控方法,其特征在于,所述通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果,包括:
通过所述主干网络分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一观察窗图像、第二观察窗图像和第三观察窗图像;
将所述第一观察窗图像输入到所述第一分支网络,通过所述第一分支网络对所述第一观察窗图像进行特征提取与分类识别,得到第一检测结果;
将所述第二观察窗图像和所述第三观察窗图像输入到所述第二分支网络,通过所述第二分支网络分别对所述第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果;
基于所述第一检测结果、所述第二检测结果和所述第三检测结果,确定所述状态识别结果。
4.根据权利要求3所述的基于卷积神经网络的变压器监控方法,其特征在于,所述通过所述主干网络分别对瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一观察窗图像、第二观察窗图像和第三观察窗图像,包括:
通过所述主干网络分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行目标定位,得到第一定位结果、第二定位结果和第三定位结果;
根据所述第一定位结果、第二定位结果和第三定位结果分别对所述瓦斯继电器、套管油位计和油枕油位计的待识别图像进行裁剪,得到所述第一观察窗图像、第二观察窗图像和第三观察窗图像。
5.根据权利要求3所述的基于卷积神经网络的变压器监控方法,其特征在于,所述通过所述第一分支网络对所述第一观察窗图像进行特征提取与分类识别,得到第一检测结果,包括:
通过所述第一分支网络对所述第一观察窗图像进行特征提取,得到所述第一观察窗图像的气体颜色特征;
根据所述气体颜色特征对所述瓦斯继电器进行气体缺陷识别,得到所述第一检测结果,其中,所述第一检测结果包括气体正常和气体异常。
6.根据权利要求5所述的基于卷积神经网络的变压器监控方法,其特征在于,所述第二分支网络包括状态分类模型和缺陷分类模型,所述通过所述第二分支网络分别对所述第二观察窗图像和第三观察窗图像进行特征提取与分类识别,得到第二检测结果和第三检测结果,包括:
通过所述状态分类模型对所述第二观察窗图像进行特征提取与套管油位计状态分类,得到所述第二检测结果,其中,所述第二检测结果包括状态正常和状态异常;
通过所述缺陷分类模型对所述第三观察窗进行特征提取与油枕油位计缺陷分类,得到所述第三检测结果,其中,第三检测结果包括缺陷类别和无缺陷。
7.根据权利要求6所述的基于卷积神经网络的变压器监控方法,其特征在于,所述基于所述状态识别结果对所述变压器进行安全评估,得到安全评估结果,包括:
当所述状态识别结果中所述第一检测结果为气体异常,和/或所述第二检测结果为状态异常,和/或所述第三检测结果为缺陷类别时,确认所述安全评估结果为符合预设预警条件并输出预警信息;否则确认所述安全评估结果为符合预设安全条件。
8.一种基于卷积神经网络的变压器监控装置,其特征在于,包括:
图像获取模块,用于获取变压器上监控对象的待识别图像,所述监控对象包括瓦斯继电器、套管油位计和油枕油位计;
图像识别模块,用于通过预训练完成的多分支目标检测网络对所述待识别图像进行识别,得到状态识别结果,其中所述预训练完成的多分支目标检测网络包括主干网络和至少两个分支网络,所述主干网络为YOLOv4-Tiny网络,第一分支网络为MobileNet网络,第二分支网络为ResNet网络;
安全评估模块,用于基于所述状态识别结果对所述变压器进行安全评估,得到安全评估结果。
9.一种计算机设备,其特征在于,包括至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1-7任一项所述的基于卷积神经网络的变压器监控方法。
10.一种非易失性计算机可读存储介质,其特征在于,所述非易失性计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行时,可使得所述一个或多个处理器执行权利要求1-7任一项所述的基于卷积神经网络的变压器监控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141460.2A CN113592864B (zh) | 2021-09-28 | 2021-09-28 | 基于卷积神经网络的变压器监控方法、装置、***及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111141460.2A CN113592864B (zh) | 2021-09-28 | 2021-09-28 | 基于卷积神经网络的变压器监控方法、装置、***及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113592864A true CN113592864A (zh) | 2021-11-02 |
CN113592864B CN113592864B (zh) | 2022-03-15 |
Family
ID=78242337
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111141460.2A Active CN113592864B (zh) | 2021-09-28 | 2021-09-28 | 基于卷积神经网络的变压器监控方法、装置、***及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113592864B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245230A (zh) * | 2023-02-03 | 2023-06-09 | 南方电网调峰调频发电有限公司运行分公司 | 一种电站设备的运行巡检与趋势分析方法及*** |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157899A1 (en) * | 2016-12-07 | 2018-06-07 | Samsung Electronics Co., Ltd. | Method and apparatus detecting a target |
CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
CN109784375A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于Faster RCNN的自适应变压器部件检测识别方法 |
CN111046973A (zh) * | 2019-12-26 | 2020-04-21 | 北京市商汤科技开发有限公司 | 多任务检测方法及装置、存储介质 |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
CN112016575A (zh) * | 2019-05-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种检测方法、计算机设备、存储介质 |
CN112016475A (zh) * | 2020-08-31 | 2020-12-01 | 支付宝(杭州)信息技术有限公司 | 一种人体检测识别方法和装置 |
CN112215244A (zh) * | 2020-11-02 | 2021-01-12 | 同方威视科技江苏有限公司 | 货物图像检测方法、装置、设备及存储介质 |
CN113033436A (zh) * | 2021-03-29 | 2021-06-25 | 京东鲲鹏(江苏)科技有限公司 | 障碍物识别模型训练方法及装置、电子设备、存储介质 |
-
2021
- 2021-09-28 CN CN202111141460.2A patent/CN113592864B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180157899A1 (en) * | 2016-12-07 | 2018-06-07 | Samsung Electronics Co., Ltd. | Method and apparatus detecting a target |
US20200372648A1 (en) * | 2018-05-17 | 2020-11-26 | Tencent Technology (Shenzhen) Company Limited | Image processing method and device, computer apparatus, and storage medium |
CN109635656A (zh) * | 2018-11-12 | 2019-04-16 | 平安科技(深圳)有限公司 | 基于神经网络的车辆属性识别方法、装置、设备及介质 |
CN109784194A (zh) * | 2018-12-20 | 2019-05-21 | 上海图森未来人工智能科技有限公司 | 目标检测网络构建方法和训练方法、目标检测方法 |
CN109784375A (zh) * | 2018-12-22 | 2019-05-21 | 国网内蒙古东部电力有限公司 | 基于Faster RCNN的自适应变压器部件检测识别方法 |
CN112016575A (zh) * | 2019-05-29 | 2020-12-01 | 阿里巴巴集团控股有限公司 | 一种检测方法、计算机设备、存储介质 |
CN111046973A (zh) * | 2019-12-26 | 2020-04-21 | 北京市商汤科技开发有限公司 | 多任务检测方法及装置、存储介质 |
CN112016475A (zh) * | 2020-08-31 | 2020-12-01 | 支付宝(杭州)信息技术有限公司 | 一种人体检测识别方法和装置 |
CN112215244A (zh) * | 2020-11-02 | 2021-01-12 | 同方威视科技江苏有限公司 | 货物图像检测方法、装置、设备及存储介质 |
CN113033436A (zh) * | 2021-03-29 | 2021-06-25 | 京东鲲鹏(江苏)科技有限公司 | 障碍物识别模型训练方法及装置、电子设备、存储介质 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116245230A (zh) * | 2023-02-03 | 2023-06-09 | 南方电网调峰调频发电有限公司运行分公司 | 一种电站设备的运行巡检与趋势分析方法及*** |
CN116245230B (zh) * | 2023-02-03 | 2024-03-19 | 南方电网调峰调频发电有限公司运行分公司 | 一种电站设备的运行巡检与趋势分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN113592864B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及*** | |
CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及*** | |
CN111507147A (zh) | 智能巡检方法、装置、计算机设备和存储介质 | |
CN110826476A (zh) | 识别目标物体的图像检测方法、装置、电子设备和存储介质 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN111401418A (zh) | 一种基于改进Faster r-cnn的员工着装规范检测方法 | |
CN110570392A (zh) | 变电站设备开关状态检测方法、装置、***、设备及介质 | |
CN113592864B (zh) | 基于卷积神经网络的变压器监控方法、装置、***及介质 | |
CN111401437A (zh) | 基于深度学习的输电通道隐患预警等级分析方法 | |
CN110910360A (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN111210412A (zh) | 一种包装检测方法、装置、电子设备及存储介质 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN112688434A (zh) | 输配电线路的监测预警方法、装置、计算机设备和介质 | |
CN116453056A (zh) | 目标检测模型构建方法和变电站异物入侵检测方法 | |
CN113343998A (zh) | 电力机械表计读数监测***、方法、计算机设备及应用 | |
CN113591645A (zh) | 一种基于区域卷积神经网络的电力设备红外图像识别方法 | |
US20220146707A1 (en) | Temperature prediction system | |
CN117853492A (zh) | 一种基于融合模型的智能化工业缺陷检测方法及*** | |
CN112884018A (zh) | 电网线路故障识别模型训练方法和电网线路巡检方法 | |
CN117593689A (zh) | 一种基于计算机视觉的矿山人员危险行为识别方法及*** | |
CN116958905A (zh) | 输电线路故障监测方法、***、介质及设备 | |
CN115965625A (zh) | 一种基于视觉识别的仪表检测装置及其检测方法 | |
CN115187880A (zh) | 基于图像识别的通信光缆缺陷检测方法、***及存储介质 | |
CN114202738A (zh) | 基于边缘计算和人工智能的电网监拍方法、装置及设备 | |
CN113850773A (zh) | 一种检测方法、装置、设备及计算机可读存储介质 |
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 |