CN115294411A - 基于神经网络的电网输变电图像数据处理方法 - Google Patents

基于神经网络的电网输变电图像数据处理方法 Download PDF

Info

Publication number
CN115294411A
CN115294411A CN202211221948.0A CN202211221948A CN115294411A CN 115294411 A CN115294411 A CN 115294411A CN 202211221948 A CN202211221948 A CN 202211221948A CN 115294411 A CN115294411 A CN 115294411A
Authority
CN
China
Prior art keywords
power transmission
image
transformation
information
power grid
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
Application number
CN202211221948.0A
Other languages
English (en)
Other versions
CN115294411B (zh
Inventor
王光增
方建亮
刘国良
王云烨
周青睐
徐宏
孙钢
姚一杨
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 Zhejiang Electric Power Co Ltd
Original Assignee
State Grid Zhejiang 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 Zhejiang Electric Power Co Ltd filed Critical State Grid Zhejiang Electric Power Co Ltd
Priority to CN202211221948.0A priority Critical patent/CN115294411B/zh
Publication of CN115294411A publication Critical patent/CN115294411A/zh
Application granted granted Critical
Publication of CN115294411B publication Critical patent/CN115294411B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/5866—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using information manually generated, e.g. tags, keywords, comments, manually generated location and time information
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
    • G06F16/587—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using geographical or spatial information, e.g. location
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Library & Information Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于神经网络的电网输变电图像数据处理方法，包括：将属于相同类别的输入神经元、隐藏神经元以及输出神经元一一连接；服务端实时接收采集端所发送的电网输变电图像，神经网络的输入层根据电网输变电图像的种类信息确定与其相对应的输入神经元；根据电网输变电图像所对应的时间维度信息和/或地理维度信息，确定相对应的隐藏神经元的权重，输入神经元将电网输变电图像输入至相对应的隐藏神经元；隐藏神经元将电网输变电图像与预设输变电图像进行比对，得到图像比对结果；输出神经元统计所有隐藏神经元的图像比对结果，根据图像比对结果、隐藏神经元的权重生成最终的电网输变电监测结果。

Description

基于神经网络的电网输变电图像数据处理方法
技术领域
本发明涉及数据处理技术，特别是涉及一种基于神经网络的电网输变电图像数据处理方法。
背景技术
随着我国经济建设节奏的加快,对电能的需求与日剧增,电网中设备的规模也与日俱增。由于电网输变电线路距离非常长、各项设备所处环境的气候变化非常剧烈、分布位置非常离散、线路跨越的地形非常复杂,想要对输变电线路和设备进行巡检不仅实施困难而且效率低下。
近些年来，已经出现采用无人机的方式替代巡检人员对电网输变电线路进行巡查，采集电网输变电图像供巡检人员巡检，提升了对电网输变电线路的巡检效率。但是目前主要还是采用人工观察大量的巡检图像来识别电网输变电线路的状态，这种方式低效且容易出错，同时，不同的电网输变电线路所对应的配置数据也不同。因此，如何结合电网输变电线路的配置数据的不同，对电网输变电图像进行有针对性的、高效的智能化处理，成为了急需解决的技术问题。
发明内容
本发明克服现有技术的缺点，提供一种基于神经网络的电网输变电图像数据处理方法，可以结合电网输变电线路的配置数据的不同，构建对应的神经网络，来对电网输变电图像进行针对、高效的智能化处理。
为了解决以上技术问题，本发明的技术方案如下：
本发明实施例提供的一种基于神经网络的电网输变电图像数据处理方法，包括：
S1，初始化进行图像处理的神经网络，所述神经网络包括依次连接的输入层、隐藏层以及输出层，所述输入层、隐藏层以及输出层分别具有相对应输入神经元、隐藏神经元以及输出神经元；
S2，根据配置数据对所有的输入神经元、隐藏神经元以及输出神经元进行归类，将属于相同类别的输入神经元、隐藏神经元以及输出神经元一一连接；
S3，服务端实时接收采集端所发送的电网输变电图像，神经网络的输入层根据所述电网输变电图像的种类信息确定与其相对应的输入神经元；
S4，根据电网输变电图像所对应的时间维度信息和/或地理维度信息，确定相对应的隐藏神经元的权重，输入神经元将所述电网输变电图像输入至相对应的隐藏神经元；
S5，隐藏神经元将所述电网输变电图像与预设输变电图像进行比对，得到图像比对结果，将所述图像比对结果输出至相对应的输出神经元；
S6，输出神经元统计所有隐藏神经元的图像比对结果，根据所述图像比对结果、隐藏神经元的权重生成最终的电网输变电监测结果。
进一步的，所述S2包括：
提取所述配置数据中的输变电设备种类，根据所述输变电设备种类对所有的输入神经元进行划分，以使每个输入神经元对应不同的输变电设备种类；
提取所述配置数据中每个输变电设备种类所对应的故障种类，根据所述故障种类建立不同的隐藏神经元，将所述隐藏神经元与相应的输入神经元一一连接；
提取所述配置数据中每个输变电设备种类所对应的故障结果，根据所述故障结果建立不同的输出神经元，将所述输出神经元与相应的隐藏神经元连接。
进一步的，所述S3包括：
服务端实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，将所述地理位置信息与预设位置信息表进行比对，得到相对应的所述电网输变电图像的种类信息；
若判断所述种类信息为大于1或所述种类信息为0，则对所述电网输变电图像进行图像识别，得到电网输变电图像的种类信息；
若判断无法根据所述图像识别方式得到电网输变电图像的种类信息，则将所述电网输变电图像输出，基于工作人员对所述电网输变电图像进行种类信息的添加。
进一步的，所述服务端实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，将所述地理位置信息与预设位置信息表进行比对，得到相对应的所述电网输变电图像的种类信息，包括：
确定预设位置信息表中与所述地理位置信息所对应的预设位置区间，所述预设位置信息表中具有多个预设位置区间，以及每个预设位置区间与种类信息的对应关系；
若所述地理位置信息处于1个预设位置区间内，则将1个预设位置区间所对应的种类信息作为相应电网输变电图像的种类信息；
若所述地理位置信息处于多个不同种类信息的预设位置区间的相交区域内，则种类信息为大于1；
若所述地理位置信息不处于所有的预设位置区间内，则种类信息为0。
进一步的，所述若判断无法根据所述图像识别方式得到电网输变电图像的种类信息，则将所述电网输变电图像输出，基于工作人员对所述电网输变电图像进行种类信息的添加，包括：
将所添加的种类信息所对应的所有预设位置区间作为第一预设位置区间，获取所述第一预设位置区间的第一范围区间，所述第一范围区间包括第一经度子范围和第一纬度子范围；
根据所有第一范围区间的第一经度子范围和第一纬度子范围进行计算，得到与所述地理位置信息对应的经度偏移范围和纬度偏移范围；
根据所述地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与所述地理位置信息所对应的第二预设位置区间；
将添加的种类信息、第二预设位置区间对应存储于预设位置信息表内，对所述预设位置信息表更新处理。
进一步的，所述根据所述地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与所述地理位置信息所对应的第二预设位置区间，包括：
提取所述地理位置信息中的经度信息和纬度信息，根据所述经度信息、经度偏移范围得到经度区间最大值、经度区间最小值，根据所述纬度信息、纬度偏移范围得到纬度区间最大值、纬度区间最小值；
将所述经度区间最大值、经度区间最小值、纬度区间最大值、纬度区间最小值进行组合得到第二预设位置区间，通过以下公式计算经度区间最大值、经度区间最小值、纬度区间最大值、纬度区间最小值，
Figure 765057DEST_PATH_IMAGE001
其中，
Figure 151039DEST_PATH_IMAGE002
为第二预设位置区间的经度区间最小值，
Figure 665197DEST_PATH_IMAGE003
为地理位置信息中的 经度信息，
Figure 794827DEST_PATH_IMAGE004
为第
Figure 592887DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最大值，
Figure 149771DEST_PATH_IMAGE006
为第
Figure 151225DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最小值，
Figure 350125DEST_PATH_IMAGE007
为第一经度子范围的上限值，
Figure 753424DEST_PATH_IMAGE008
为第 一经度子范围的数量值，
Figure 481209DEST_PATH_IMAGE009
为第二预设位置区间的经度区间最大值，
Figure 704380DEST_PATH_IMAGE010
为第二预 设位置区间的纬度区间最小值，
Figure 175812DEST_PATH_IMAGE011
为第
Figure 682886DEST_PATH_IMAGE012
个第一范围区间的第一纬度子范围的纬度最 大值，
Figure 847151DEST_PATH_IMAGE013
为第
Figure 823197DEST_PATH_IMAGE012
个第一范围区间的第一纬度子范围的纬度最小值，m为第一纬度子范围 的上限值，
Figure 832742DEST_PATH_IMAGE014
为第一纬度子范围的数量值，
Figure 210633DEST_PATH_IMAGE015
为第二预设位置区间的纬度区间最大 值。
进一步的，所述S4包括：
调取预先设置的权重对应表，所述权重对应表中包括多个权重对应单元，每个权重对应单元对应一个隐藏神经元，所述权重对应单元包括相应的隐藏神经元，在不同的时间维度信息和/或地理维度信息下所对应的权重；
将电网输变电图像所对应的时间维度信息和/或地理维度信息，与相应权重对应表的权重对应单元进行比对，得到所有隐藏神经元的权重。
进一步的，所述S5包括：
隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像；
将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果；
若判断所述图像比对结果为正常结果，则将相应图像比对结果输出至正常结果所对应的输出神经元；
若判断所述图像比对结果为异常结果，则将相应图像比对结果输出至异常结果所对应的输出神经元。
进一步的，所述隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像，包括：
若所述电网输变电图像为白光图像；
则选中所述电网输变电图像中处于第一预设像素值区间内的所有像素点作为第一像素点；
统计电网输变电图像内所有直接或间接连接的第一像素点，根据所有第一像素点以及第一像素点所完全包围的区域得到至少一个第一感兴趣区域；
将所述第一感兴趣区域所对应的图像信息作为第一白光图像信息。
进一步的，所述隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像，包括：
若所述电网输变电图像为红外图像；
则选中所述电网输变电图像中处于第二预设像素值区间内的所有像素点作为第二像素点；
统计电网输变电图像内所有第二像素点的像素灰度值，将所有第二像素点的像素灰度值作为第一红外图像信息。
进一步的，所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果，包括：
提取所述第一感兴趣区域的所有边缘像素点得到第一设备轮廓；
提取所述预设白光图像信息所对应的第二设备轮廓，每个预设白光图像信息具有与其预先对应设置的第二设备轮廓；
若判断所述第一设备轮廓和第二设备轮廓相对应，则输出轮廓正常子结果，否则输出轮廓不正常子结果。
进一步的，所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果，包括：
提取所述第一感兴趣区域的所有像素点，若判断第一感兴趣区域的所有像素点中存在与预设像素值区间内不对应的像素点，则输出物体不正常子结果，此时不对应的像素点被多个第一像素点包围；
若判断第一感兴趣区域的所有像素点均为与预设像素值区间对应的像素点，则输出物体正常子结果。
进一步的，所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果，包括：
根据所有第二像素点的像素灰度值进行计算，得到平均灰度像素值；
统计预设红外图像信息内位于第二预设像素值区间内的所有像素点作为比对像素点，根据所有比对像素点的像素灰度值进行计算，得到比对灰度像素值；
若所述平均灰度像素值和比对灰度像素值的差值小于等于比对预设值，则输出温度正常子结果；
若所述平均灰度像素值和比对灰度像素值的差值大于比对预设值，则输出温度异常子结果。
进一步的，所述S6包括：
若正常结果所对应的正常输出神经元接收了所有隐藏神经元输出的正常子结果，则输出神经元直接输出为正常的电网输变电监测结果；
若异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且不具有互斥的异常子结果，则异常输出神经元将所有的异常子结果输出；
若异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且具有互斥的异常子结果，则异常输出神经元调取互斥的隐藏神经元所对应的权重，确定互斥的异常子结果中权重最大的异常子结果；
将权重最大的异常子结果、非互斥的异常子结果输出。
本发明的有益效果是：
1、本方案通过配置数据中的输变电设备种类以及对应的故障结果，对神经网络的输入神经元、隐藏神经元以及输出神经元进行归类和配置，使其能够对不同变电设备的不同故障图像进行相应的处理，输出较为准确的电网输变电监测结果，协助工作人员作出相对准确的判断。其中，本方案会依据电网输变电图像的种类信息确定与其相对应的输入神经元，可以分类接收相应变电设备的图像数据，后续可以对数据有针对性、高效、准确的分类处理；本方案会依据输变电设备种类所对应的故障种类来确定相应的隐藏神经元，对隐藏神经元进行配置，以处理相关的故障数据；本方案还会依据时间维度和空间维度来确定隐藏神经元的权重，在异常结果有互斥的多个时，可以确定一个可能性较大的结果输出，本方案可以结合电网输变电线路的配置数据的不同，对电网输变电图像进行针对、高效的智能化处理，协助工作人员进行较为准确的判断。
2、本方案会结合采集电网输变电图像所对应的地理位置信息，结合预设位置信息表来确定相应的电网输变电图像的种类信息，以上方式可以省去图像识别的过程，减少了数据处理量，提高了种类信息的确定效率；当在种类信息较多或者根据位置确定不了相应的种类信息时，本方案会对电网输变电图像进行识别，来得到相应的电网输变电图像的种类信息。此外，本方案还会结合同种类变电设备的位置区间，得到经度偏移范围和纬度偏移范围，来较为准确的对预设位置信息表进行更新，后续在进行比对时，可以通过更新后的预设位置信息表较全面的比对。
3、本方案布局了对白光图像信息和红外图像信息进行比对的方案。其中，对白光图像信息进行比对时，本方案会确定感兴趣区域以及对应的设备轮廓，与预设轮廓进行针对性的比对；对红外图像信息进行比对时，本方案会结合像素灰度值进行针对性判断。另外，本方案在得到比对结果后，还会依据比对结果的情况，来确定出可能性最大的异常子结果，以及非互斥的异常子结果，最后将权重最大的异常子结果和非互斥的异常子结果输出，协助工作人员制定较为准确的故障解决策略。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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性的前提下，还可以根据这些附图获得其它的附图。
图1为本发明提供的一种神经网络的示意图。
具体实施方式
为使本发明的内容更容易被清楚地理解，下面根据具体实施方式并结合附图，对本发明作出进一步详细的说明。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
应当理解，在本发明中，“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含，“包含A、B或C”是指包含A、B、C三者之一，“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解，在本发明中，“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”，表示B与A相关联，根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B，还可以根据A和/或其他信息确定B。A与B的匹配，是A与B的相似度大于或等于预设的阈值。
取决于语境，如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
本发明实施例提供的一种基于神经网络的电网输变电图像数据处理方法，该基于神经网络的电网输变电图像数据处理方法包括S1-S6：
S1，初始化进行图像处理的神经网络，所述神经网络包括依次连接的输入层、隐藏层以及输出层，所述输入层、隐藏层以及输出层分别具有相对应输入神经元、隐藏神经元以及输出神经元。
参见图1，是本方案提供的一种神经网络的示意图，包括依次连接的输入层、隐藏层以及输出层，其中，输入层、隐藏层以及输出层分别具有相对应输入神经元、隐藏神经元以及输出神经元。
S2，根据配置数据对所有的输入神经元、隐藏神经元以及输出神经元进行归类，将属于相同类别的输入神经元、隐藏神经元以及输出神经元一一连接。
首先，本方案会接收到配置数据，然后利用配置数据对所有的输入神经元、隐藏神经元以及输出神经元进行归类，使得属于相同输变电设备种类的输入神经元、隐藏神经元以及输出神经元一一连接。
在一些实施例中，所述S2包括S21- S23：
S21，提取所述配置数据中的输变电设备种类，根据所述输变电设备种类对所有的输入神经元进行划分，以使每个输入神经元对应不同的输变电设备种类。
本方案的配置数据中包括输变电设备种类，在接收到配置数据后，本方案会对配置数据进行解析，得到输变电设备种类，输变电设备种类例如包括变压器、输电塔、输电线等类别。
参见图1，本方案对输入神经元进行了划分，图中包括变压器所对应的2个输入神经元，以及输电塔所对应的2个输入神经元。需要说明的是，图中只是示例性的展示了部分神经元，在实际应用中，输入神经元、隐藏神经元以及输出神经元有多个，本方案不做详细附图展示。
S22，提取所述配置数据中每个输变电设备种类所对应的故障种类，根据所述故障种类建立不同的隐藏神经元，将所述隐藏神经元与相应的输入神经元一一连接。
可以理解的是，本方案的配置数据中，还包括了每个输变电设备种类所对应的故障种类，本方案会配置数据进行解析，得到对每个输变电设备种类所对应的故障种类。在得到故障种类后，本方案会根据故障种类建立不同的隐藏神经元，将隐藏神经元与相应的输入神经元一一连接。
示例性的，针对变压器，其故障种类例如包括两种，一种是变压器上会有悬挂物，另一种是变压器会过温，本方案在得到故障种类后，会建立相应的隐藏神经元，隐藏神经元例如包括两种，一种是识别是否有悬挂物的隐藏神经元，该隐藏神经元可以对拍摄的白光图像进行识别，判断是否有悬挂物，另一种是识别变压器是否过温的隐藏神经元，该隐藏神经元可以对拍摄的红外图像进行识别，判断变压器是否过温。
S23，提取所述配置数据中每个输变电设备种类所对应的故障结果，根据所述故障结果建立不同的输出神经元，将所述输出神经元与相应的隐藏神经元连接。
示例性的，故障结果可以是异常结果和正常结果，那么可以建立两个相应的输出神经元，然后将相应的输出神经元与相应的隐藏神经元连接，形成一个神经网络。
可以理解的是，本方案的神经网络可以对应多个输变电设备，每个输变电设备所对应的输入神经元、隐藏神经元和输出神经元都是不同的。
S3，服务端实时接收采集端所发送的电网输变电图像，神经网络的输入层根据所述电网输变电图像的种类信息确定与其相对应的输入神经元。
本方案的服务端会实时接收采集端所发送的电网输变电图像，采集端例如可以是巡检无人机，巡检无人机可以实时采集电网输变电图像，然后，本方案的神经网络的输入层根据电网输变电图像的种类信息会确定与其相对应的输入神经元。例如，本方案在得到电网输变电图像后，会对电网输变电图像进行识别，得到电网输变电图像的种类信息，例如是变压器，然后确定到与变压器所对应的输入神经元。
在一些实施例中，所述S3包括S31- S33：
S31，服务端实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，将所述地理位置信息与预设位置信息表进行比对，得到相对应的所述电网输变电图像的种类信息。
可以理解的是，本方案的采集端在采集电网输变电图像时，会有相对应的地理位置信息，地理位置信息例如是经度信息和纬度信息，本方案的服务端会实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，另外，本方案还设置有预设位置信息表，然后将地理位置信息与预设位置信息表进行比对，得到相对应的电网输变电图像的种类信息。
需要说明的是，本方案的预设位置信息表中包括地理位置与输变电设备的对应关系。
在一些实施例中，S31（所述服务端实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，将所述地理位置信息与预设位置信息表进行比对，得到相对应的所述电网输变电图像的种类信息）包括S311- S314：
S311，确定预设位置信息表中与所述地理位置信息所对应的预设位置区间，所述预设位置信息表中具有多个预设位置区间，以及每个预设位置区间与种类信息的对应关系。
可以理解的是，由于输变电线路较长，输变电设备的跨度较大，因此本方案的预设位置信息表中具有多个预设位置区间，每个预设位置区间与种类信息具有对应关系。例如，变压器A对应的预设位置区间为：经度是J1-J2，纬度是W1-W2。
S312，若所述地理位置信息处于1个预设位置区间内，则将1个预设位置区间所对应的种类信息作为相应电网输变电图像的种类信息。
示例性的，如果得到的地理位置信息为经度位于J1-J2之间，纬度位于W1-W2之间，该地理位置信息就位于上述的预设位置区间内，则所采集的电网输变电图像的种类信息为变压器A。
S313，若所述地理位置信息处于多个不同种类信息的预设位置区间的相交区域内，则种类信息为大于1。
可以理解的是，在电网输变电线路中，可能存在两个输变电设备相邻较近的情况，此时，得到的地理位置信息会处于多个不同种类信息的预设位置区间的相交区域内，即种类信息为大于1，例如种类信息即包括变压器又包括输电塔。
S314，若所述地理位置信息不处于所有的预设位置区间内，则种类信息为0。
可以理解的是，如果地理位置信息不处于所有的预设位置区间内，说明没有对应的输变电设备，或者本方案的预设位置信息表未及时更新，导致没有对应输变电设备的预设位置区间，此时，本方案会确定种类信息为0。
S32，若判断所述种类信息为大于1或所述种类信息为0，则对所述电网输变电图像进行图像识别，得到电网输变电图像的种类信息。
可以理解的是，如果判断种类信息为大于1，说明此处至少有2个输变点设备，种类信息为0，说明此处可能没有输变电设备，也可能有输变电设备，但是没有及时更新预设位置信息表，此时，本方案会对电网输变电图像进行图像识别，得到电网输变电图像的种类信息。
示例性的，本方案对电网输变电图像进行图像识别，可以采用基于Opencv的物体轮廓识别的技术，来识别得到电网输变电图像中的输变电设备的轮廓，让将识别到的轮廓与预设的输变电设备轮廓进行比对，从而得到电网输变电图像的种类信息。例如，如果识别到轮廓为变压器，那么对应的种类信息为变压器，如果未识别到轮廓，那么可以确定该位置处确实没有输变电设备。
S33，若判断无法根据所述图像识别方式得到电网输变电图像的种类信息，则将所述电网输变电图像输出，基于工作人员对所述电网输变电图像进行种类信息的添加。
可以理解的是，如果判断无法根据图像识别方式得到电网输变电图像的种类信息，本方案会将电网输变电图像输出，由工作人员对电网输变电图像进行种类信息的添加。
在一些实施例中，S33（所述若判断无法根据所述图像识别方式得到电网输变电图像的种类信息，则将所述电网输变电图像输出，基于工作人员对所述电网输变电图像进行种类信息的添加）包括S331- S334：
S331，将所添加的种类信息所对应的所有预设位置区间作为第一预设位置区间，获取所述第一预设位置区间的第一范围区间，所述第一范围区间包括第一经度子范围和第一纬度子范围。
例如，工作人员所添加的种类信息可以是变压器，本方案会将所添加的种类信息（变压器）所对应的所有预设位置区间作为第一预设位置区间，例如，该输电线路上有5个变压器，那么本方案会得到5个变压器所对应的5个预设位置区间作为第一预设位置区间，然后得到5个第一预设位置区间的第一范围区间，第一范围区间包括第一经度子范围和第一纬度子范围。
S332，根据所有第一范围区间的第一经度子范围和第一纬度子范围进行计算，得到与所述地理位置信息对应的经度偏移范围和纬度偏移范围。
本方案在得到第一范围区间的第一经度子范围和第一纬度子范围之后，本方案会利用所有第一范围区间的第一经度子范围和第一纬度子范围进行计算，得到与地理位置信息对应的经度偏移范围和纬度偏移范围。
S333，根据所述地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与所述地理位置信息所对应的第二预设位置区间。
在得到地理位置信息、经度偏移范围和纬度偏移范围之后，本方案会对地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与地理位置信息所对应的第二预设位置区间。
在一些实施例中，S333（所述根据所述地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与所述地理位置信息所对应的第二预设位置区间）包括S3331- S3332：
S3331，提取所述地理位置信息中的经度信息和纬度信息，根据所述经度信息、经度偏移范围得到经度区间最大值、经度区间最小值，根据所述纬度信息、纬度偏移范围得到纬度区间最大值、纬度区间最小值。
本方案会提取地理位置信息中的经度信息和纬度信息，然后结合经度信息、经度偏移范围得到经度区间最大值、经度区间最小值，最后结合纬度信息、纬度偏移范围得到纬度区间最大值和纬度区间最小值。
S3332，将所述经度区间最大值、经度区间最小值、纬度区间最大值、纬度区间最小值进行组合得到第二预设位置区间，通过以下公式计算经度区间最大值、经度区间最小值、纬度区间最大值、纬度区间最小值，
Figure 280221DEST_PATH_IMAGE016
其中，
Figure 743563DEST_PATH_IMAGE002
为第二预设位置区间的经度区间最小值，
Figure 556798DEST_PATH_IMAGE003
为地理位置信息中的 经度信息，
Figure 41394DEST_PATH_IMAGE004
为第
Figure 547461DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最大值，
Figure 232521DEST_PATH_IMAGE017
为第
Figure 849447DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最小值，
Figure 936351DEST_PATH_IMAGE007
为第一经度子范围的上限值，
Figure 613320DEST_PATH_IMAGE008
为第 一经度子范围的数量值，
Figure 785676DEST_PATH_IMAGE009
为第二预设位置区间的经度区间最大值，
Figure 206293DEST_PATH_IMAGE010
为第二预 设位置区间的纬度区间最小值，
Figure 413283DEST_PATH_IMAGE011
为第
Figure 510421DEST_PATH_IMAGE012
个第一范围区间的第一纬度子范围的纬度最 大值，
Figure 170073DEST_PATH_IMAGE013
为第
Figure 128801DEST_PATH_IMAGE012
个第一范围区间的第一纬度子范围的纬度最小值，m为第一纬度子范围 的上限值，
Figure 659140DEST_PATH_IMAGE014
为第一纬度子范围的数量值，
Figure 677911DEST_PATH_IMAGE015
为第二预设位置区间的纬度区间最大 值。
上述公式中，
Figure 824859DEST_PATH_IMAGE018
代表第
Figure 587279DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经 度最大值与第
Figure 752550DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最小值的差，
Figure 676643DEST_PATH_IMAGE019
代表 第
Figure 310887DEST_PATH_IMAGE005
个第一范围区间的经度偏移范围；
Figure 611418DEST_PATH_IMAGE020
代表第
Figure 647507DEST_PATH_IMAGE012
个第一范围区间的第一 纬度子范围的纬度最大值与第
Figure 742502DEST_PATH_IMAGE012
个第一范围区间的第一纬度子范围的纬度最小值的差，
Figure 864042DEST_PATH_IMAGE021
代表第
Figure 968264DEST_PATH_IMAGE022
个第一范围区间的纬度偏移范围。在得到经度偏移范围和纬度偏移范 围后，本方案结合地理位置信息中的经度信息和纬度信息，得到经度区间最大值、经度区间 最小值，最后结合纬度信息、纬度偏移范围得到纬度区间最大值和纬度区间最小值。
S334，将添加的种类信息、第二预设位置区间对应存储于预设位置信息表内，对所述预设位置信息表更新处理。
本方案在得到第二预设位置区间后，将所添加的种类信息、第二预设位置区间对应存储于预设位置信息表内，对预设位置信息表更新处理。可以理解的是，本方案通过上述方式，在下一次进行位置比对时，可以通过更新后的预设位置信息表进行比对，以匹配到对应的变电设备。
S4，根据电网输变电图像所对应的时间维度信息和/或地理维度信息，确定相对应的隐藏神经元的权重，输入神经元将所述电网输变电图像输入至相对应的隐藏神经元。
需要说明的是，在一些场景下，本方案会采用多个隐藏神经元来对输入的数据进行判断，例如，针对悬挂物的类型，本方案可以采用2个隐藏神经元进行判断，一个隐藏神经元用来判断是否为悬挂的塑料袋、衣物等杂物，另一个隐藏神经元用来判断是否为悬挂的冰块，在不同的时间和空间下，对应的隐藏神经元的权重是不同的，依次来输出相对准确的判断结果。
本方案会结合时间维度信息和/或地理维度信息，确定相对应的隐藏神经元的权重。
在一些实施例中，所述S4包括S41- S42：
S41，调取预先设置的权重对应表，所述权重对应表中包括多个权重对应单元，每个权重对应单元对应一个隐藏神经元，所述权重对应单元包括相应的隐藏神经元，在不同的时间维度信息和/或地理维度信息下所对应的权重。
本方案设置有权重对应表，权重对应表中包括多个权重对应单元，每个权重对应单元对应一个隐藏神经元，权重对应单元包括相应的隐藏神经元，在不同的时间维度信息和/或地理维度信息下所对应的权重。
示例性的，参见下表，为判断悬挂物是否为悬挂的冰块的隐藏神经元所对应的权重对应表：
权重 时间维度信息 地理维度信息
0.7 1-12月 东北
0 4-10月 海南
0.6 12-3月 海南
S42，将电网输变电图像所对应的时间维度信息和/或地理维度信息，与相应权重对应表的权重对应单元进行比对，得到所有隐藏神经元的权重。
本方案可以将电网输变电图像所对应的时间维度信息和/或地理维度信息，与相应权重对应表的权重对应单元进行比对，得到所有隐藏神经元的权重。
S5，隐藏神经元将所述电网输变电图像与预设输变电图像进行比对，得到图像比对结果，将所述图像比对结果输出至相对应的输出神经元。
本方案的隐藏神经元会将电网输变电图像与预设输变电图像进行比对，得到图像比对结果，然后将图像比对结果输出至相对应的输出神经元。
所述S5包括S51- S54：
S51，隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像。
本方案的电网输变电图像为白光图像和/或红外图像。当为白光图像时，本方案对应的隐藏神经元会对电网输变电图像内的输变电设备进行识别得到第一白光图像信息，当为红外图像时，本方案对应的隐藏神经元会对电网输变电图像内的输变电设备进行识别得到第一红外图像信息。可以理解的是，对白光图像进行识别，可以判断是否有悬挂物，对红外图像进行识别，可以判断变电设备是否过温。
在一些实施例中，S51（所述隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像）包括S511- S513：
S511，若所述电网输变电图像为白光图像，则选中所述电网输变电图像中处于第一预设像素值区间内的所有像素点作为第一像素点。
可以理解的是，如果电网输变电图像为白光图像，本方案会选中电网输变电图像中处于第一预设像素值区间内的所有像素点作为第一像素点。
其中，第一预设像素值区间可以是变电设备所对应的区间，例如，输电塔的表面为黑色，那么第一预设像素值区间可以是对应黑色的像素值区间，本方案会将处于第一预设像素值区间内的所有像素点作为第一像素点。
S512，统计电网输变电图像内所有直接或间接连接的第一像素点，根据所有第一像素点以及第一像素点所完全包围的区域得到至少一个第一感兴趣区域。
本方案会统计电网输变电图像内所有直接或间接连接的第一像素点，得到至少一个第一感兴趣区域。可以理解的是，当变电设备上没有杂物时，第一感兴趣区域为变电设备区域；当变电设备上有杂物时，第一感兴趣区域为变电设备以及位于变电设备上的杂物区域。其中，当杂物覆盖于变电设备上时，其所对应的区域为第一像素点所完全包围的区域。
S513，将所述第一感兴趣区域所对应的图像信息作为第一白光图像信息。
本方案在得到第一感兴趣区域后，会将第一感兴趣区域所对应的图像信息作为第一白光图像信息。
在另一些实施例中，S51（所述隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像）包括S514- S515：
S514，若所述电网输变电图像为红外图像，则选中所述电网输变电图像中处于第二预设像素值区间内的所有像素点作为第二像素点。
当电网输变电图像为红外图像时，本方案会选中电网输变电图像中处于第二预设像素值区间内的所有像素点作为第二像素点。其中，第二预设像素值区间为变电设备中发热区域所对应的像素值区间，本方案可以将变电设备中发热区域所对应的像素点选中，作为第二像素点。
S515，统计电网输变电图像内所有第二像素点的像素灰度值，将所有第二像素点的像素灰度值作为第一红外图像信息。
本方案会统计电网输变电图像内所有第二像素点的像素灰度值，像素灰度值为对应像素点的亮度，可以理解的是，温度越高，所对应的亮度也就越高，本方案会将所有第二像素点的像素灰度值作为第一红外图像信息。还可以理解的是，本方案可以通过第一红外图像信息得知变电设备是否温度过高。
S52，将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果；
在得到第一白光图像信息和第一红外图像信息后，本方案会将第一白光图像信息与预设白光图像信息比对，和/或将第一红外图像信息与预设红外图像信息比对，得到图像比对结果。其中，预设白光图像信息可以是没有悬挂物状态的变电设备所对应的白光图像信息，预设红外图像信息可以是变电设备处于正常温度状态时所对应的红外图像信息。
在一些实施例中，S52（所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果）包括S521-S523：
S521，提取所述第一感兴趣区域的所有边缘像素点得到第一设备轮廓。
可以理解的是，第一感兴趣区域为白光图像，本方案会提取第一感兴趣区域的所有边缘像素点得到第一设备轮廓。例如得到一个变压器的轮廓，需要说明的是，变压器上悬挂有杂物时，对应的第一感兴趣区域也会有杂物所对应的区域，因此，本方案也会提取到杂物的轮廓。
S522，提取所述预设白光图像信息所对应的第二设备轮廓，每个预设白光图像信息具有与其预先对应设置的第二设备轮廓。
可以理解的是，预设白光图像信息为预先设置好的，本方案会提取预设白光图像信息所对应的第二设备轮廓，每个预设白光图像信息具有与其预先对应设置的第二设备轮廓。例如，变压器具有与其相对应的第二设备轮廓。
S523，若判断所述第一设备轮廓和第二设备轮廓相对应，则输出轮廓正常子结果，否则输出轮廓不正常子结果。
可以理解的是，如果判断第一设备轮廓和第二设备轮廓相对应，说明变电设备上没有其他物体，为正常现象，此时可以输出轮廓正常子结果；当判断第一设备轮廓和第二设备轮廓不对应，说明变电设备上有其他物体，例如变电设备上有冰挂，为不正常现象，此时可以输出轮廓不正常子结果。
在另一些实施例中，S52（所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果）包括S524- S525：
S524，提取所述第一感兴趣区域的所有像素点，若判断第一感兴趣区域的所有像素点中存在与预设像素值区间内不对应的像素点，则输出物体不正常子结果，此时不对应的像素点被多个第一像素点包围。
本方案还会提取第一感兴趣区域内的所有像素点，然后判断第一感兴趣区域的所有像素点中是否存在与预设像素值区间内不对应的像素点，如果存在，说明变电设备上具有覆盖物，此时，本方案会输出物体不正常子结果，此时不对应的像素点被多个第一像素点包围。
S525，若判断第一感兴趣区域的所有像素点均为与预设像素值区间对应的像素点，则输出物体正常子结果。
可以理解的是，如果判断第一感兴趣区域的所有像素点均为与预设像素值区间对应的像素点，说明第一感兴趣区域内没有其他物品，都是变电设备所对应的像素点，此时本方案会输出物体正常子结果。
在又一些实施例中，S52（所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果）包括S526- S529：
S526，根据所有第二像素点的像素灰度值进行计算，得到平均灰度像素值。
在得到第二像素点的像素灰度值后，本方案会对所有第二像素点的像素灰度值进行加权平均计算，得到平均灰度像素值。
S527，统计预设红外图像信息内位于第二预设像素值区间内的所有像素点作为比对像素点，根据所有比对像素点的像素灰度值进行计算，得到比对灰度像素值。
本方案会统计预设红外图像信息内位于第二预设像素值区间内的所有像素点作为比对像素点，然后对所有比对像素点的像素灰度值进行计算，得到比对灰度像素值。
S528，若所述平均灰度像素值和比对灰度像素值的差值小于等于比对预设值，则输出温度正常子结果。
可以理解的是，如果平均灰度像素值和比对灰度像素值的差值小于等于比对预设值，说明变电设备当前的温度在正常温度区间内，此时，本方案可以输出温度正常子结果。
S529，若所述平均灰度像素值和比对灰度像素值的差值大于比对预设值，则输出温度异常子结果。
可以理解的是，如果平均灰度像素值和比对灰度像素值的差值大于比对预设值，说明变电设备当前的温度高于了正常温度内，此时，本方案可以输出温度异常子结果。
S53，若判断所述图像比对结果为正常结果，则将相应图像比对结果输出至正常结果所对应的输出神经元。
可以理解的是，本方案的神经网络中，可以设置对应输出正常结果的输出神经元，以及设置对应输出异常结果的输出神经元。如果图像比对结果为正常结果，则将相应图像的比对结果输出至正常结果所对应的输出神经元。
S54，若判断所述图像比对结果为异常结果，则将相应图像比对结果输出至异常结果所对应的输出神经元。
如果所述图像比对结果为异常结果，本方案会将相应图像比对结果输出至异常结果所对应的输出神经元。
S6，输出神经元统计所有隐藏神经元的图像比对结果，根据所述图像比对结果、隐藏神经元的权重生成最终的电网输变电监测结果。
本方案的输出神经元会统计所有的隐藏神经元的图像比对结果，然后利用图像比对结果、隐藏神经元的权重生成较为准确的最终的电网输变电监测结果。
在一些实施例中，所述S6包括S61- S64：
S61，若正常结果所对应的正常输出神经元接收了所有隐藏神经元输出的正常子结果，则输出神经元直接输出为正常的电网输变电监测结果。
可以理解的是，如果正常结果所对应的正常输出神经元接收了所有隐藏神经元输出的正常子结果，说明所有的比对结果都是正常的，例如变电设备没有悬挂物，也没过温，此时，本方案的输出神经元直接输出为正常的电网输变电监测结果即可。
S62，若异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且不具有互斥的异常子结果，则异常输出神经元将所有的异常子结果输出。
可以理解的是，如果异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且不具有互斥的异常子结果，本方案会将异常输出神经元将所有的异常子结果输出。
示例性的，一个隐藏神经元输出的异常子结果为变压器上悬挂有塑料袋，另一个隐藏神经元输出的异常子结果为变压器过温，此时，变压器上悬挂有塑料袋和变压器过温两个异常子结果之间是不互斥的，本方案可以的异常输出神经元可以将所有的异常子结果输出。
S63，若异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且具有互斥的异常子结果，则异常输出神经元调取互斥的隐藏神经元所对应的权重，确定互斥的异常子结果中权重最大的异常子结果。
示例性的，一个隐藏神经元输出的异常子结果为变压器上悬挂有塑料袋，另一个隐藏神经元输出的异常子结果为变压器上悬挂有冰块，此时，变压器上悬挂有塑料袋和变压器上悬挂有冰块两个异常子结果之间是互斥的，本方案的异常输出神经元会调取互斥的隐藏神经元所对应的权重，确定互斥的异常子结果中权重最大的异常子结果。可以理解的是，权重最大的，说明所对应的结果的可能性最高。例如，在12月的东北，悬挂物为冰块的权重最大，说明此时悬挂物为冰块的可能性最大，那么本方案可以输出悬挂物为冰块的异常子结果。需要说明的是，该异常子结果不一定是最准确的结果，但是在当前场景下，是可能性最大的结果，该结果输出后，可以协助工作人员进行相应的判断。
S64，将权重最大的异常子结果、非互斥的异常子结果输出。
在得到权重最大的异常子结果、非互斥的异常子结果后，本方案可以将权重最大的异常子结果、非互斥的异常子结果输出，对工作人员进行及时的提醒。
最后需要说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (14)

1.基于神经网络的电网输变电图像数据处理方法，其特征在于，包括：
S1，初始化进行图像处理的神经网络，所述神经网络包括依次连接的输入层、隐藏层以及输出层，所述输入层、隐藏层以及输出层分别具有相对应输入神经元、隐藏神经元以及输出神经元；
S2，根据配置数据对所有的输入神经元、隐藏神经元以及输出神经元进行归类，将属于相同类别的输入神经元、隐藏神经元以及输出神经元一一连接；
S3，服务端实时接收采集端所发送的电网输变电图像，神经网络的输入层根据所述电网输变电图像的种类信息确定与其相对应的输入神经元；
S4，根据电网输变电图像所对应的时间维度信息和/或地理维度信息，确定相对应的隐藏神经元的权重，输入神经元将所述电网输变电图像输入至相对应的隐藏神经元；
S5，隐藏神经元将所述电网输变电图像与预设输变电图像进行比对，得到图像比对结果，将所述图像比对结果输出至相对应的输出神经元；
S6，输出神经元统计所有隐藏神经元的图像比对结果，根据所述图像比对结果、隐藏神经元的权重生成最终的电网输变电监测结果。
2.根据权利要求1所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述S2包括：
提取所述配置数据中的输变电设备种类，根据所述输变电设备种类对所有的输入神经元进行划分，以使每个输入神经元对应不同的输变电设备种类；
提取所述配置数据中每个输变电设备种类所对应的故障种类，根据所述故障种类建立不同的隐藏神经元，将所述隐藏神经元与相应的输入神经元一一连接；
提取所述配置数据中每个输变电设备种类所对应的故障结果，根据所述故障结果建立不同的输出神经元，将所述输出神经元与相应的隐藏神经元连接。
3.根据权利要求2所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述S3包括：
服务端实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，将所述地理位置信息与预设位置信息表进行比对，得到相对应的所述电网输变电图像的种类信息；
若判断所述种类信息为大于1或所述种类信息为0，则对所述电网输变电图像进行图像识别，得到电网输变电图像的种类信息；
若判断无法根据所述图像识别方式得到电网输变电图像的种类信息，则将所述电网输变电图像输出，基于工作人员对所述电网输变电图像进行种类信息的添加。
4.根据权利要求3所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述服务端实时接收采集端所发送的电网输变电图像、以及相应采集端所处的地理位置信息，将所述地理位置信息与预设位置信息表进行比对，得到相对应的所述电网输变电图像的种类信息，包括：
确定预设位置信息表中与所述地理位置信息所对应的预设位置区间，所述预设位置信息表中具有多个预设位置区间，以及每个预设位置区间与种类信息的对应关系；
若所述地理位置信息处于1个预设位置区间内，则将1个预设位置区间所对应的种类信息作为相应电网输变电图像的种类信息；
若所述地理位置信息处于多个不同种类信息的预设位置区间的相交区域内，则种类信息为大于1；
若所述地理位置信息不处于所有的预设位置区间内，则种类信息为0。
5.根据权利要求4所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述若判断无法根据所述图像识别方式得到电网输变电图像的种类信息，则将所述电网输变电图像输出，基于工作人员对所述电网输变电图像进行种类信息的添加，包括：
将所添加的种类信息所对应的所有预设位置区间作为第一预设位置区间，获取所述第一预设位置区间的第一范围区间，所述第一范围区间包括第一经度子范围和第一纬度子范围；
根据所有第一范围区间的第一经度子范围和第一纬度子范围进行计算，得到与所述地理位置信息对应的经度偏移范围和纬度偏移范围；
根据所述地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与所述地理位置信息所对应的第二预设位置区间；
将添加的种类信息、第二预设位置区间对应存储于预设位置信息表内，对所述预设位置信息表更新处理。
6.根据权利要求5所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述根据所述地理位置信息、经度偏移范围和纬度偏移范围进行计算，得到与所述地理位置信息所对应的第二预设位置区间，包括：
提取所述地理位置信息中的经度信息和纬度信息，根据所述经度信息、经度偏移范围得到经度区间最大值、经度区间最小值，根据所述纬度信息、纬度偏移范围得到纬度区间最大值、纬度区间最小值；
将所述经度区间最大值、经度区间最小值、纬度区间最大值、纬度区间最小值进行组合得到第二预设位置区间，通过以下公式计算经度区间最大值、经度区间最小值、纬度区间最大值、纬度区间最小值，
Figure 576687DEST_PATH_IMAGE001
其中，
Figure 228248DEST_PATH_IMAGE002
为第二预设位置区间的经度区间最小值，
Figure 476827DEST_PATH_IMAGE003
为地理位置信息中的经度信息，
Figure 606457DEST_PATH_IMAGE004
为第
Figure 155250DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最大值，
Figure 712133DEST_PATH_IMAGE006
为第
Figure 713587DEST_PATH_IMAGE005
个第一范围区间的第一经度子范围的经度最小值，
Figure 899106DEST_PATH_IMAGE007
为第一经度子范围的上限值，
Figure 302405DEST_PATH_IMAGE008
为第一经度子范围的数量值，
Figure 30190DEST_PATH_IMAGE009
为第二预设位置区间的经度区间最大值，
Figure 518940DEST_PATH_IMAGE010
为第二预设位置区间的纬度区间最小值，
Figure 990372DEST_PATH_IMAGE011
为第
Figure 248178DEST_PATH_IMAGE012
个第一范围区间的第一纬度子范围的纬度最大值，
Figure 412444DEST_PATH_IMAGE013
为第
Figure 388490DEST_PATH_IMAGE014
个第一范围区间的第一纬度子范围的纬度最小值，m为第一纬度子范围的上限值，
Figure 647302DEST_PATH_IMAGE015
为第一纬度子范围的数量值，
Figure 25193DEST_PATH_IMAGE016
为第二预设位置区间的纬度区间最大值。
7.根据权利要求1所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述S4包括：
调取预先设置的权重对应表，所述权重对应表中包括多个权重对应单元，每个权重对应单元对应一个隐藏神经元，所述权重对应单元包括相应的隐藏神经元，在不同的时间维度信息和/或地理维度信息下所对应的权重；
将电网输变电图像所对应的时间维度信息和/或地理维度信息，与相应权重对应表的权重对应单元进行比对，得到所有隐藏神经元的权重。
8.根据权利要求7所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述S5包括：
隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像；
将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果；
若判断所述图像比对结果为正常结果，则将相应图像比对结果输出至正常结果所对应的输出神经元；
若判断所述图像比对结果为异常结果，则将相应图像比对结果输出至异常结果所对应的输出神经元。
9.根据权利要求8所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像，包括：
若所述电网输变电图像为白光图像；
则选中所述电网输变电图像中处于第一预设像素值区间内的所有像素点作为第一像素点；
统计电网输变电图像内所有直接或间接连接的第一像素点，根据所有第一像素点以及第一像素点所完全包围的区域得到至少一个第一感兴趣区域；
将所述第一感兴趣区域所对应的图像信息作为第一白光图像信息。
10.根据权利要求9所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述隐藏神经元对所述电网输变电图像内的输变电设备进行识别得到第一白光图像信息和/或第一红外图像信息，所述电网输变电图像为白光图像和/或红外图像，包括：
若所述电网输变电图像为红外图像；
则选中所述电网输变电图像中处于第二预设像素值区间内的所有像素点作为第二像素点；
统计电网输变电图像内所有第二像素点的像素灰度值，将所有第二像素点的像素灰度值作为第一红外图像信息。
11.根据权利要求10所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果，包括：
提取所述第一感兴趣区域的所有边缘像素点得到第一设备轮廓；
提取所述预设白光图像信息所对应的第二设备轮廓，每个预设白光图像信息具有与其预先对应设置的第二设备轮廓；
若判断所述第一设备轮廓和第二设备轮廓相对应，则输出轮廓正常子结果，否则输出轮廓不正常子结果。
12.根据权利要求11所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果，包括：
提取所述第一感兴趣区域的所有像素点，若判断第一感兴趣区域的所有像素点中存在与预设像素值区间内不对应的像素点，则输出物体不正常子结果，此时不对应的像素点被多个第一像素点包围；
若判断第一感兴趣区域的所有像素点均为与预设像素值区间对应的像素点，则输出物体正常子结果。
13.根据权利要求12所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述将所述第一白光图像信息与预设白光图像信息比对，和/或将所述第一红外图像信息与预设红外图像信息比对，得到图像比对结果，包括：
根据所有第二像素点的像素灰度值进行计算，得到平均灰度像素值；
统计预设红外图像信息内位于第二预设像素值区间内的所有像素点作为比对像素点，根据所有比对像素点的像素灰度值进行计算，得到比对灰度像素值；
若所述平均灰度像素值和比对灰度像素值的差值小于等于比对预设值，则输出温度正常子结果；
若所述平均灰度像素值和比对灰度像素值的差值大于比对预设值，则输出温度异常子结果。
14.根据权利要求13所述的基于神经网络的电网输变电图像数据处理方法，其特征在于，
所述S6包括：
若正常结果所对应的正常输出神经元接收了所有隐藏神经元输出的正常子结果，则输出神经元直接输出为正常的电网输变电监测结果；
若异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且不具有互斥的异常子结果，则异常输出神经元将所有的异常子结果输出；
若异常结果所对应的异常输出神经元接收了隐藏神经元输出的异常子结果，且具有互斥的异常子结果，则异常输出神经元调取互斥的隐藏神经元所对应的权重，确定互斥的异常子结果中权重最大的异常子结果；
将权重最大的异常子结果、非互斥的异常子结果输出。
CN202211221948.0A 2022-10-08 2022-10-08 基于神经网络的电网输变电图像数据处理方法 Active CN115294411B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211221948.0A CN115294411B (zh) 2022-10-08 2022-10-08 基于神经网络的电网输变电图像数据处理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211221948.0A CN115294411B (zh) 2022-10-08 2022-10-08 基于神经网络的电网输变电图像数据处理方法

Publications (2)

Publication Number Publication Date
CN115294411A true CN115294411A (zh) 2022-11-04
CN115294411B CN115294411B (zh) 2022-12-30

Family

ID=83834716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211221948.0A Active CN115294411B (zh) 2022-10-08 2022-10-08 基于神经网络的电网输变电图像数据处理方法

Country Status (1)

Country Link
CN (1) CN115294411B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051497A (zh) * 2023-01-04 2023-05-02 杭州启泰信息科技有限公司 基于数据处理的电网输变电图像智能分析方法

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105978144A (zh) * 2016-05-17 2016-09-28 南宁正相电气科技有限公司 基于app平台报警的自巡航变电站红外监控***
CN109146062A (zh) * 2018-08-14 2019-01-04 视云融聚（广州）科技有限公司 一种视频神经元节点的空间重构方法
CN109784225A (zh) * 2018-12-28 2019-05-21 南京大学 一种基于可达空间的地理空间模式识别方法
EP3576019A1 (en) * 2018-05-29 2019-12-04 Nokia Technologies Oy Artificial neural networks
CN110674931A (zh) * 2019-09-29 2020-01-10 河海大学常州校区 一种基于权重重要性的全连接神经网络优化方法和装置
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111797986A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN111813130A (zh) * 2020-08-19 2020-10-23 江南大学 一种输变电站智能巡检机器人自主导航避障***
CN112784976A (zh) * 2021-01-15 2021-05-11 中山大学 一种基于脉冲神经网络的图像识别***及方法
CN112906769A (zh) * 2021-02-04 2021-06-04 国网河南省电力公司电力科学研究院 一种基于CycleGAN的输变电设备图像缺陷样本增广方法
CN114091549A (zh) * 2021-09-28 2022-02-25 国网江苏省电力有限公司苏州供电分公司 一种基于深度残差网络的设备故障诊断方法
CN114266387A (zh) * 2021-12-02 2022-04-01 国网宁夏电力有限公司经济技术研究院 一种输变电工程工期预测方法、***、设备及存储介质
CN114399496A (zh) * 2022-01-17 2022-04-26 浙江大立科技股份有限公司 从红外图像中自动识别电网设备的方法及装置
CN114881225A (zh) * 2022-04-24 2022-08-09 中国电力科学研究院有限公司 输变电巡检模型网络结构搜索方法、***及存储介质

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105978144A (zh) * 2016-05-17 2016-09-28 南宁正相电气科技有限公司 基于app平台报警的自巡航变电站红外监控***
EP3576019A1 (en) * 2018-05-29 2019-12-04 Nokia Technologies Oy Artificial neural networks
CN109146062A (zh) * 2018-08-14 2019-01-04 视云融聚（广州）科技有限公司 一种视频神经元节点的空间重构方法
CN109784225A (zh) * 2018-12-28 2019-05-21 南京大学 一种基于可达空间的地理空间模式识别方法
CN111797986A (zh) * 2019-04-09 2020-10-20 Oppo广东移动通信有限公司 数据处理方法、装置、存储介质及电子设备
CN110674931A (zh) * 2019-09-29 2020-01-10 河海大学常州校区 一种基于权重重要性的全连接神经网络优化方法和装置
CN110929847A (zh) * 2019-11-15 2020-03-27 国网浙江省电力有限公司电力科学研究院 一种基于深度卷积神经网络的换流变压器故障诊断方法
CN111813130A (zh) * 2020-08-19 2020-10-23 江南大学 一种输变电站智能巡检机器人自主导航避障***
CN112784976A (zh) * 2021-01-15 2021-05-11 中山大学 一种基于脉冲神经网络的图像识别***及方法
CN112906769A (zh) * 2021-02-04 2021-06-04 国网河南省电力公司电力科学研究院 一种基于CycleGAN的输变电设备图像缺陷样本增广方法
CN114091549A (zh) * 2021-09-28 2022-02-25 国网江苏省电力有限公司苏州供电分公司 一种基于深度残差网络的设备故障诊断方法
CN114266387A (zh) * 2021-12-02 2022-04-01 国网宁夏电力有限公司经济技术研究院 一种输变电工程工期预测方法、***、设备及存储介质
CN114399496A (zh) * 2022-01-17 2022-04-26 浙江大立科技股份有限公司 从红外图像中自动识别电网设备的方法及装置
CN114881225A (zh) * 2022-04-24 2022-08-09 中国电力科学研究院有限公司 输变电巡检模型网络结构搜索方法、***及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YI-CHI 等: "Application of Back Propagation Neuron Network on Data Linkage Transmission of Semiconductor Hydrogen Detection Device", 《2017 IEEE 8TH INTERNATIONAL CONFERENCE ON AWARENESS SCIENCE AND TECHNOLOGY》 *
张慧娜 等: "基于Haar－CNN模型的自然场景图像分类的研究", 《四川师范大学学报( 自然科学版)》 *
王孝余 等: "一种基于监督学习的输电线监测中杆塔的检测方法", 《东北电力技术》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116051497A (zh) * 2023-01-04 2023-05-02 杭州启泰信息科技有限公司 基于数据处理的电网输变电图像智能分析方法

Also Published As

Publication number Publication date
CN115294411B (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
CN111259892B (zh) 一种指示灯状态的巡检方法、装置、设备和介质
CN108898077B (zh) 电力设备红外热图的识别方法和电力设备红外识别***
CN110781914B (zh) 一种设备故障的监控处理方法、装置、设备和存储介质
CN109101906A (zh) 一种变电站电力设备红外图像异常实时检测方法及装置
CN109858367B (zh) 工人通过支撑不安全行为的视觉自动化检测方法及***
CN106327062A (zh) 一种配电网设备的状态评估方法
CN115294411B (zh) 基于神经网络的电网输变电图像数据处理方法
CN111428617A (zh) 一种基于视频图像的配网违规检修行为的识别方法和***
CN111209832B (zh) 变电站巡检机器人辅助避障训练方法、设备及介质
CN112290546B (zh) 一种基于人机共融的变电站一次设备故障判别方法
CN106936517A (zh) 一种异常无线电信号的自动识别***及其方法
CN103049739A (zh) 一种输电线路智能监控中树木检测方法
CN112461828A (zh) 一种基于卷积神经网络的病虫害智能测报预警***
CN112200263B (zh) 一种应用于配电物联网的自组织联邦聚类方法
CN117370919B (zh) 污水处理设备远程监控***
CN117057644A (zh) 一种基于特性匹配的设备生产质量检测方法及***
CN112734637B (zh) 一种导线温度监测的热红外图像处理方法和***
CN116559713A (zh) 通信基站电源智能监控方法及装置
CN113762115B (zh) 一种基于关键点检测的配网作业人员行为检测方法
CN113361968B (zh) 基于人工智能和大数据的电网基建人员安全风险评估方法
CN115018777A (zh) 电网设备状态评估方法、装置、计算机设备和存储介质
CN114936614A (zh) 一种基于神经网络的作业风险识别方法及***
CN115146715A (zh) 用电安全隐患诊断方法、装置、设备及存储介质
CN113450347A (zh) 输电铁塔的组塔进度识别方法
CN110196152A (zh) 基于机器视觉的大型景观灯组的故障诊断方法与***

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