[发明专利]一种电力设备热故障诊断方法、系统及电子设备

权利要求书

1.一种电力设备热故障诊断方法，其特征在于，包括：

步骤a：采集电力设备的红外图像，根据所述红外图像构建卷积神经网络模型；

步骤b：将待检测红外图像输入所述卷积神经网络模型，通过所述卷积神经网络模型识别出所述待检测红外图像中的温度标尺和电力设备；

步骤c：根据所识别的温度标尺像素点的RGB值及温度标尺上下界生成RGB值与温度参照表，并提取所识别的电力设备的RGB值，将提取的RGB值与所述RGB值与温度参照表中的RGB值进行比对，得到所识别的电力设备的温度结果；

步骤d：根据电网系统诊断标准对所识别的电力设备的温度结果进行诊断，判断该电力设备是否出现热故障。

2.根据权利要求1所述的电力设备热故障诊断方法，其特征在于，在所述步骤a中，所述根据所述红外图像构建卷积神经网络模型还包括：根据采集的红外图像制作训练样本，根据所述训练样本构建卷积神经网络模型。

3.根据权利要求2所述的电力设备热故障诊断方法，其特征在于，所述根据采集的红外图像制作训练样本具体包括：分别标注每幅红外图像中的电力设备所在矩形框的四个顶点坐标，根据电力设备类型设定对应矩形框的标签，根据图片名、电力设备所在矩形框的四个顶点坐标以及矩形框标签生成每幅红外图像的标注数据。

4.根据权利要求2或3所述的电力设备热故障诊断方法，其特征在于，在所述步骤a中，所述卷积神经网络模型包括RPN卷积神经网络和Fast-RCNN卷积神经网络，所述RPN卷积神经网络用于处理训练样本，得到红外图像中的目标候选区域；所述目标候选区域作为Fast-RCNN卷积神经网络的输入，根据Fast-RCNN卷积神经网络输出的置信度识别目标候选区域内的温度标尺和电力设备。

5.根据权利要求4所述的电力设备热故障诊断方法，其特征在于，在所述步骤a后还包括：对所述卷积神经网络模型进行训练；所述对所述卷积神经网络模型进行训练具体为：

步骤a1：用小随机数初始化所述RPN卷积神经网络中的训练参数；

步骤a2：将训练样本输入到初始化后的RPN卷积神经网络中，进行前向传播，计算判别类别和矩形框标签的Softmax损失值，计算目标候选区域参数和电力设备所在矩形框的SmoothL1损失值；

步骤a3：采用随机梯度下降算法，分别计算RPN卷积神经网络中每一层代价函数梯度值，用梯度值更新RPN卷积神经网络中的训练参数；

步骤a4：采用反向传播BP算法，计算RPN卷积神经网络中每一层的误差灵敏度，用误差灵敏度调整RPN卷积神经网络的训练参数，使Softmax损失值和SmoothL1损失值最小，得到训练好的RPN卷积神经网络；

步骤a5：将训练样本输入训练好的RPN卷积神经网络，得到初始目标候选区域；

步骤a6：以RPN卷积神经网络的输出和样本数据对Fast-RCNN卷积神经网络进行训练，得到训练好的Fast-RCNN卷积神经网络，并得到五层共享卷积层的网络参数；

步骤a7：使用五层共享卷积层的网络参数重新初始化RPN卷积神经网络后，输入训练样本重新训练RPN卷积神经网络，并输出新的目标候选区域；

步骤a8：使用所述五层共享卷积层的网络参数重新初始化Fast-RCNN卷积神经网络，并使用新的目标候选区域和样本数据重新训练Fast-RCNN卷积神经网络，得到训练好的Fast-RCNN卷积神经网络的网络参数。