[发明专利]基于深度学习的变压器巡检图像智能识别和故障检测系统

说明书

本发明公开了一种基于深度学习的变压器巡检图像智能识别和故障检测系统，包括依次位于存储层、建模层和应用层的图像存储和标定模块、深度学习模块以及故障检测模块；图像存储和标定模块从电网信息系统中获取海量巡检图片并进行分布式的存储，将巡检图片中各个部件、正常/故障状态下变压器图像中各个部件进行标定并分别形成部件特征集、正常状态特征集和故障状态特征集；特征数据集传入深度学习模块，深度学习模块构建和训练卷积神经网络，得到训练结果；故障检测模块利用训练结果依次进行部件识别、故障识别和推送结论。本发明与人工识别方式相比，大大提升变压器巡检图像的识别效率和准确度。

技术领域

本发明涉及数字图像识别技术领域，更具体地说，涉及一种基于深度学习的变压器巡检图像智能识别和故障检测系统。

背景技术

变电设备巡检是保障变电站安全运行的一项重要制度。鉴于传统人工巡检存在的工作量大、作业危险度高、受巡检员的经验等主观因素影响大、手工记录难以保存等问题，越来越多的智能巡检系统在变电站中实际应用，有效地提高了设备巡检工作的效率，降低了运维人员的劳动强度和风险，为变电站无人值守提供强有力的技术支撑。巡检机器人、巡检无人机、视频在线监测系统产生了海量的可见光图像，提供了对变压器外观特征进行监控和分析的基础；但目前外观故障检测主要还是采取人工分析的方式，不但工作量大，而且易发生严重的检测误判或漏判情况，难以准确发现安全隐患。

目前图像识别技术已经在电力设备目标智能识别和故障检测领域开始应用，但现有的电力设备图像识别技术很多是在实验室环境下进行，具有很大局限性，主要表现在：

(1)不同角度、不同高度、不同距离拍摄的图片成像特征差异较大，传统图像识别方式能够利用的图片范围较窄；

(2)恶劣天气条件、光照与阴影、背景设施和景物的干扰，降低了图像的可识别性；

(3)关键部件在整个变压器图像中占比较小，故障信息提取效率低。

发明内容

本发明要解决的技术问题在于，提供一种基于深度学习的变压器巡检图像智能识别和故障检测系统。

本发明解决其技术问题所采用的技术方案是：构造一种基于深度学习的变压器巡检图像智能识别和故障检测系统，包括依次位于存储层、建模层和应用层的图像存储和标定模块、深度学习模块以及故障检测模块；其中，所述图像存储和标定模块采用HDFS文件系统，所述HDFS文件系统从电网信息系统中获取海量巡检图片并进行分布式的存储，所述图像存储和标定模块采用LabelMe作为标定工具，将巡检图片中各个部件、正常状态下变压器图像中各个部件、故障状态下变压器图像中各个部件进行标定并分别形成部件特征集、正常状态特征集和故障状态特征集3种特征数据集；3种所述特征数据集传入深度学习模块，所述深度学习模块构建和训练卷积神经网络，得到训练结果；所述故障检测模块利用训练结果对待识别图集进行检测，先自动识别巡检图片中变压器各个部件，再对每个部件的故障状态进行判断，记录存在故障的巡检图片并生成故障识别结论。

在上述方案中，所述卷积神经网络包括依次相连的输入层、卷积层C1、下采样层S2、卷积层C3、下采样层S4、卷积层C5、F6层和输出层，每层都包含可训练参数并具有多个特征映射图，每个特征映射图具有多个神经元，每个特征映射图通过一种卷积滤波器提取输入的一种特征。卷积神经网络是人工神经网络的一种，它的权值共享网络结构使之更类似于生物神经网络，降低网络模型的复杂度，减少权值的数量。巡检图片可以直接作为卷积神经网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程。在本发明中，卷积神经网络是为识别二维形状而特殊设计的一个多层感知器，这种网络结构对平移、比例缩放、倾斜或者共他形式的变形具有高度不变性。

在上述方案中，所述LabelMe是图像标注工具，用于创建定制化标注方法或执行图像标注任务。LabelMe是麻省理工学院计算机科学和人工智能实验室用于辅助计算机视觉研究而对外开放的图像标注工具。