[发明专利]基于深度学习的变电站设备检测方法及装置

说明书

本发明公开了基于深度学习的变电站设备检测方法及装置，其方法包括以下步骤：采集包含变电站设备的物理分合闸位置的多幅图像，对图像进行标注并预处理，制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；利用py faster rcnn深度卷积网络训练变电站设备检测神经网络模型，利用训练好的网络模型进行测试，得到变电站设备的设备类别和物理分合闸位置识别结果。本发明提供的基于深度学习的变电站设备检测方法及装置，能对变电站设备类别及物理分合闸状态进行高效自动检测，识别结果准确率高，实用性和可操作性强。

技术领域

本发明涉及图像处理技术领域，尤其是涉及基于深度学习的变电站设备检测方法及装置。

背景技术

在变电站中，设备状态是变电运行人员日常工作中重点关注的内容之一，其与整个电网乃至电力系统的安全稳定运行密切相关。变电站一次设备作为承载高电压、允许大电流通过的物理载体，其物理分合闸位置是反映带电一次设备的连接部分工作情况的直接依据，主要包括户外隔离开关及其附属接地刀闸的合上及断开位置。

在以往的运行工作中，变电运行人员主要通过后台监控系统检查现场设备经过二次回路辅助节点上传的位置信号来判断物理分合闸位置，并人工到达设备现场进行再次核对，但在多数情况下对象设备可能与工作人员有较远距离，到场人工观察费时费力，在特殊全站操作任务或者复杂操作任务情况下时，需要对每一项操作都进行完现场人工核对后才能进入下一项操作，极为不便，需消耗大量时间及人力物力。

随着变电站智能巡检及定点监测等智能设备的应用及普及，通过图像来判断设备物理分合闸的场景不断增多，而将越来越多的巡检图像数据通过人工进行识别分析，将费时费力效率低下。如果使用机器进行自动分析，传统的方法是利用固定安装的摄像头或者使用移动巡检机器人，但需要人工预先对每一个刀闸都录入特定点位、镜头仰角并标记设备合闸位置连线等信息，再采用对比的方式进行判断设备的物理位置是否处在合位。

传统的比较判别方式，需要对每一台设备提前录入特定点位，工作量大耗时长，并且只有当巡检设备行驶到录入的特定点位时才能识别正确。采用传统的图像处理特征分析算法如SIFT、HOG等，较难提取变电设备图像中不规则形状的图像特征，应用传统的图像处理技术识别变电设备物理分合闸位置往往任务单一，识别的准确率不高，实用性不强。

发明内容

本发明提供了基于深度学习的变电站设备检测方法及装置，解决了应用传统的图像处理技术识别变电站物理分合闸位置，存在工作量大耗时长，识别的准确率不高、实用性不强的技术问题。

为解决上述技术问题，本发明的技术方案为：

基于深度学习的变电站设备检测方法，包括以下步骤：

S1：采集包含变电站设备的物理分合闸位置的多幅图像，对所述图像的设备类别与分合闸位置标注不同标签的目标框，将标注好的所述图像进行统一裁剪、预处理，以制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；

S2：加载训练集与预训练的模型参数到变电站设备检测神经网络模型中，利用基于深度学习的py faster rcnn深度卷积网络进行训练，以获得训练后的所述变电站设备检测神经网络模型；

S3：利用所述验证集对训练后的所述变电站设备检测神经网络模型进行验证，根据验证结果对所述变电站设备检测神经网络模型进行迭代优化，得到最终的所述变电站设备检测神经网络模型；

S4：利用所述测试集对所述变电站设备检测神经网络模型进行测试，得到变电站设备的设备类别和物理分合闸位置识别结果。

进一步地，步骤S2中利用基于深度学习的py faster rcnn深度卷积网络进行训练具体包括：在训练过程中根据训练结果对所述变电站设备检测神经网络模型的参数进行优化，不断改进所述变电站设备检测神经网络模型的结构。

进一步地，步骤S2具体包括：