[发明专利]一种多级协同的变电设备多光谱缺陷识别方法及装置

说明书

本发明公开了一种多级协同的变电设备多光谱缺陷识别方法，包括：构建变电站主设备、变电站主设备相关组部件、缺陷之间的映射表；基于多光谱，获得所述映射表中变电站主设备和变电站主设备相关组部件对应的重点缺陷，从而形成重点缺陷映射表；构建多级节点缺陷样本的统一管理机制，最高级节点汇集上报的缺陷，形成缺陷全量样本库；构建三级识别模式的缺陷识别模型，使用所述缺陷全量样本库对所述模型训练，根据所述重点缺陷映射表，采用三级识别模式定位变电站设备的缺陷；将训练完成的模型由最高级节点下发至站端节点，所述站端节点通过所述训练完成的模型，识别变电站主设备的缺陷。解决对多级协同的变电设备缺陷识别方法的需求问题。

技术领域

本申请涉及电力设备监测技术领域，具体涉及一种多级协同的变电设备多光谱缺陷识别方法，同时涉及一种多级协同的变电设备多光谱缺陷识别装置。

背景技术

设备状态信息感知是能源互联网建设的重要组成部分，在变电设备例行巡视中，当前公司正在依托图像识别技术开展机器人和高清视频联合巡检的探索应用。图像识别是实现变电站智能巡检的核心技术，目前公司持续开展变电主设备缺陷样本收集，并基于缺陷样本进行模型孵化，建立识别算法覆盖20类以上缺陷场景，取得了显著的效果。

但仍存在着以下几方面问题：

1)变电主设备巡检缺陷样本收集机制亟待完善

目前站端变电主设备巡检缺陷样本收集报送工作，多为机器人、固定摄像头、手动采集样本后，再通过线下方式统一收集汇总，消耗大量一线运维人员精力，且在样本传输过程中的时效性更是难以保障，严重降低了基于优质样本实现模型算法快速孵化迭代的目标。

2)变电主设备巡检特定缺陷智能化识别水平亟待提高

目前，变电主设备巡检缺陷样本库中，对缺陷样本进行了统一的定义，基于深度学习的人工智能图像识别方法基于已标定好的缺陷样本进行模型算法训练，但针对某些形态不规则且易混淆的缺陷场景仍存在漏检、误检较高的现象，所以亟需针对特定缺陷开展进一步的研究，在提高检出率的基础上降低误检率。

3)基于全量样本训练模型在站端适用性亟待提高

目前变电主设备异常识别算法是基于总部提供全网数据样本集进行训练，训练样本涵盖不同电压等级，不同站端巡检样本，但不同站端实际生产环境差异很大，全量数据样本训练模型在站端实用化效果不理想，因此亟需建立高效快速的模型优化机制，实现总部-站端多级迭代模式，提高模型算法在站端的实用化效果。

4)变电主设备开展可见光、红外光巡检缺陷融合分析缺少有效抓手

目前，针对变电主设备可见光缺陷和红外缺陷缺少融合分析，难以进一步综合缺陷检出情况对特定设备部件开展统一分析，为设备状态准确评价提供依据。

随着人工智能领域相关软硬件水平的提升与云计算的高速发展，为基于变电站设备缺陷人工智能识别的实用化与可靠性水平提升开拓了新的思路，因此亟需一种多级协同的变电设备缺陷识别方法，有效推进变电站设别缺陷识别效果提升与协同管理机制完善。

发明内容

为解决上述问题，本申请提供一种多级协同的变电设备多光谱缺陷识别方法，包括：

构建变电站主设备、变电站主设备相关组部件、缺陷之间的映射表；

基于多光谱，获得所述映射表中变电站主设备和变电站主设备相关组部件对应的重点缺陷，从而形成重点缺陷映射表；

构建多级节点缺陷样本的统一管理机制，其中，站端节点对站内智能巡检终端巡检缺陷自动上报至上一级节点和最高级节点；

所述最高级节点汇集上报的缺陷，形成缺陷全量样本库；构建三级识别模式的缺陷识别模型，使用所述缺陷全量样本库对所述模型训练，根据所述重点缺陷映射表，采用三级识别模式定位变电站设备的缺陷；