[发明专利]用于变电站异常的检测方法、设备及系统

权利要求书

1.一种用于变电站异常的检测方法，其特征在于，包括：

采用变电站监控图片的数据样本对基于深度学习的检测模型进行训练，得到训练好的基于深度学习的检测模型；

将待检测变电站监控图片输入所述训练好的基于深度学习的检测模型，得到检测结果；

其中，所述基于深度学习的检测模型包括：从所述待检测变电站监控图片中提取图片特征的MobileNetv2网络，以及识别所述图片特征对应的异物类型的Yolov3网络。

2.根据权利要求1所述的检测方法，其特征在于，

所述MobileNetv2网络包括以下结构：第一层和最后一层均为由Conv2D函数、批归一化函数和ReLU6激活函数构成的卷积层；所述第一层和所述最后一层之间包括若干倒置残差模块；所述倒置残差模块中包括依次设置的Conv2D函数、批归一化函数、ReLU6激活函数、DWConv2D函数、批归一化函数、ReLU6激活函数、Conv2D函数和批归一化函数；

所述Yolov3网络包括以下结构：多个由Conv2D函数、批归一化函数和ReLU6激活函数所构成的卷积层。

3.根据权利要求2所述的检测方法，其特征在于，所述倒置残差模块中的DWConv2D函数前后各设置有一个1*1的逐点卷积函数。

4.根据权利要求2所述的检测方法，其特征在于，所述倒置残差模块的数量范围为10至20。

5.根据权利要求2所述的检测方法，其特征在于，所述Yolov3网络中的卷积层的数量范围为20至30。

6.根据权利要求2所述的检测方法，其特征在于，所述Yolov3网络包括多个检测分支，每个检测分支用于检测不同尺度的物体并输出对应的检测结果。

7.根据权利要求1所述的检测方法，其特征在于，所述基于深度学习的检测模型的损失函数包括：框损失、置信度损失和分类损失。

8.根据权利要求1所述的检测方法，其特征在于，所述采用变电站监控图片的数据样本对基于深度学习的检测模型进行训练，得到训练好的基于深度学习的检测模型，包括：

收集包括异物的变电站监控图片；

对收集的变电站监控图片进行标注；

对标注后的变电站监控图片进行前处理，得到数据集；

将所述数据集中的训练集输入基于深度学习的检测模型，采用adam优化器优化调整所述基于深度学习的检测模型的参数；

以所述数据集中的验证集验证经过优化调整的基于深度学习的检测模型，若验证通过，以经过优化调整的基于深度学习的检测模型作为所述训练好的基于深度学习的检测模型。

9.根据权利要求8所述的检测方法，其特征在于，所述对标注后的变电站监控图片进行前处理，包括：

将所述变电站监控图片和变电站监控图片中的异物的边缘框分别按照水平翻转、随机裁剪、随机平移、调整尺寸、边缘填充、图片归一化的步骤顺序进行处理；

将处理后的变电站监控图片和处理后的变电站监控图片中的异物的边缘框进行合并。

10.根据权利要求1所述的检测方法，其特征在于，所述将待检测变电站监控图片输入所述训练好的基于深度学习的检测模型，得到检测结果，包括：

通过第一线程从变电站监控视频流中读取并捕获出每帧监控图片；

通过第二线程将所述监控图片输入所述训练好的基于深度学习的检测模型；

通过第三线程获取所述训练好的基于深度学习的检测模型的检测结果，将所述检测结果处理后进行显示，同时基于所述检测结果对所述监控视频流进行分类处理。

11.一种用于变电站异常的检测设备，其特征在于，包括处理器和存储器；所述存储器存储有可被所述处理器读取的计算机程序；其中，所述处理器执行所述计算机程序时实现权利要求1至10中任一项所述的用于变电站异常的检测方法的步骤。