[发明专利]用于变电站异常的检测方法、设备及系统

说明书

本发明涉及图像检测技术领域，其实施方式提供了一种用于变电站异常的检测方法、设备及系统。其中用于变电站异常的检测方法，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。本发明提供的实施方式减轻模型的计算量和复杂程度，提升了对变电站异常的检测速度和检测准确性。

技术领域

本发明涉及图像检测技术领域，具体地涉及一种用于变电站异常的检测方法，一种用于变电站异常的检测设备，以及一种用于变电站异常的检测系统。

背景技术

目前国内变电站已经广泛地部署了视频监控视设备，通过利用获取到监控视频的帧图像来进行异常检测并进一步处理异常。传统的变电站视频监控大多通过人力来观测众多的监控设备，由于系统中的视频无法智能化及自动化的对于变电站异常以及故障进行报警，因此无法保证变电站出现异常得到及时处理和故障报警，不仅缺乏实时性，还容易由于工作人员的疏忽而漏掉。近年来，变电站也采取了一些智能检测模型(例如：生成对抗网络)检测异常状态，通过摄像头进行视频采集，提取出每一帧的图片信息然后检测异常，在自动化和智能化方面取代人工检测，节省了人力资源，但是目前采用的深层网络模型权重参数较多，计算量较大，增加了相应的存储和计算开销，使得变电站出现异常及故障的实时报警的时效性不足。除此之外，对于目前大多数监控系统存储的监控视频基本用于在发生事故后的回溯调查，并没有真正的起到监控的作用，然而边缘设备却存储了大量的监控视频，长此以往不仅增加了存储成本，还会造成系统的卡顿，进一步影响检测设备的时效性。

首先，现有监控系统大多由变电站前端的摄像设备、视频服务器采集图像并编码，再将编码后的数据通过网络传输到监控中心，由监控中心接收编码后的视频数据和监控数据,再通过工作人员进行监控变电站的周围情况。然而由于需要人工监视众多变电站视频监控点的图像并进行判别处理，视频监控和故障报警没有实现智能化和自动化；同时目前使用在变电站的智能检测设备虽然可以替代人力检测多个视频监控图像，发现异常会发出警报，但是采用的检测模型较为复杂。参数量多，模型较大，不仅占用了很高的存储资源而且在训练计算的时候十分耗时，导致设备缺乏实时性的反馈，延时性较高，无法保证变电站站内情况及周边环境的实时检查和事故的及时发现。其次，现有变电站使用多个摄像头全方位监控，保存的监控视频大多是变电站周围正常情况的无效视频，占用了大量存储空间。

发明内容

本发明实施例的目的是提供一种用于变电站异常的检测方法及系统，以至少部分地解决以上问题。

为了实现上述目的，本发明第一方面提供了用于变电站异常的检测方法，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：从所述监控图片提取待检测的图片特征的MobileNetv2网络，以及识别所述图片特征对应的异物类型的Yolov3网络。

优选的，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。

优选的，所述DWConv2D函数前后各设置有一个1*1的逐点卷积函数。

优选的，所述倒置残差模块的数量范围为10至20。

优选的，所述Yolov3网络中的卷积层的数量范围为20至30。