[发明专利]基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统

说明书

本发明公开了基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统，属于变电站设备缺陷检测技术领域，包括以下步骤：S1：训练网络；S2：分割识别；S3：区域融合；S4：间隔采样；S5：重复采样；S6：确定目标区域。本发明采用语义分割的技术进行缺陷检测，提高了缺陷检出率，满足变电站高检出率的需求，并且在高检出率的同时，可以保证较高的正确率，比目标检测降低阈值后，检出率和误检率同步提升更有优势，值得被推广使用。

技术领域

本发明涉及变电站设备缺陷检测技术领域，具体涉及基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统。

背景技术

由于变电站的设备，如主变，套管等，大多数运行于高压，强磁场环境下，设备往往内部充满油类液体进行绝缘隔离、散热等功能。在长时间使用后，设备由于密封或者焊接等问题，会出现油液泄漏。一旦设备内油液减少到一定程度，设备的绝缘性能大大降低，会对设备的正常运行造成较大的故障隐患，因此准确检测出设备漏油情况有重大的价值。

金属锈蚀故障较多出现在曝露在室外的金属类型的设备上，设备表面发生氧化。此类故障相比漏油重要性稍低，但也影响变电站的安全运行。

目前已有的解决方案有两种，一种是传统的基于图像处理的方案，另一种是深度学习出现后的目标检测技术进行解决。

基于图像处理的方案：先进行颜色空间变换如HSV空间、然后统计颜色直方图、阈值分隔，颜色聚类的方式进行检测。这种方案鲁棒性特别差，容易受到各种环境因素的干扰，如光照，反光灯。对复杂背景下的适应性特别差，误报率较高，检出率较低。

深度学习兴起后，尝试将渗漏油和金属锈蚀当做目标检测任务来解决，首先将目标区域用包围框进行标注，然后对包围框中的目标进行训练。此方案相比基于图像处理的技术精度提升较多。但由于漏油和金属锈蚀两类目标本身非刚性，形状多变的特点，导致精度离理想的实用性还有些距离，为此，提出基于语义分割的变电站渗漏油和金属锈蚀检测方法及系统。

发明内容

本发明所要解决的技术问题在于：如何根据漏油和金属锈蚀两类目标本身非刚性，形状多变的特点，采用语义分割的技术对漏油和金属锈蚀现象进行检测，以大大提高检测的准确性，提供了基于语义分割的变电站渗漏油和金属锈蚀检测方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

S1：训练网络

利用已标注的训练数据集训练语义分割网络；

S2：分割识别

使用训练完成的语义分割网络对待检图片进行分割识别；

S3：区域融合

针对每一类信息，采用基本图像处理操作，分别融合成渗漏油和金属锈蚀区域；

S4：间隔采样

间隔固定时间t，对取样点再次进行图片采集，重复步骤S2及步骤S3；

S5：重复采样

重复步骤S4，直到对同一采样点累计完成n次采样后；

S6：确定目标区域

针对相同区域长宽比例按照采样时间顺序进行记录，将区域变化不合理的检测结果排除，确定最终的目标区域。

更进一步地，所述步骤S1具体包括以下过程：

S101：采集数据图片，使用labelme数据标注工具对图片进行手动分割标注，分割出图片中存在的渗漏油区域和金属锈蚀区域，形成训练数据集；

S102：使用标注完成的数据集对语义分割网络进行训练。