[发明专利]一种配电设备红外图像故障识别方法及系统

说明书

本发明公开一种配电设备红外图像故障识别方法及系统，包括：获取配电网场景下的配电设备红外图像；根据配电设备红外图像的设备故障形式与其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；基于图像训练集对分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。实现对少样本数据的扩充，以及红外图像中电力设备的像素级识别。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种配电设备红外图像故障识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

配网车载智能巡检机器人通过拍摄包含背景区域和设备区域的红外图像，对红外图像的设备进行识别后进行故障或缺陷的诊断。在对红外图像进行设备识别时，待识别的设备为感兴趣区域，而背景区域内容大部分为配电线路的建筑、天空及其他电力设备等，因此在进行基于红外图像的设备故障诊断或缺陷诊断前，需要对标注的设备区域进行图像分割操作，将图像中的设备区域与背景区域分开，以便精准识别待测设备，提高配网车载巡检机器人对设备异常缺陷的检测能力。

但是，红外图像不同于可见光图像，采用现有的可见光图像轮廓分割方法直接处理红外图像是不可行的。红外图像灰度的整体分布较低且较集中，并且由于周围环境给红外成像过程带来的随机干扰和热成像系统本身的不完善，红外图像的信噪比和对比度比较低；传统的基于阈值和边缘的图像分割算法对于噪声比较敏感，容易产生连续性差的分割结果，降低图像分割的精度，从而影响故障识别的结果。

另外，智能识别算法主要通过卷积神经网络完成图像识别任务，在数据充足情况下能够具有较高的识别准确率，但是由于配电场景中，发生电力设备故障以及出现异常现象的情况较少，实际设备缺陷样本量与正常设备图像样本数量相比，存在数据失衡的问题，以此训练出来的模型容易出现过拟合和陷入局部最优解等现象；再者，虽然可以利用其他电力场景的缺陷数据作为配网场景缺陷数据的补充，但是由于不同的电力场景数据在缺陷形式和背景形式上都存在较大的不同，如果直接利用其他场景的缺陷数据来训练缺陷识别模型，会出现大量的误检和漏检。

发明内容

为了解决上述问题，本发明提出了一种配电设备红外图像故障识别方法及系统，通过将配电网场景下的配电设备红外图像与其他电力场景的设备故障历史图像进行拼接后，对少样本数据进行扩充，并构建基于全卷积神经网络的MobileNetv1-FCN语义分割模型，实现红外图像中电力设备的像素级识别。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种配电设备红外图像故障识别方法，包括：

获取配电网场景下的配电设备红外图像；

根据配电设备红外图像的设备故障形式与预设的其他电力场景设备故障形式的相似度，选取其他电力场景的设备故障历史图像作为扩充样本；

对配电设备红外图像与扩充样本中的缺陷位置进行标注，并基于缺陷位置将其裁剪为包含缺陷位置的缺陷图像块和不包含缺陷位置的背景图像块，对任一背景图像块和任一缺陷图像块进行拼接后，得到图像训练集；

基于图像训练集对预先构建的分割模块采用多次上采样融合方法进行训练，对待识别的配电设备红外图像采用训练后的分割模型得到故障识别结果。

作为可选择的实施方式，裁剪得到缺陷图像块后，对缺陷图像块进行几何变换和像素变换随机的图像变换操作。

作为可选择的实施方式，所述几何变换包括翻转、平移、剪切、旋转和缩放。