[发明专利]一种基于深度学习的断路器动触头运动特性测量方法

说明书

本发明公开了一种基于深度学习的断路器动触头运动特性测量方法，具体步骤如下：步骤S1：设置辅助标志物，采集高速图像序列；步骤S2：将高速图像序列输入至训练好的深度学习模型中，跟踪辅助标志物的运动轨迹；步骤S3：根据辅助标志物的轨迹计算得出断路器动触头行程时间曲线。采用上述一种基于深度学习的断路器动触头运动特性测量方法，采用非接触式测量，跟踪与断路器动触头同步运动的部件实现断路器动触头运动特性测量，且可以有效应对目标尺寸变化、背景颜色干扰以及摄像头抖动的问题，实现准确跟踪。

技术领域

本发明涉及断路器动触头检测技术领域，尤其是涉及一种基于深度学习的断路器动触头运动特性测量方法。

背景技术

在电力系统中，高压断路器至关重要，一旦其发生故障，可能会引起电网操作隐患甚至威胁到相关人员的生命安全。国际大电网会议对高压断路器的可靠性评估表明，断路器发生的主要故障有64.8％为操作机械故障。测量断路器动触头的运动特性参数可以对断路器操动性能进行评价，是检测断路器机械故障一种重要的技术手段。

目前，发展成熟的断路器动触头运动特性参数测量工具大部分采用接触式测量方式，包括：电磁振荡器、转鼓仪、滑线变阻器配合光线示波器、光栅式位移传感器(光栅尺)、直线传感器(滑线变阻器)、角度传感器(转角电位器)等。断路器型号不同需要使用的传感器夹具尺寸也不同、传感器安装困难、调试过程复杂，而且真空断路器的外形结构尺寸不断缩小，动触头附近可供安装位移传感器的空间越来越有限，在操动机构和主轴上安装传统的传感器越来越困难。

现有技术中的非接触测量方式，如半导体激光位移传感、红外测距传感器和超声波位移传感器等，但目前缺乏与高压开关领域配套的专业仪器。现有技术中结合计算机视觉技术进行非接触测量受限于摄像机的性能，采集的运动图像太少，没有对断路器行程做出充分的分析。采用传统的相关匹配算法对目标进行跟踪，并且选取的跟踪标点与背景颜色相似，存在匹配误差大、速度慢的问题。另有利用图像的灰度像素值进行图像匹配，存在计算量大和速度较慢的问题，在匹配精度和速度上有待提高。

发明内容

本发明的目的是提供一种基于深度学习的断路器动触头运动特性测量方法，采用非接触式测量，跟踪与断路器动触头同步运动的部件实现断路器动触头运动特性测量，且可以有效应对目标尺寸变化、背景颜色干扰以及摄像头抖动的问题，实现准确跟踪。

为实现上述目的，本发明提供了一种基于深度学习的断路器动触头运动特性测量方法，具体步骤如下：

步骤S1：设置辅助标志物，采集高速图像序列；

步骤S2：将高速图像序列输入至训练好的深度学习模型中，跟踪辅助标志物的运动轨迹；

步骤S3：根据辅助标志物的轨迹计算得出断路器动触头行程时间曲线。

优选的，步骤S1具体为：

步骤S11：在与断路器动触头同步运动的绝缘拉杆和转轴上分别设置第一辅助标志物和第二辅助标志物，直线运动的绝缘拉杆上设置有一个所述第一辅助标志物，旋转运动的转轴上设置有两个第二辅助标志物；

步骤S12：调整高速摄像机的位置和视野采集辅助标志物运动图像，生成高速图像序列。

优选的，步骤S2具体为：

步骤S21：特征提取，将高速图像序列输入到改进的ResNet50网络提取多层特征图；

步骤S22：特征融合，对提取的多层特征图通过金字塔特征增强网络融合多层特征；

步骤S23：特征增强，将融合后的多层特征输入至特征增强网络得到特征增强的融合向量；

步骤S24：将融合向量输入预测头得到跟踪辅助标志物的运动轨迹。