[发明专利]一种变电站巡检环境下目标与缺陷识别方法

权利要求书

1.一种变电站巡检环境下目标与缺陷识别方法，其特征在于，包括以下步骤：

S1、图像预处理及目标识别；

S2、变电站设备缺陷图像数据库；

S3、使用小波变换处理图像噪声；

S4、设备缺陷。

2.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：步骤一中，图像预处理及目标识别是指通过与数据库采集设备进行差图像分析、相关分析，需先行完成目标检测与跟踪，并识别出图像中设备信息，巡检机器人在执行巡检任务前需要花费大量的时间配置机器人作业参数，效率低且环境变化适应能力差，基于深度卷积神经网络等算法可实现对巡检目标的自动检测、定位、跟踪并完成准确的拍摄任务，解决变电站及线路巡检机器人巡检自主作业的难题。

3.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：步骤二中，变电站设备缺陷图像数据库是指深度学习需要大量的数据样本训练算法模型，而变电站内获取不同故障类型图片是一项耗时且成本高的任务，针对缺陷图像库样本不足，基于生成式对抗网络方法可解决训练样本不足条件下的电力图像数据增强，避免漏告警、误告警，通过抽取资产管理系统数据库中积累的大量变电站设备缺陷图像数据来建立变电站设备缺陷图像数据库，用于缺陷识别模型的训练和测试。

4.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：步骤三中，使用小波变换处理图像噪声是指使用卷积神经网络基于小波变换的阈值去噪方法，先对含噪图像进行小波变换，再对高频系统进行阈值去噪，最后进行小波反变换，实现设备缺陷图像去噪。

5.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：步骤四中，设备缺陷是指由于深度学习，特别是卷积神经网络（CNN）在图像识别等领域取得了较好的成果，基于深度学习的图像去噪方法可用于提高巡视结果正确率，将去噪后的设备缺陷图像通过多层反向的网络训练，可通过特征抽取器来得到特征变量，进而根据这些特征变量通过一个分类器来进行分类识别。

6.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：步骤二中，缺陷图像数据库是通过不断积累可见光、红外热成像等非结构化数据构建。

7.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：步骤三中，小波变换是一种新的变换分析方法，它继承和发展了短时傅立叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间－频率”窗口，是进行信号时频分析和处理的理想工具。

8.根据权利要求2的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。

9.根据权利要求3的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：深度学习是机器学习领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标人工智能。

10.根据权利要求1的一种变电站巡检环境下目标与缺陷识别方法，其特征在于：特征提取器采用RNN。