[发明专利]一种变电站巡检环境下目标与缺陷识别方法

说明书

本发明提供一种变电站巡检环境下目标与缺陷识别方法，涉及变电站巡检机器人技术领域。该变电站巡检环境下目标与缺陷识别方法，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。通过不断积累可见光、红外热成像等非结构化数据，构建全区变电一次设备的典型缺陷样本库，集中完善设备缺陷在外观状态上的不同表现形式与样本数量，再次使用小波变换算法去除设备缺陷图像噪声，然后通过机器学习方式实现缺陷状态的智能识别，最后实现针对恶劣环境下不同设备及其典型缺陷特征的智能识别，提高了变电站设备缺陷图像识别率。

技术领域

本发明涉及变电站巡检机器人技术领域，具体为一种变电站巡检环境下目标与缺陷识别方法。

背景技术

近年来，随着市场应用前景越来越乐观，越来越多的机器人制造厂商投入到变电站巡检机器人的设计、研发和销售，据统计，目前国内已有超过25家具有一定规模的变电站巡检机器人制造厂商，并已研制出适应于不同环境条件的变电站巡检机器人，极大促进了变电站巡检机器人的应用。此外，我国智能图片搜索、人脸识别、指纹识别、扫码支付、视觉工业机器人、辅助驾驶等图像视频识别产品正在深刻改变着传统行业，针对种类繁杂、形态多样的图形数据和应用场景，基于系统集成硬件架构和底层算法软件平台定制综合解决方案，面向需求生成图像视频的模型建立与行为识别流程，为电力、交通等行业提供丰富的场景分析功能与环境感知交互体验。

但是，现有的变电站环境属于特种工作环境，机器人巡视时所拍摄图像容易受周围环境影响，产生“噪声”，变电站设备缺陷图像识别率较低。

发明内容

针对现有技术的不足，本发明提供了一种变电站巡检环境下目标与缺陷识别方法，解决了机器人巡视时所拍摄图像容易受周围环境影响，产生“噪声”，变电站设备缺陷图像识别率较低的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种变电站巡检环境下目标与缺陷识别方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。