[发明专利]基于人工智能和计算机视觉的变压器检测方法和装置

说明书

本申请提供一种基于人工智能和计算机视觉的变压器检测方法和装置，方法包括，获取变压器的实况照片；利用预先训练的变压器检测模型检测实况照片，获得变压器的检测结果；变压器检测模型包括用于提取实况照片的特征的残差网络，以及用于解码残差网络提取的特征的极化自注意力(Polarized Self‑Attention，PSA)模块和全卷积网络(Fully Convolutional Networks，FCN)模块；当检测结果指示变压器处于异常状态时，输出变压器异常提示信息。本方案通过变压器检测模型自动分析变压器的实况照片，获得对应的检测结果，提高了检测效率，并实现了对变压器的实时检测。

技术领域

本发明涉及变压器检测技术领域，特别涉及一种基于人工智能和计算机视觉的变压器检测方法和装置。

背景技术

随着电力行业的不断发展及用电量的逐年增大，各类电力用户对变压器稳定、经济运行的需求度也随之提高。变压器的安全、可持续运行关乎着电网的稳定和居民的用电质量。当变压器发生渗漏油现象时，不仅严重影响外观，而且会因变压器需停运排除渗漏而造成经济损失；若地面基础上油迹较多，还可能成为引发火灾的隐患。当渗漏油而使变压器内部油位降低后，可能使带电接头、开关等处在无油绝缘的状况下运行，从而导致击穿、短路、烧损，甚至引起设备爆炸。

因此，对变压器是否存在渗漏油现象进行实时在线监测是十分必要的。而目前检测变压器是否漏油主要是监控设备拍照后人工分析照片的方式，效率较低且无法做到实时检测。

发明内容

针对上述现有技术的缺点，本发明提供一种基于人工智能和计算机视觉的变压器检测方法和装置，以提供一种能够高效且实时地检测变压器是否异常的检测方案。

本申请第一方面提供一种基于人工智能和计算机视觉的变压器检测方法，包括：

获取变压器的实况照片；

利用预先训练的变压器检测模型检测所述实况照片，获得所述变压器的检测结果；其中，所述变压器检测模型包括用于提取所述实况照片的特征的残差网络，以及用于解码所述残差网络提取的特征的极化自注意力(Polarized Self-Attention，PSA)模块和全卷积网络(Fully Convolutional Networks，FCN)模块；

当所述检测结果指示所述变压器处于异常状态时，输出变压器异常提示信息。

可选的，训练所述变压器检测模型的过程包括：

确定待训练变压器检测模型；

获得多个样本图像；其中，所述多个样本图像包括拍摄处于异常状态的变压器得到的负样本图像和拍摄处于正常状态的变压器得到的正样本图像；每一所述样本图像均对应有预先标注的人工检测结果；

利用所述待训练变压器检测模型处理每一所述样本图像，获得每一所述样本图像的模型检测结果；

根据所述多个样本图像的人工检测结果和模型检测结果的偏差确定所述待训练变压器检测模型的模型损失；

若所述模型损失不满足预设的收敛条件，根据所述模型损失更新所述待训练变压器检测模型的参数，返回执行所述利用所述待训练变压器检测模型处理每一所述样本图像，获得每一所述样本图像的模型检测结果步骤，直至所述模型损失满足所述收敛条件为止。

可选的，所述获取变压器的实况照片之后，还包括：

对所述实况照片进行裁剪，获得具有目标尺寸的裁剪后实况照片；

所述利用预先训练的变压器检测模型检测所述实况照片，获得所述变压器的检测结果，包括：

利用预先训练的变压器检测模型检测所述裁剪后实况照片，获得所述变压器的检测结果。

可选的，所述残差网络包括五个阶段；