[发明专利]电力设备图像检测方法、装置、电力设备及存储介质

说明书

本发明实施例公开了一种电力设备图像检测方法、装置、电力设备及存储介质。该电力设备图像检测方法包括：基于样本缺陷图片构建第一训练集；使用第一训练集对预设的神经网络模型进行训练，得到缺陷检测模型；对待检测图片按照预设方法进行分类，得到缺陷图片；通过缺陷检测模型对缺陷图片进行识别，以确定缺陷图片的缺陷类别和缺陷位置。通过对电力系统中巡检设备产生的巨量的电力设备图片进行自动检测，并基于自动检测结果对图片进行自动分类以挑选出缺陷图片以及对缺陷图片进行缺陷位置的自动标记，从而提高了对于图片的识别效率和识别准确率，解决了现有技术中需要通过人工识别和标记图片缺陷而导致的效率低和识别正确率低的问题。

技术领域

本发明实施例涉及电气设备运维技术领域，尤其涉及一种电力设备图像检测方法、装置、电力设备及存储介质。

背景技术

近些年，数码摄像和机器人技术不断发展，新建的智能变电站和一些改造的无人值守变电站通过视频监控或者是机器人搭载照相机等手段实现高效地变电站巡检，把现场的图像数据传输到监控中心进行人工分析和识别。

现有的图像和视频数据存量大，增长速度快，巡视中变电站设备出现的具体缺陷种类多，巡视产生的图像数量大，当前主要依靠人工对这些图像进行识别来找出缺陷图片的具体缺陷位置，存在效率低和识别准确性低的问题。

发明内容

本发明实施例提供一种电力设备图像检测方法、装置、电力设备及存储介质，对批量的巡检图片进行自动缺陷识别，提高对巨量图片的识别效率和识别准确性。

第一方面，本发明实施例提供了一种电力设备图像检测方法，包括：

基于样本缺陷图片构建第一训练集；

使用所述第一训练集对预设的神经网络模型进行训练，得到缺陷检测模型；

对待检测图片按照预设方法进行分类，得到缺陷图片；

通过所述缺陷检测模型对所述缺陷图片进行识别，以确定所述缺陷图片的缺陷类别和缺陷位置。

可选的，在所述使用所述第一训练集对预设的神经网络模型进行训练之前，所述方法还包括：

标记所述第一训练集中样本缺陷图片的缺陷区域，并为所述缺陷区域分配缺陷类别。

可选的，所述使用所述第一训练集对预设的神经网络模型进行训练，得到缺陷检测模型，包括：

基于所述样本缺陷图片的缺陷区域生成训练样本参数集，其中，所述训练样本参数集包括所述样本缺陷图片的缺陷类别和所述缺陷区域的位置信息；

基于Darknet-53框架构建YOLOv3模型；

将所述训练样本参数集输入所述YOLOv3模型，对所述YOLOv3模型进行训练，得到所述缺陷检测模型。

可选的，所述通过所述缺陷检测模型对所述缺陷图片进行识别，以确定所述缺陷图片的缺陷类别和缺陷位置，包括：

所述缺陷检测模型的特征提取网络提取所述缺陷图片的目标特征单元；

所述缺陷检测模型为所述目标特征单元分配不同尺寸的边界框，将所述不同尺寸的边界框应用在不同分辨率的特征图上；

所述缺陷检测模型对特征图上不同尺寸的边界框区域进行检测，通过检测层输出缺陷图片的缺陷位置和缺陷类别。

可选的，所述缺陷类别包括如下至少一种：部件破损类，呼吸器缺陷类，状态指示缺陷类，异物类，渗漏油类和外观不整洁类。

可选的，所述对待检测图片按照预设方法进行分类，得到缺陷图片，包括：

使用第二训练集对VGG16模型进行训练，得到缺陷分类模型，其中，所述第二训练集中包括无缺陷图片和有缺陷图片；