[发明专利]带电设备的缺陷诊断方法及设备

说明书

本发明的目的是提供一种带电设备的缺陷诊断方法及设备，本发明克服了现有技术的不足，包括：将各种带电设备的热像图进行预处理得到灰度图；在所述灰度图中标出各个真实框，分别对各个真实框进行标记，以标记后的灰度图建立带电设备的检测数据集；将所述带电设备的检测数据集划分训练集、验证集和测试集；构建改进的Faser R‑CNN网络模型，Faser R‑CNN网络模型的训练。本发明可以对带电设备进行识别，对设备的故障进行初步诊断，本发明用算法代替人工进行自动识别，能够提升带电设备的检测精度，同时提升带电设备的故障的检测精度。本发明针对带电设备的红外热像检测及其故障诊断，检测精度高，检测速度快。

技术领域

本发明涉及计算机领域，尤其涉及一种带电设备的缺陷诊断方法及设备。

背景技术

电力是国民经济发展的重要能源，因此保障电厂的安全具有重要意义。电厂红外检测是用红外热像仪对电气设备表面温度分布进行较大面积的巡视性检查，用检测电压致热型和部分电流致热型设备的表面温度分布去发现内部故障，对设备故障作精确判断。

然而目前对设备故障的判断大都通过固定的故障公式计算得出，检测精度较低。

发明内容

本发明的一个目的是提供一种带电设备的缺陷诊断方法及设备。

根据本发明的一个方面，提供了一种带电设备的缺陷诊断方法，该方法包括：

将各种带电设备的热像图进行预处理得到灰度图；

在所述灰度图中标出各个真实框，分别对各个真实框进行标记，所述标记内容包括每个真实框对应的带电设备的类型、是否故障、故障的位置及故障的类别，以标记后的灰度图建立带电设备的检测数据集；

将所述带电设备的检测数据集划分训练集、验证集和测试集；

构建改进的Faser R-CNN网络模型，包括：采用EfficientNet-B4作为骨干特征提取网络，所述骨干特征提取网络提取输入的训练集、验证集中的灰度图的特征图，以得到第一特征图FM1；边框生成网络利用生成的第一特征图FM1从边框生成网络的先验框中调整和筛选出候选框，其中，所述边框生成网络的先验框是根据训练集、验证集中故障的位置的面积大小设计为在第一特征图FM1的每个像素位置上分别采用三种面积像素并分别采用三种长宽比例的方式，共获得9个锚框；融合上下文的感兴趣区域池化模块利用生成的第一特征图FM1作为全局特征图，并利用候选框产生相应的局部特征图，基于全局特征图和局部特征图得到区域特征图FM4；分类和边框回归模块利用区域特征图FM4并结合位置敏感平均池化得到带电设备的类型和故障的类别，同时对所述候选框进行卷积和非极大值抑制获得预测框；

Faser R-CNN网络模型的训练，包括：冻结所述骨干特征提取网络即EfficientNet-B4；训练边框生成网络，包括：将锚框经过卷积操作得到锚框的框选区域属于故障的类别概率、设备的类型的概率以及锚框的调整参数，进而基于故障的类别概率、设备的类型的概率以及锚框的调整参数将锚框调整为候选框，并基于骨干特征提取网络的总损失调整候选框；训练融合上下文的感兴趣区域池化模块以及分类和边框回归模块，并基于融合上下文的感兴趣区域池化模块和分类和边框回归模块的总损失进一步调整候选框；解冻骨干特征提取网络并冻结骨干特征提取网络中的第1~4浅层卷积层，训练包括冻结第1~4浅层卷积层的骨干特征提取网络、边框生成网络、融合上下文的感兴趣区域池化模块以及分类和边框回归模块的整个网络权重，并基于骨干特征提取网络的总损失调整候选框；并基于融合上下文的感兴趣区域池化模块和分类和边框回归模块的总损失进一步调整候选框，以得到训练完成的改进的Faser R-CNN网络模型；

采用所述测试集对训练完成的改进的Faser R-CNN网络模型进行评价，以得到优化的改进的Faser R-CNN网络模型；

基于优化的改进的Faser R-CNN网络模型，实现对待检测的带电设备的热像图的缺陷诊断。