[发明专利]变电站入侵异物实时检测方法

说明书

本发明提出了一种变电站入侵异物实时检测方法。所述方法包括：对变电站的监控图像进行预处理，包括图像去噪和图像增强；将预处理后的图像输入训练好的变电站入侵异物检测模型，输出检测结果；其中，所述变电站入侵异物检测模型为改进的YoLo网络模型，所述改进的YoLo网络模型利用YoLo网络为基本结构，在每个卷积层后面添加批标准化层对卷积后的张量进行规范化，在批标准化层之后使用修改后的Dropout即R‑Dropout层来构造不确定性卷积特征，在R‑Dropout层之后连接池化层进行降采样，完成不确定卷积特征的提取。本发明能够在保障检测速度的同时，有效提高检测的精度，有效实现异物入侵时的实时检测。

技术领域

本发明涉及变电站的安全运维，具体涉及一种变电站入侵异物实时检测方法。

背景技术

在经济增长以及城市人口增多的情况下，电力企业要保障人们生活和工作中的正常用电，负责用电的质量和安全。变电站的安全运行便是电力系统供电的基本保障。安全生产是变电站日常生产过程中最核心的要求。一方面，在变电站施工现场，出现的影响变电站安全的障碍物，如误闯入的动物、掉落的悬挂物(塑料薄膜、风筝等)、滞留的工作人员相关装备等，在设备高速运转的环境中，即使很小的异物侵入到设备内都会导致非常严重的事故，如这些入侵物异物可能会引起线路故障，甚至造成局部甚至是区域停电。另一方面，施工人员在进入变电站施工现场中，需要面对许多高压危险设备，存在非常大的安全隐患，没有受过电力安全训练的人员错误地进入变电站中或者因报警失误工务人员滞留在危险作业区域这些情况都会导致非常大的安全问题，严重甚至会导致死亡。因此，为了为了保障变电站电力生产施工现场的安全，使变电站能够安全、可靠、高效、稳定地运转，必须有效针对异物侵限进行自动监控，及时发现侵限异物，准确了解变电站状况，尽早发现险情，但是目前的异物检测方法能在一定程度上解决入侵异物检测的问题，但是检测速度和精度不高，不能很好地进行入侵异的有效实时检测。

发明内容

发明目的：针对现有技术的不足，本发明提供一种变电站入侵异物实时检测方法，能够在保障检测速度的同时，有效提高检测的精度，有效实现异物入侵时的实时检测。

技术方案：一种变电站入侵异物实时检测方法，包括以下步骤：

对变电站的监控图像进行预处理，包括图像去噪和图像增强；

将预处理后的图像输入训练好的变电站入侵异物检测模型，输出检测结果；其中，所述变电站入侵异物检测模型为改进的YoLo网络模型，所述改进的YoLo网络模型利用YoLo网络为基本结构，在每个卷积层后面添加批标准化层对卷积后的张量进行规范化，在批标准化层之后使用R-Dropout层来构造不确定性卷积特征，在R-Dropout层之后连接池化层进行降采样，完成不确定卷积特征的提取。

进一步地，所述变电站入侵异物检测模型在训练过程中对预测边框误差进行优化，具体通过增加边界框坐标预测的损失函数的权重λ_coord，并减少不包含对象的边框的置信度的损失函数的权重λ_noobj来实现。

进一步地，所述预测边框误差通过高h与宽w的平方根的形式来计算。

进一步地，所述图像去噪采用小波变换模极大值去噪法对图像进行去噪。

进一步地，所述图像增强采用基于局部直方图裁剪均衡化的对比度调节算法来提高图像的对比度，增强图像的细节信息。

有益效果：本发明主要基于YoLo算法进行变电站危险环境的入侵异物实时检测，利用YoLo网络检测速度快这一特性，将YoLo网络运用到变电站环境入侵异物检测中，而为了提高检测的精确度通过添加批标准化来规范输入张量的分布，同时构建不确定性卷积特征来提高检测网络的精确度，即保持了YoLo网络检测速度快特性，又提高了检测的精确度，从而实现端到端的实时检测。

附图说明