[发明专利]一种变电设备缺陷识别方法及系统在审
申请号: | 202110269211.5 | 申请日: | 2021-03-12 |
公开(公告)号: | CN112990306A | 公开(公告)日: | 2021-06-18 |
发明(设计)人: | 郭修宵;王万国;王振利;李建祥;周大洲;慕世友;许乃媛;王海鹏;郭锐;刘晗;邵志敏;王琦;李振宇;张旭;刘丕玉;张海龙 | 申请(专利权)人: | 国网智能科技股份有限公司 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 济南圣达知识产权代理有限公司 37221 | 代理人: | 董雪 |
地址: | 250101 山东省济南市高新孙村片区飞跃大道以*** | 国省代码: | 山东;37 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 变电 设备 缺陷 识别 方法 系统 | ||
本发明公开了一种变电设备缺陷识别方法及系统,包括:获取电力设备图像信息并进行预处理;将获取的电力设备图像信息输入到训练好的卷积神经网络模型,输出缺陷分类结果及缺陷位置;其中,所述卷积神经网络模型在训练过程中,为每一个分类类别分别设置类别编号和类别系数,用以决定主导训练的类别。本发明使用带权重的softmaxloss函数,增加代表某类的权重因子和代表指定某类的类别编号两个参数来确定类别和当前类别的系数,通过系数来控制当前类别在反向传播中的重要性,能够解决训练样本不均衡分类的问题,保证检测结果的准确性。
技术领域
本发明涉及电力设备目标检测技术领域,尤其涉及一种变电设备缺陷识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
电力变电站中目标设备检测与识别对于电网智能化设备状态巡视、设备告警联动等电网生产运行监控具有重要意义,对电网智能化水平的发展和提高具有一定的促进作用。由于变电站设备场景的复杂性,如何有效实现对变电站中目标设备的检测与识别是目前需要研究的核心内容。
变电站设备的识别主要是以电力缺陷场景的识别为主,比如:表计读数异常、表计表盘模糊、表计表盘破损、外壳破损、绝缘子破裂、箱门闭合异常、地面油污、呼吸器硅胶变色、呼吸器油封破损、油封油位状态异常、油封破损、压板状态、盖板破损等设备缺陷的识别。变电站现场布置不同位置摄像头,将采集的图片上传至后台,进行图像识别处理。
在实际图像采集中,由于不同缺陷类别的图片采集的难易程度不同,造成不同类别的训练样本的数量不均衡。一般来说,不平衡样本会导致训练模型侧重样本数目较多的类别,而“轻视”样本数目较少类别;这样模型在测试数据上的泛化能力就会受到影响。
发明内容
有鉴于此,本发明提出了一种变电设备缺陷识别方法及系统,基于深度学习中的CNN卷积网络,通过增加某类交叉熵损失函数的权重因子来确定当前类别的损失函数系数,通过系数来控制当前类别在反向传播中的重要性,以解决训练样本不均衡分类的问题。
根据本发明实施例的第一个方面,提供了一种变电设备缺陷识别方法,包括:
获取电力设备图像信息并进行预处理;将获取的电力设备图像信息输入到训练好的卷积神经网络模型,输出缺陷分类结果及缺陷位置;
其中,所述卷积神经网络模型在训练过程中,为每一个分类类别分别设置类别编号和类别系数,用以决定主导训练的类别。
进一步地,所述卷积神经网络模型的训练过程包括:
获取包含特定缺陷场景的图像并进行标定,构建训练样本集;
获取训练样本的卷积特征图;
通过区域生成网络在所述卷积特征图上生成预选框;
将预选框映射到卷积特征图的对应位置,将大小不同的卷积特征图池化成大小相同的卷积特征图;
输出预测分数最高的预选框作为检测输出。
进一步地,对于训练样本,使用图像增强的方法对训练样本进行预处理;对于预处理后的训练样本,经过CNN网络处理后,得到卷积特征图。
进一步地,输出预测分数最高的预选框作为检测输出,具体过程包括:
对于预测分数最高的预选框M之外的其余预选框Mi,分别求取Mi与M的重合度,根据重合度对预选框Mi的预测分数进行惩罚,对惩罚后的预测分数进行排序;i=1,2,3…N。
进一步地,当预选框Mi与预选框M的重合度低于设定阈值时,预选框Mi的预测分数不受影响;
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网智能科技股份有限公司,未经国网智能科技股份有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202110269211.5/2.html,转载请声明来源钻瓜专利网。
- 上一篇:一种人工智能数据处理用分析装置
- 下一篇:一种分段式海底采矿车履带