[发明专利]一种基于变电站仪表的视觉缺陷检测方法

说明书

一种基于变电站仪表的视觉缺陷检测方法，其包括五个过程，分别为对图片进行初步的采集和分类的数据辅助标定过程、对图片进行预处理来提高处理精度的图像增强过程、基于深度学习的仪表特征抽取过程、基于图像的仪表缺陷判定过程、定期定量对误判图片进行批量重新训练的误判仪表图像持续学习过程；采用的技术是传统的机器学习的预处理及深度学习技术的有效特征提取的结合，从而做到了较为准确的判定仪表是否存在缺陷,由此所带来的好处是，不需要大量的人工参与到变电站中的仪表缺陷的检测、高实时性的缺陷发现、保障变电站中相应设备运行的稳定性及安全性。

技术领域

本发明涉及电力设备领域，具体为一种基于变电站仪表的视觉缺陷检测方法。

背景技术

随着近期国内人民生活水平的不断提高、新能源行业的发展以及联合国大会上多次提到的碳中和政策及措施，电力行业不论是在日常的生活或是在商业、工业等领域的重要性越来越高，如何保证电能在使用的安全性及稳定性也越来越重要。

距离用户端距离稍近的变电环节由于变电站中的设备众多，各个子设备之间的相关性也比较的强，因此确保多个设备的稳定运行、及时发现设备中可能存在的问题，尽量提前做好设备损坏的应对方案是本领域重点考虑的问题；目前部分变电站采用了人工巡检的方式来尽量的保障各个设备仪表完全性、可读性及读数的可靠性，即判定是否存在表盘的破损、异常遮挡等缺陷。常规巡检的内容可能包括六氟化硫表的气体密度、避雷器仪表的电流数及放电次数、电流互感器仪表的油位刻度范围等巡检的工作，但是人工巡检的时效率低、成本高。

由此可见，提供一种基于变电站仪表的视觉缺陷检测方法是本领域亟需解决的问题。

发明内容

为解决上述问题，本发明提供了一种基于变电站仪表的视觉缺陷检测方法，其包括五个过程，分别为对图片进行初步的采集和分类的数据辅助标定过程、对图片进行预处理来提高处理精度的图像增强过程、基于深度学习的仪表特征抽取过程、基于图像的仪表缺陷判定过程、定期定量对误判图片进行批量重新训练的误判仪表图像持续学习过程；通过标定的缺陷图片、改进的SSD算法、损失函数的修改及图像数据增强，结合深度学习算法所提取到的特征，精准判定所需要处理的图像中的是否存在缺陷。

进一步的，所述数据辅助标定过程包括灰度图处理、自适应阈值计算、图像的二值处理和图像二值特征的聚类处理。

进一步的，所述图像增强过程包括RGB直方图统计、像素概率分布计算和直方图像素分布均衡，所述直方图像素分布均衡是使用每个像素值与其所应对的累积概率相乘做为新的像素值，并替换之前的值。

进一步的，所述基于深度学习的仪表特征抽取过程包括激活函数改进、特征下采样调优和仪表特征抽取，其中激活函数改进中引入ELU的函数做为卷积网络中的非线性激活函数。

进一步的，所述基于图像的仪表缺陷判定过程包括Gini系数计算、缺陷图像分类判定。

进一步的，所述缺陷图像分类判定包括以下步骤：

S1:假设训练的数据集为D，对于每一个特征A，对其可能取的值a，进行 A＝a的测试为“有缺陷”及“无缺陷”进行分割为D1及D2两个数据集，然后计算Gini系数；

S2:对于所有的可能特征A及可能的切分点a中，选择Gini系数最小的特征及切分点作为最优特征及最优切分点；

S:对于新生成的两个子节点递归的调用继续生成子节点，并将训练集按上述的特征分配到新的子节点中；

S4：当样本中的数量少于某个值或是Gini系数小于某个预设的值之后，则表示CART树生成完毕，则可以用于判定后续的仪表特征是否有缺陷。

进一步的，所述误判仪表图像持续学习过程包括算法模型定期优化和模型热部署及替换。

与现有技术相比，本发明具有以下有益效果: