[发明专利]一种基于语义分割的变电站水位监测方法及系统

说明书

一种基于语义分割的变电站水位监测方法及系统，方法包括：获取汛期变电站监控设备的视频图像数据样本，利用数据标注软件提取视频图像数据样本中的水位信息，利用水位信息构建变电站语义分割数据集；基于UNet语义分割算法，建立变电站水位监测模型；使用变电站语义分割数据集，基于迁移学习的方法，对变电站水位监测模型进行迭代训练；以训练好的水位监测模型，对汛期变电站水位进行监测。本发明解决在没有水尺、不具备相机标定条件下实现变电站水位监测，可在水位上升时及时发出预警，尽可能让电力运维人员提前开展防汛工作，避免后期的严重财产损失。

技术领域

本发明属于电力运维技术领域，具体涉及一种基于语义分割的变电站水位监测方法及系统。

背景技术

随着社会的快速发展，用电设备的种类也越来越多，变电站在电力传输、电能分配发挥着至关重要的作用。因此，变电站的高效运维对于提高电网系统的可靠性意义重大。传统的变电站通常处于无人值守的状态，当处于汛期或风暴天气时，变电站附近的水位会急剧上升，积水一旦漫入端子箱或者高压室内，会造成站内电力设备损坏，增大整个电网的运维成本。

现有技术中，由于人工监测水位的方法效率低、工作量大，难以保证全天监测，因此采用视频图像处理的水位监测方案得到了推广。一种基于水尺图像自动提取水位监测系统与应用，通过分割水位标尺图像，采用模板匹配法匹配水尺上的字符；一种嵌入式水尺图像检测系统与判读算法研究，用投影分析法读取水位标尺信息；基于视频图像的水位监测方法研究，利用相机标定来得到实际水位高度。以上方法通常需要水尺作为水位监测的辅助，或者需要专业的标定相机，增加了系统的复杂性，而常见变电站并没有水尺和专业标定相机，难以满足水位监测所需的条件。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于语义分割的变电站水位监测方法及系统，将逐像素分类的Unet语义分割方法用于复杂背景下的变电站水位监测，通过基于卷积神经网络的语义分割算法能够自动提取数据样本的有效特征，在大规模数据集上进行训练，既保持了网络的泛化性，又增强了网络适应特定任务的能力，取得了明显优于基于手工特征的效果。

本发明采用如下的技术方案。

本发明一方面提出了一种基于语义分割的变电站水位监测方法，包括：

步骤1，获取汛期变电站监控设备的视频图像数据样本，利用数据标注软件提取视频图像数据样本中的水位信息，利用水位信息构建变电站水位监测数据集；

步骤2，基于神经网络框架和混合坐标注意力机制的语义分割算法UNet，建立变电站水位监测模型；

步骤3，使用变电站水位监测数据集，基于迁移学习的方法，对变电站水位监测模型进行迭代训练；

步骤4，以训练好的变电站水位监测模型从汛期变电站监控设备的视频图像数据样本中提取水面监测区域图像；通过筛选像素高度平均值对水面监测区域图像进行修正，从水面监测区域图像中去除孤立区域图像；

步骤5，建立水面监测区域图像的坐标系；在水面监测区域图像的坐标系下比较水位像素高度与水位预警线像素高度，当水位像素高度大于水位预警线像素高度时发出预警。

优选地，步骤1中，在不同光照、时间、天气条件下，采集汛期变电站监控设备的视频图像数据样本；

利用数据标注软件对视频图像数据样本中的水面区域和非水面区域进行标注，并且提取水面和水面位置作为水位信息。

优选地，步骤2中，混合坐标注意力机制的语义分割算法UNet包括：

步骤2.1，将语义分割算法UNet中的收缩路径特征图通过坐标注意力模块进行处理，得到第一收缩路径特征图和第二收缩路径特征图；

步骤2.2，将第一收缩路径特征图和第二收缩路径特征图与扩展路径特征图进行融合。