基于神经网络深度学习的配电设备缺陷图像识别终端及方法与流程

本发明属于配电技术领域，涉及配电设备缺陷图像识别终端及方法，尤其是一种基于神经网络深度学习的配电设备缺陷图像识别终端及方法。

背景技术：

传统的配电设备运维管理模式中，要求运维人员频繁巡视配电设备，并以文字的方式记录缺陷信息，然后再指派专人进行设备缺陷处理，效率低且缺陷处理周期长，缺陷若未及时处理，可能引发故障，导致由主动运维变为被动抢修，降低供电可靠性，影响电网安全，引起企业及用户投诉。

技术实现要素：

本发明的目的在于克服现有技术中的缺陷，提供一种设计合理、供电可靠性强、电网安全性高的基于神经网络深度学习的配电设备缺陷图像识别终端及方法。

本发明解决其现实问题是采取以下技术方案实现的：

一种基于神经网络深度学习的配电设备缺陷图像识别终端，包括手持移动终端、图像采集模块、图像/数字转化模块、处理单元、存储单元、触摸显示屏和电源模块；所述手持移动终端用于自动采集配电设备缺陷图像或视频，其输出端与图像采集模块相连接，用于为系统提供图像或视频元数据；该图像采集模块的输出端与图像/数字转化模块相连接，用于对配电设备缺陷图片或视频信息进行预处理；该图像/数字转化模块的输出端与处理单元相连接，用于对配电设备缺陷图片进行识别、缺陷分类并判别其缺陷严重程度；该处理单元的输出端与触摸显示屏相连接，将分析结果显示在触摸屏上；

而且，所述图像采集模块的输出端和存储单元相连接，将采集的配电设备缺陷图片或视频信息传输至存储单元进行存储；所述图像/数字转化模块和存储单元相连接，将预处理后的图像数据输出至存储单元进行存储；所述处理单元与存储单元相连接，用于将分析结果以结构化数据的形式存储。

而且，所述电源模块包括电池供电模块和电源管理模块，该电池供电模块的输出端与电源管理模块相连接，所述电源管理模块的输出端分别与图像/数字转化模块、处理单元、存储单元和触摸显示屏相连接并为其供电。

一种基于神经网络深度学习的配电设备缺陷图像识别方法，包括以下步骤：

步骤1、首先构建一套人工采集数据系统，对常见的缺陷设备进行缺陷信息的采集和标注，通过数据清洗以及标注完成初始数据集的构建；

步骤2、设计识别系统的深度网络，针对应用的平台的计算性能和资源进行网络结构的设计，通过对大数据集进行基础网络的训练得到一个特征提取网络；

步骤3、利用特征提取网络，分析配电设备缺陷图片，从而产生配电设备缺陷识别网络模型；

步骤4、为提高数据处理速度，压缩配电设备缺陷识别网络模型完成深度网络在应用平台上面的部署。

步骤5、通过智能化app进行实际场景的应用，根据识别结果将数据进行回流，从而构建电网的大数据库，通过超大规模数据进行二次学习而不断迭代模型以达到更高的性能。

本发明的优点和有益效果：

1、本发明为提升配电设备缺陷运维管控水平，提高供电可靠性，提供一种基于深度学习的配电设备缺陷图像识别终端及方法，该终端利用人工神经网络，构建深度学习体系，该终端可以自动识别、判断图片、视频中的设备缺陷种类，并将设备缺陷信息以数字化的形式存储，大幅提高配电设备缺陷管控效率，为后期设备信息化大数据分析提供可靠数据，进一步提高供电可靠性，保证电网安全高效运行。

2、本发明的配电设备缺陷图像识别终端能够在配电一线运维巡视现场，采集缺陷图像及视频，自动识别其中常见的配电设备缺陷类型，并进行自动分类，最终以数字化的形式存储设备缺陷信息。

3、本发明基于人工智能神经网络算法及大数据技术，能很好改变传统的配电设备缺陷纸质记录模式，解决传统模式下缺陷记录分类效率低下，缺陷处理周期长，图像信息数据浪费等问题，真正能够帮助一线配电运维巡视工作高质高效开展，从而进一步提高供电可靠性，保证电网安全高效运行。

附图说明

图1是本发明的终端结构示意图；

图2是本发明的触摸屏界面显示图；

图3是本发明的电源管理模块结构示意图；

图4是本发明的处理流程图；

图5是本发明的特征提取网络的搭建示意图；

图6是本发明的配电设备缺陷识别网络模型示意图；

图7是本发明的压缩版配电设备缺陷识别网络模型示意图；

图8是本发明的数据迭代示意图。

具体实施方式

以下结合附图对本发明实施例作进一步详述：

一种基于神经网络深度学习的配电设备缺陷图像识别终端，如图1至图3所示，包括手持移动终端、图像采集模块(以fpga为核心)、图像/数字转化模块(预处理)、处理单元(以dsp为核心，包括缺陷图像识别、分类、严重程度判别三种算法)、存储单元、触摸显示屏和电源模块；所述手持移动终端用于自动采集配电设备缺陷图像或视频，其输出端与图像采集模块相连接，用于为系统提供图像或视频元数据；该图像采集模块的输出端与图像/数字转化模块相连接，用于对配电设备缺陷图片或视频信息进行预处理；该图像/数字转化模块的输出端与处理单元相连接，用于对配电设备缺陷图片进行识别、缺陷分类并判别其缺陷严重程度；该处理单元的输出端与触摸显示屏相连接，将分析结果显示在触摸屏上；

在本实施例中，所述图像采集模块的输出端和存储单元相连接，将采集的配电设备缺陷图片或视频信息传输至存储单元进行存储；所述图像/数字转化模块和存储单元相连接，将预处理后的图像数据输出至存储单元进行存储；所述处理单元与存储单元相连接，用于将分析结果以结构化数据的形式存储。

在本实施例中，所述电源模块包括电池供电模块和电源管理模块，该电池供电模块的输出端与电源管理模块相连接，所述电源管理模块的输出端分别与图像/数字转化模块、处理单元、存储单元和触摸显示屏相连接并为其供电。

下面对本发明的一种基于神经网络深度学习的配电设备缺陷图像识别终端的各个组成部分的功能和作用进行详细说明：

1.在配电设备缺陷运维巡视工作中，工作人员手持移动终端，开机后终端摄像头自动开启，对准设备，自动采集设备图像/视频，传输至存储单元(4g专网云存储)。以该缺陷识别终端摄像头作为图像采集前端，配合图像采集模块(其中包含图像传感器)，为系统提供图像\视频元数据，因项目实时性要求较高，图像采集模块以fpga单片机为核心，采用异步总线作为连接方式，旨在增强终端稳定性、提高图像采样频率以及非结构化数据传输速率。

2.所摄取配电设备缺陷图片信息，经图像/数字预处理模块处理后，降低了图像识别模块的数据传输量，将非结构化数据结构化，有利于提高整个终端运行效率，增加了终端灵活性，将预处理后的图像数据传输给处理单元(图像识别/分类模块)，其中图像/数字预处理模块算法由dsp实现。

3.图像处理单元以dsp为核心，其中包括基于图像识别神经网络算法、缺陷分类算法及缺陷严重程度判别算法，经处理单元处理后，将结果以结构化数据的形式存储，并将分析结果显示在触摸屏上，便于运维巡视人员查看，提高工作效率。

4.触摸屏显示模块设计简单，连接方便，图像识别分类结果显示在触摸屏上，由dsp控制输出。该终端会在触摸屏上具体显示设备图像、设备编号、设备状态及缺陷严重程度等信息。设备图像以前端摄像头采集图像为准，设备状态为识别缺陷类别，严重程度指导运维人员消缺工作，优先处理严重缺陷，有效减少缺陷处理周期长等问题，且为后期设备信息化大数据分析提供可靠数据支撑，进一步提高供电可靠性。

5.该设备缺陷终端采用容量为6000mah3.7v锂电池，搭载专门的电源管理模块，用于提高电池电压稳定性，保障各类模块对电压、电流要求的精确性与多样性，同时降低功耗。

一种基于神经网络深度学习的配电设备缺陷图像识别方法，如图4至图8所示，包括以下步骤：

步骤1、首先构建一套人工采集数据系统，对常见的缺陷设备进行缺陷信息的采集和标注，通过数据清洗以及标注完成初始数据集的构建；

步骤2、设计识别系统的深度网络，针对应用的平台的计算性能和资源进行网络结构的设计，通过对大数据集进行基础网络的训练得到一个特征提取网络；

步骤3、利用特征提取网络，分析配电设备缺陷图片，从而产生配电设备缺陷识别网络模型；

步骤4、为提高数据处理速度，压缩配电设备缺陷识别网络模型完成深度网络在应用平台上面的部署。

步骤5、通过智能化app进行实际场景的应用，根据识别结果将数据进行回流，从而构建电网的大数据库，通过超大规模数据进行二次学习而不断迭代模型以达到更高的性能。

需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。