局部放电检测方法、装置、系统、设备及可读存储介质与流程

本申请涉及变电站运维技术领域，尤其涉及一种局部放电检测方法、装置、系统、设备及可读存储介质。

背景技术：

随着经济的发展和生活质量的提高，居民和工厂对用电量的需求也越来越大，变电设备的正常稳定运行显得尤为重要，因为变电设备故障会对居民和工厂用电产生较大的影响。

变电设备故障主要分为机械故障、发热故障和绝缘故障三大类。绝缘故障是最常出现的一类故障，而局部放电故障又是绝缘故障中常见的故障之一。尽管局部放电不会立即击穿绝缘材料，但是放电一旦发生，就会不断侵蚀周围的设备，进而导致变压器绝缘裂化，还会造成电能损耗。因此，及时的检测局部放电对于变电设备的故障非常重要。

传统技术中，对于局部放电的检测主要通过人工定期巡检。这种方法检测效率低。

技术实现要素：

基于此，有必要针对上述技术问题，提供一种局部放电检测方法、装置、系统、设备及可读存储介质。

第一方面，一种局部放电检测方法，所述方法包括：

获取待检测区域图像；

通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

根据所述去噪图像，判断待检测区域是否存在局部放电；

若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。

在其中一个实施例中，所述加速区域卷积神经网络模型至少包括卷积层、池化层、风险优先数网络、全连接层，所述根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度，包括：

利用所述卷积层和所述池化层提取所述去噪图像的特征图；

根据所述特征图，通过区域建议网络生成建议区域；

通过所述池化层将所述建议区域和所述特征图结合，提取建议特征图；

通过所述全连接层对所述建议特征图进行评估，得到所述待检测区域局部放电的严重程度，并使用边界框回归，得到所述待检测区域局部放电的放电区域。

在其中一个实施例中，所述方法还包括：

构建预设加速区域卷积神经网络模型；

对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型。

在其中一个实施例中，所述对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型，包括：

获取多种已知放电区域和严重程度的局部放电图像，并标记，得到多个局部放电图像样本；

将所述多个局部放电图像样本输入所述预设加速区域卷积神经网络模型，对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型。

在其中一个实施例中，所述上下文聚合网络模型至少包括输入层、多个特征层和输出层。

在其中一个实施例中，所述方法还包括：

建立预设上下文聚合网络模型；

对所述预设上下文聚合网络模型进行训练，得到所述上下聚合网络模型。

在其中一个实施例中，所述对所述预设上下文聚合网络模型进行训练，得到所述上下聚合网络模型，包括：

获取样本图像集和所述样本图像集对应的双边滤波图像集；

将所述样本图像集和所述双边滤波图像集输入所述预设上下文聚合网络模型，学习所述样本图像集和所述双边滤波图像之间的特征关系，得到所述上下聚合网络模型。

在其中一个实施例中，所述方法还包括：

若所述待检测区域存在局部放电，输出报警信息。

在其中一个实施例中，所述根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度之后，所述方法还包括：

根据所述待检测区域局部放电的放电区域及严重程度，对所述去噪图像进行标记，得到检测图像样本。

在其中一个实施例中，所述方法还包括：

将检测图像样本输入所述加速区域卷积神经网络模型，对所述加速区域卷积神经网络模型进行优化。

第二方面，一种局部放电检测装置，包括：

图像获取模块，用于获取待检测区域图像；

去噪模块，用于通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

局部放电判断模块，用于根据所述去噪图像，判断待检测区域是否存在局部放电；

结果识别模块，用于若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。

第三方面，一种局部放电检测系统，包括：

巡检机器人，用于采集待检测区域图像；

地面基站，与所述巡检机器人通信连接，所述地面基站包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

第四方面，一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

第五方面，一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的方法的步骤。

本申请实施例提供的局部放电检测方法、装置、系统、设备及可读存储介质，通过上下文聚合网络模型对待检测区域图像进行去噪，得到去噪图像，根据去噪图像，判断待检测区域是否存在局部放电，并若待检测区域存在局部放电，根据去噪图像通过加速区域卷积神经网络模型，识别待检测区域局部放电的放电区域及严重程度。本实施例提供的局部放电检测方法、装置、系统、设备及可读存储介质能够实现局部放电的自动识别和检测，无需人工巡检，识别效率高。同时，本实施例提供的局部放电检测方法、装置、系统、设备及可读存储介质通过上下文聚合网络模型对待检测区域图像进行去噪，在滤除噪声的同时，能够保持边缘清晰度，去噪效果好。另外，上述局部放电检测方法、装置、系统、设备及可读存储介质根据去噪图像通过加速区域卷积神经网络模型，识别待检测区域局部放电的放电区域及严重程度，抛弃了传统的滑动窗口和选择性搜索方法，直接使用区域建议网络生成检测框，从而检测局部放电的放电区域，提高检测效率，提高检测结果准确度。

附图说明

图1为一个实施例提供的一种应用场景的局部放电检测系统结构示意图；

图2为一个实施例提供的一种局部放电检测方法的流程图；

图3为一个实施例提供的一种加速区域卷积神经网络模型工作的流程示意图；

图4为一个实施例提供的一种局部放电检测方法的流程图；

图5为一个实施例提供的一种局部放电检测方法的流程图；

图6为一个实施例提供的一种局部放电检测方法的流程图；

图7为一个实施例提供的一种局部放电检测方法的流程图；

图8为一个实施例提供的一种局部放电检测方法的流程图；

图9为一个实施例提供的一种局部放电检测方法的流程图；

图10为一个实施例提供的一种局部放电检测方法的流程图；

图11为一个实施例提供的一种局部放电检测装置的结构示意图；

图12为一个实施例提供的一种局部放电检测装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅用以解释本申请，并不用于限定本申请。

本申请提供的局部放电检测方法，可以用于对高压电器设备等可能发生局部放电的设备的局部放电现象进行检测。例如，本申请提供的局部放电检测方法可以用于变电站的变电设备的局部放电现象的检测。本申请提供的实施例均以对变电设备的局部放电的检测为例进行说明。如图1所示，本是申请实施例提供的局部放电检测方法可以具体应用于如图1所示的应用局部放电检测系统中。局部放电检测系统包括巡检机器人100和地面基站200。巡检机器人包括巡检车体和图像采集装置110。图像采集装置110搭载于巡检车体。图像采集装置110用于采集变电设备等的图像信息，图像采集装置可以但不限于紫外成像仪。紫外成像仪的结构、型号等不做任何限定，可以根据实际需求选择。巡检机器人100的巡检车体可以包括数据存储和处理模块120、通信模块130和运动控制模块140。图像采集装置110、运动控制模块140和通信模块130均与数据存储和处理模块120连接。运动控制模块140用于控制巡检机器人100的运动轨迹。通信模块130用于与其他设备的通信。另外，局部放电检测系统还可以包括地面基站200。地面基站200通过通信模块130与巡检机器人100通信。数据存储和处理模块120包括处理器和存储器，处理器能够处理计算机程序。处理器可以为中央处理器(cpu，centralprocessunit)，也可以为微处理器(mcu，microcontrollerunit)。地面基站可以为计算机设备，该计算机设备可以但不限于为各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。数据存储和处理模块120和地面基站均能够执行计算机程序，以实现本申请提供的局部放电检测方法的部分或全部步骤。

本领域技术人员可以理解，图1中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的设备的限定，具体的设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

下面将通过实施例并结合附图具体地对本申请的技术方案以及本申请的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。

图2为一个实施例提供的一种局部放电检测方法的流程图。本实施例的执行主体可以为图1所示的数据存储和处理模块120，也可以为地面基站200，还可以为数据存储和处理模块120和地面基站200共同执行，即执行主体为局部放电检测系统。以下实施例均以执行主体为局部放电检测系统为例，对所述局部放电检测方法进行说明。本实施例涉及的是局部放电检测系统识别是否存在局部放电及局部放电的位置和严重程度的具体过程。如图2所示，该方法包括：

s10、获取待检测区域图像。

待检测区域图像是指待检测变电设备的部分或全部区域的图像。局部放电检测系统的运动控制模块控制巡检机器人巡检车体，携带紫外成像仪沿着规划路径行走，紫外成像仪对待检测变电设备进行成像，并传输至数据存储和处理模块。

s20、通过上下文聚合网络模型(contextaggregationnetworks，can)对待检测区域图像进行去噪，得到去噪图像。

由于紫外成像仪获得的图像在成像过程中受到距离、增益和视角等因素的影响，存在噪点。对待检测区域图像的预处理能够消除冗余、干扰信息，获取有用信息，提高图像识别、分割和提取的效率和精度。上下文聚合网络模型可以为预先训练好的模型，用于对图像去噪。数据存储和处理模块基于上下文聚合网络模型对紫外成像仪采集的待检测区域图像进行去噪处理，去除噪点，得到去噪图像，且在滤除噪声的同时，能够保持边缘清晰度，去噪效果好。

s30、根据去噪图像，判断待检测区域是否存在局部放电。

局部放电检测系统的数据存储和处理模块根据s20得到的去噪图像，判断待检测区域是否存在局部放电。局部放电检测系统进行局部放电的判断识别方法有多种，例如，对比历史图像、寻找图像亮点等。以寻找图像亮点为例，数据存储和处理模块根据预设的算法在去噪图像中寻找，确定图像中是否存在亮点信息，如果存在亮点信息，则说明待检测区域存在局部放电，变电设备存在绝缘故障；若去噪图像中不存在亮点信息，则说明待检测区域不存在局部放电，变电设备不存在绝缘故障。

s40、若待检测区域存在局部放电，根据去噪图像通过加速区域卷积神经网络模型(faster-rcnn)，识别待检测区域局部放电的放电区域及严重程度。

若待检测区域存在局部放电，数据存储和处理模块进一步对去噪图像进行判断和识别，识别局部放电区域和局部放电严重程度。当然，若待检测区域存在局部放电，数据存储和处理模块也可以将去噪图像通过通信模块传输至地面基站，由地面基站将去噪图像输入预先训练好的加速区域卷积神经网络模型进行处理，以识别待检测区域的局部放电的放电具体位置和放电的严重程度。其中，通过加速区域卷积神经网络模型识别待检测区域局部放电的放电区域及严重程度，整个过程都用卷积神经网络(convolutionalneuralnetworks，cnn)完成，且直接使用区域建议网络(regionproposalnumber，rpn)生成检测框，对目标区域进行检测，得到待检测区域局部放电的放电区域。

本实施例提供的局部放电检测方法，通过上下文聚合网络模型对待检测区域图像进行去噪，得到去噪图像，根据去噪图像，判断待检测区域是否存在局部放电，并若待检测区域存在局部放电，根据去噪图像通过加速区域卷积神经网络模型，识别待检测区域局部放电的放电区域及严重程度。本实施例提供的局部放电检测方法能够实现局部放电的自动识别和检测，无需人工巡检，识别效率高。同时，本实施例提供的方法通过上下文聚合网络模型对待检测区域图像进行去噪，在滤除噪声的同时，能够保持边缘清晰度，去噪效果好。另外，上述方法根据去噪图像通过加速区域卷积神经网络模型，识别待检测区域局部放电的放电区域及严重程度，抛弃了传统的滑动窗口和选择性搜索(selectivesearch，ss)方法，直接使用rpn生成检测框，从而检测局部放电的放电区域，提高检测效率，提高检测结果准确度。

请参见图3和图4，在一个实施例中，图3为图2中s40的一种可能的实现方式的流程图，本实施例涉及若待检测区域存在局部放电，根据去噪图像通过加速区域卷积神经网络模型，识别待检测区域局部放电的放电区域及严重程度一种可能的实现方式。具体的，加速区域卷积神经网络模型至少包括卷积层、池化层、风险优先数网络、全连接层，s40包括：

s410、利用卷积层和池化层提取去噪图像的特征图。

faster-rcnn利用卷积层和吃法层提取输入的去噪图像的特征图，用于后续rpn网络和全连接层。在一个实施例中，在卷积前增加padding填充边框，能够保证卷积后的图片大小不变。

s420、根据特征图，通过区域建议网络生成建议区域。

rpn生成区域建议，对锚anchors评分，评估属于前景还是背景，进而用边界框回归对anchors的位置和类别进行更精确的修正，生成建议区域。

在一个具体的实施例中，s420通过以下流程实现：

1)经过s410的卷积和池化，得到特征图，在特征图上生成anchor，每个点都有9个anchor；

2)通过kernelsize＝3*3,stride＝1，padding＝1的卷积层进一步提取特征，输出的特征图的大小不变，这个特征图称为rpn特征图；

3)在rpn特征图上用两个kernelsize＝1*1的卷积层进行预测输出，通道数来表示预测的类别分数和偏移量。输出的两条通道一条通过sofxmax获得前景和背景的分类分数，分数代表前景概率和背景的概率。另一路通过边框回归预测锚框的另外四个数值，即左上角的坐标值和边框长宽，以获得更加精确的建议区域proposl，生成建议区域。

s430、通过池化层将建议区域和特征图结合，提取建议特征图。

roi池化层将s420得到的建议区域和s410得到的特征图结合，提取建议特征图。

s440、通过全连接层对建议特征图进行评估，得到待检测区域局部放电的严重程度，并使用边界框回归，得到待检测区域局部放电的放电区域。

全连接层使用s430得到的建议特征图，评估建议的类别，得到待检测区域局部放电的严重程度。同时再次使用边界框回归，得到更准确的位置，即为待检测区域局部放电的放电区域。

本实施例中，利用卷积层和池化层提取去噪图像的特征图，根据特征图，通过区域建议网络生成建议区域，通过池化层将建议区域和特征图结合，提取建议特征图，通过全连接层对建议特征图进行评估，得到待检测区域局部放电的严重程度，并使用边界框回归，得到待检测区域局部放电的放电区域，识别效率高，准确度高。本实施例提供的方法根据特征图，通过区域建议网络生成建议区域，抛弃了传统的滑动窗口和选择性搜索方法，直接使用rpn生成检测框，从而检测局部放电的放电区域，提高检测效率，提高检测结果准确度。

请参见图5，本实施例涉及构建和训练加速区域卷积神经网络模型的具体过程。具体的，所述方法还进一步包括：

s510、构建预设加速区域卷积神经网络模型。

预设加速区域卷积神经网络模型是指初步建立的，未经过训练区域卷积神经网络模型。

s520、对预设加速区域卷积神经网络模型进行训练，得到加速区域卷积神经网络模型。

对加速区域卷积神经网络模型进行训练，在训练过程中，模型的各部分不仅学习如何完成自己的任务，还自主学习如何相互配合。

请参见图6，在一个实施例中，对加速区域卷积神经网络模型的训练过程包括如下过程，即s520包括：

s521、获取多种已知放电区域和严重程度的局部放电图像，并标记，得到多个局部放电图像样本。

已知放电区域和严重程度的局部放电图像可以通过巡检机器人采集获得，也可以通过人工采集获得。对收集到的图像进行标记和分类，标记的内容可以包括但不限于采集时间、采集位置、放电区域等。并对图像的放电严重程度进行分类并标记。自此，得到多个局部放电图像样本，存储于巡检机器人的数据存储与处理模块或地面基站的存储器中。

s522、将多个局部放电图像样本输入预设加速区域卷积神经网络模型，对预设加速区域卷积神经网络模型进行训练，得到加速区域卷积神经网络模型。

将局部放电图像样本输入预设加速区域卷积神经网络模型，将模型输出的结果与已知的标记进行对比，不断调整模型参数，训练和改善模型结构，最终得到加速区域卷积神经网络模型。需要说明的是，局部放电图像样本的数量越多，对模型的训练越多，得到的加速区域卷积神经网络模型就越准确。

本实施例中，通过对预设加速区域卷积神经网络模型进行训练，得到加速区域卷积神经网络模型，提高了模型的准确度，从而提高了局部放电识别的准确性。

请参见图7，在一个实施例中，所述方法还进一步包括：

s610、根据待检测区域局部放电的放电区域及严重程度，对去噪图像进行标记，得到检测图像样本。

根据s50识别出的结果，对去噪图像进行标记，标记内容包括但不限于图像采集时间、采集位置、放电区域以及严重程度，得到检测图像样本，作为新的局部放电图像样本加入原局部放电图像数据库。

s620、将检测图像样本输入加速区域卷积神经网络模型，对加速区域卷积神经网络模型进行优化。

将检测图像样本输入加速区域卷积神经网络模型进行进一步训练和优化，训练和优化的过程与s522类似，在此不再赘述。

本实施例中，根据待检测区域局部放电的放电区域及严重程度，对去噪图像进行标记，得到检测图像样本，将检测图像样本输入加速区域卷积神经网络模型，对加速区域卷积神经网络模型进行优化，从而进一步提高加速区域卷积神经网络模型的精确度，提高后续局部放电检测结果的准确性。

以下结合实施例对上下文聚合网络模型及其训练过程进行进一步说明。在一个实施例中，上下文聚合网络模型至少包括输入层、多个特征层和输出层。

请参见图8，在一个实施例中，对上下文聚合网络模型的构建和训练过程如下，即所述方法还进一步包括：

s710、建立预设上下文聚合网络模型。

预设上下文聚合网络模型是指初步建立的，未经训练的网络模型。

s720、对预设上下文聚合网络模型进行训练，得到上下聚合网络模型。

请参见图9，对预设上下文聚合网络模型的训练过程可以如下所示，即s720包括：

s721、获取样本图像集和样本图像集对应的双边滤波图像集；

s722、将样本图像集和双边滤波图像集输入预设上下文聚合网络模型，学习样本图像集和双边滤波图像之间的特征关系，得到上下聚合网络模型。

本实施例中，通过获取样本图像集和样本图像集对应的双边滤波图像集，并将样本图像集和双边滤波图像集输入所述预设上下文聚合网络模型，学习样本图像集和双边滤波图像之间的特征关系，得到上下聚合网络模型。训练完的模型不需要运行双边滤波的算子，减少了图像的处理时间，达到了更好的运算结果。另外，通过对预设上下文聚合网络模型进行训练，得到上下文聚合网络模型，提高了模型的精确度，从而提高去噪的准确性，进而提高局部放电检测的准确度。

请参见图10，在一个实施例中，所述方法还进一步包括：

s80，若待检测区域存在局部放电，输出报警信息。

若s30判断结果显示，待检测区域存在局部放电，待检测设备有绝缘故障，则巡检机器人的数据存储和处理模块输出报警信息，以达到提醒用户的作用，提高用户体验度。

应该理解的是，虽然图2-图3、图5-图10流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2-图3、图5-图10至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行。

请参见图11，在一个实施例中，提供了一种局部放电检测装置30，包括：图像获取模块310、去噪模块320、局部放电判断模块330和结果识别模块340，其中：

图像获取模块310，用于获取待检测区域图像；

去噪模块320，用于通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

局部放电判断模块330，用于根据所述去噪图像，判断待检测区域是否存在局部放电；

结果识别模块340，用于若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。

在一个实施例中，所述加速区域卷积神经网络模型至少包括卷积层、池化层、风险优先数网络、全连接层，上述结果识别模块340还具体用于利用所述卷积层和所述池化层提取所述去噪图像的特征图；根据所述特征图，通过区域建议网络生成建议区域；通过所述池化层将所述建议区域和所述特征图结合，提取建议特征图；通过所述全连接层对所述建议特征图进行评估，得到所述待检测区域局部放电的严重程度，并使用边界框回归，得到所述待检测区域局部放电的放电区域。

请参见图12，在一个实施例中，局部放电检测装置30还包括第一模型构建训练模块350，用于构建预设加速区域卷积神经网络模型；对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型。

在一个实施例中，第一模型构建训练模块350具体用于获取多种已知放电区域和严重程度的局部放电图像，并标记，得到多个局部放电图像样本；将所述多个局部放电图像样本输入所述预设加速区域卷积神经网络模型，对所述预设加速区域卷积神经网络模型进行训练，得到所述加速区域卷积神经网络模型。

在一个实施例中，上下文聚合网络模型至少包括输入层、多个特征层和输出层。

在一个实施例中，局部放电检测装置30还包括第二模型构建训练模块360，用于建立预设上下文聚合网络模型；对所述预设上下文聚合网络模型进行训练，得到所述上下聚合网络模型。

在一个实施例中，第二模型构建训练模块360还具体用于获取样本图像集和所述样本图像集对应的双边滤波图像集；将所述样本图像集和所述双边滤波图像集输入所述预设上下文聚合网络模型，学习所述样本图像集和所述双边滤波图像之间的特征关系，得到所述上下聚合网络模型。

在一个实施例中，局部放电检测装置30还包括报警输出模块370，用于若所述待检测区域存在局部放电，输出报警信息。

在一个实施例中，局部放电检测装置30还包括模型优化模块380，用于根据所述待检测区域局部放电的放电区域及严重程度，对所述去噪图像进行标记，得到检测图像样本。

在一个实施例中，模型优化模块380还用于将检测图像样本输入所述加速区域卷积神经网络模型，对所述加速区域卷积神经网络模型进行优化。

关于局部放电检测装置30的具体限定可以参见上文中对于一种光缆入侵施工事件识别方法的限定，在此不再赘述。上述局部放电检测装置30中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

本申请一个实施例提供一种局部放电检测系统，包括：

巡检机器人，用于采集待检测区域图像；

地面基站，与所述巡检机器人通信连接，所述地面基站包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现如上所述方法的步骤。

所述局部放电检测系统的结构和有益效果等如上所述，在此不再赘述。

在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取待检测区域图像；

通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

根据所述去噪图像，判断待检测区域是否存在局部放电；

若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。

上述实施例提供的一种计算机设备，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时还实现以下步骤：

获取待检测区域图像；

通过上下文聚合网络模型对所述待检测区域图像进行去噪，得到去噪图像；

根据所述去噪图像，判断待检测区域是否存在局部放电；

若所述待检测区域存在局部放电，根据所述去噪图像通过加速区域卷积神经网络模型，识别所述待检测区域局部放电的放电区域及严重程度。

上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双倍数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。