一种基于图像识别技术的变电站智能巡检方法及系统与流程

本发明属于变电站设备技术领域，涉及一种基于图像识别技术的变电站智能巡检方法及系统。

背景技术：

变电站的设备巡检工作一直以来都是整个变电站在运行过程中的核心工作，这项工作的主要目的就是为了对当前设备的运行状态进行检查，从而第一时间发现设备运行过程中所存在的缺陷，促使设备能够安全、可靠、稳定的运行。但就目前绝大多数变电站的巡检工作看来，变电站仍然存在着很多问题，在恶劣环境下，变电站设备也很容易出现问题，因而在恶劣环境下的巡检工作显得格外重要。

传统的变电站巡检还存在一些问题，比如地处高温、高盐、高湿、强台风地区的变电站，设备腐蚀及发热情况十分严重，值班员需要开展大量巡视及测温工作，工作量大，人力成本高；需要人工全天候监视，极容易因巡视人员的疲惫导致无法有效地识别出变电站的危险情况；人工开展巡视工作时，数小时内暴露在阳光直射，40摄氏度以上的高温环境下，容易引发相关疾病。

因此设计出了变电站智能巡检机器人，操作人员可以远离带电设备、进行远程操作，安全性好，可靠性高，提高了巡检工作效率和质量，但目前变电站智能巡检机器人在巡检时会受到环境因素的影响，巡检准确率和工作效率较低，无法保障在恶劣环境下变电站的安全稳定运行。

因此，针对以上问题，本发明提出了一种基于图像识别技术的变电站智能巡检方法及系统。

技术实现要素：

本发明的目的在于：提供了一种基于图像识别技术的变电站智能巡检方法及系统，解决了现有变电站智能巡检机器人在巡检时会收到受到环境因素的影响，导致巡检准确率和工作效率较低的问题。

本发明采用的技术方案如下：

一种基于图像识别技术的变电站智能巡检方法，包括以下步骤：

步骤1：获取终端设备发送的照片，所述照片大于等于1张；

步骤2：对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

步骤3：对照片进行预处理；

步骤4：将预处理后的照片输入设备缺陷识别模型中，得到照片中的设备缺陷信息，并发送给终端设备。

进一步地，所述终端设备包括设备缺陷识别操作界面，对终端设备发送的图片数量进行控制；

所述设备缺陷识别操作界面包括单张照片识别控件和多张照片识别控件；所述单张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别单张照片中变电站设备缺陷的指令；所述多张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别多张照片中变电站设备缺陷的指令。

进一步地，所述步骤1还包括：根据所述照片中电力设备所处场景的不同，对照片进行分类，将不同场景的照片分类到不同的照片类别中。

进一步地，所述步骤2包括以下步骤：

步骤2.1：获取大于等于1张的包含变电站设备缺陷的照片样本；

步骤2.2：根据照片样本中的设备缺陷信息，对获取的照片样本中电力设备所处场景的不同进行分类，获得至少一个照片类别；

步骤2.3：对每个照片类别中各个照片样本进行白化处理后，调整各个照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，所述数据增强包括旋转、裁剪、平移和翻转；

步骤2.4：从照片样本集合中随机抽取得到待训练照片样本集合和待校验照片样本集合；

步骤2.5：将待训练照片样本集合的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到用于变电站设备缺陷分类检测的模型，并利用待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型，从而得到设备缺陷识别模型。

进一步地，所述步骤3包括：对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与设备缺陷识别模型的输入参数匹配。

一种基于图像识别技术的变电站智能巡检系统，包括电子装置，所述电子装置与变电站内的终端设备连接，其特征在于：所述电子装置包括照片获取模块、模型训练模块、照片预处理模块、设备缺陷识别模块和信息发送模块；

所述照片获取模块获取终端设备发送的照片；

所述模型训练模块对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

所述照片预处理模块对所述照片获取模块获取到的照片进行预处理后，发送至设备缺陷识别模块；

所述设备缺陷识别模块将预处理后的照片输入所述模型训练模块的设备缺陷识别模型中，得到照片中的设备缺陷信息；

所述信息发送模块将设备缺陷识别模块得到的设备缺陷信息发送给终端设备。

进一步地，所述终端设备包括设备缺陷识别操作界面，对终端设备发送的图片数量进行控制；

所述设备缺陷识别操作界面包括单张照片识别控件和多张照片识别控件；所述单张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别单张照片中变电站设备缺陷的指令；所述多张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别多张照片中变电站设备缺陷的指令。

进一步地，所述电子装置还包括照片分类模块，所述照片分类模块对所述照片获取模块获取到的照片根据照片中电力设备所处场景的不同进行分类，将不同场景的照片分类到不同的照片类别中。

进一步地，所述模型训练模块包括照片样本获取子模块、照片样本分类子模块、照片样本预处理子模块和模型训练子模块；

所述照片样本获取子模块获取大于等于1张的包含变电站设备缺陷的照片样本后发送给照片样本分类子模块；

所述照片样本分类子模块根据照片样本中的设备缺陷信息，对获取的照片样本中电力设备所处场景的不同进行分类，获得至少一个的照片类别，并将所有照片类别发送给照片样本预处理子模块；

所述照片样本预处理子模块对每个照片类别中各个照片样本进行白化处理后，调整各个照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，再从照片样本集合中随机抽取得到待训练照片样本集合和待校验照片样本集合，所述数据增强包括旋转、裁剪、平移和翻转；

所述模型训练子模块将所述照片样本预处理子模块得到的待训练照片样本集合的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到用于变电站设备缺陷分类检测的模型；并利用所述照片样本预处理子模块得到的待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型，从而得到设备缺陷识别模型。

进一步地，所述照片预处理模块对所述照片获取模块获取到的照片进行预处理，具体为对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与模型训练模块得到的设备缺陷识别模型的输入参数匹配。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.一种基于图像识别技术的变电站智能巡检方法及系统，通过照片获取模块获取终端设备发送的当前电力设备的照片，在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备缺陷识别模型中，将基于深度学习的图像识别技术运用到变电站的电力设备缺陷检测中，识别出照片中电力设备的缺陷信息，再通过信息发送模块发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误，该系统与智能巡检机器人配合使用，提高了智能巡检机器人的准确率和工作效率。

2.本发明还包括根据所述照片中电力设备所处场景的不同，对照片进行分类，将不同场景的照片分类到不同的照片类别中，分类后再识别，可减少识别误差。

3.本发明还包括对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与设备缺陷识别模型的输入参数匹配，减小环境因素对照片识别的影响，进一步提高智能巡检机器人的巡检准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图，其中：

图1是一种基于图像识别技术的变电站智能巡检方法的流程图；

图2是一种基于图像识别技术的变电站智能巡检系统的连接框图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处描述和附图中示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

一种基于图像识别技术的变电站智能巡检方法及系统，解决了现有变电站智能巡检机器人在巡检时会收到受到环境因素的影响，导致巡检准确率和工作效率较低的问题。

一种基于图像识别技术的变电站智能巡检方法，包括以下步骤：

步骤1：获取终端设备发送的照片，所述照片大于等于1张；

步骤2：对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

步骤3：对照片进行预处理；

步骤4：将预处理后的照片输入设备缺陷识别模型中，得到照片中的设备缺陷信息，并发送给终端设备。

一种基于图像识别技术的变电站智能巡检系统，包括电子装置，所述电子装置与变电站内的终端设备连接，所述电子装置包括照片获取模块、模型训练模块、照片预处理模块、设备缺陷识别模块和信息发送模块；

所述照片获取模块获取终端设备发送的照片；

所述模型训练模块对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

所述照片预处理模块对所述照片获取模块获取到的照片进行预处理后，发送至设备缺陷识别模块；

所述设备缺陷识别模块将预处理后的照片输入所述模型训练模块的设备缺陷识别模型中，得到照片中的设备缺陷信息；

所述信息发送模块将设备缺陷识别模块得到的设备缺陷信息发送给终端设备。

本发明通过照片获取模块获取终端设备发送的当前电力设备的照片，在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备缺陷识别模型中，将基于深度学习的图像识别技术运用到变电站的电力设备缺陷检测中，识别出照片中电力设备的缺陷信息，再通过信息发送模块发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误，该系统与智能巡检机器人配合使用，提高了智能巡检机器人的准确率和工作效率。

下面结合实施例对本发明的特征和性能作进一步的详细描述。

实施例一

本发明的较佳实施例，提供了一种变电站智能巡检装置，该实施例的变电站智能巡检装置包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，例如一种基于图像识别技术的变电站智能巡检方法的程序，所述方法包括以下步骤：

步骤1：获取终端设备发送的照片，所述照片大于等于1张，所述终端设备为智能巡检机器人，并根据所述照片中电力设备所处场景的不同，对照片进行分类，将不同场景的照片分类到不同的照片类别中，分类后再识别，可减少识别误差；

步骤2：对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

步骤2.1：获取大于等于1张的包含变电站设备缺陷的照片样本；

步骤2.2：根据照片样本中的设备缺陷信息，对获取的照片样本中电力设备所处场景的不同进行分类，获得至少一个照片类别；

步骤2.3：对每个照片类别中各个照片样本进行白化处理后，调整各个照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，所述数据增强包括旋转、裁剪、平移和翻转；

步骤2.4：从照片样本集合中随机抽取得到待训练照片样本集合和待校验照片样本集合，所述随机抽取按照一定比例进行，当照片样本集合的照片数量不超过5000张时，按10:1的比例随机抽取待训练照片样本集合和待校验照片样本集合，且随机抽取中尽量覆盖各个照片类别，当照片样本集合的照片数量超过5000张时，可根据实际情况适当增加比例；

步骤2.5：将待训练照片样本集合的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到用于变电站设备缺陷分类检测的模型，并利用待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型，从而得到设备缺陷识别模型；

所述随机梯度下降法每次训练接受一定数量的训练数据，经过网络前向后，使用损失函数来衡量输出和数据实际标签的差距，接着利用这种衡量来反向训练网络参数，其中，损失函数采用交叉熵损失函数与内聚性损失函数的结合体，公式为：

步骤3：对照片进行预处理，具体为对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与设备缺陷识别模型的输入参数匹配，减小环境因素对照片识别的影响，进一步提高智能巡检机器人的巡检准确率；

步骤4：将预处理后的照片输入设备缺陷识别模型中，通过多个卷积层和下采样层输出特征图，从而得到照片中的设备缺陷信息，并发送给终端设备；所述设备缺陷识别模型中的网络配置参数为：

输入：256×256的rgb图像；

网络层结构：40层网络，具体分布如表1所示：

表1

表1中，所述卷积层的公式为：

convoutput＝f(w^tx+b)，

其中，f(*)代表激活函数，x代表输入数据，w和b代表参数，所述激活函数采用relu激活函数，公式为：

f(x)＝max(0,x)，

其求导形式为：

所述下采样层的公式采用max-pooling方法表示为：

poolingoutput＝max(x)，

其中，x代表n*n矩阵；

所述全连接层的输入是一个向量，通过光栅化得到向量连接到全连接层，最后通过softmax分类器得到该分类器的分类结果，该softmax分类器接受4096维的输入数据，输出n(设备缺陷种类数)维的结果，该结果代表该输入样本对应n(设备缺陷种类数)个设备缺陷类别的置信度，而后取其最大值所在类别为分类结果，softmax分类器的公式为：

其中，j＝1,2,…,k，k代表类的次数，取值n(设备缺陷种类数)；z＝w^tx+b，w、b为softmax的参数，x为4096维的输入特征。

进一步地，所述终端设备包括设备缺陷识别操作界面，对终端设备发送的图片数量进行控制；

所述设备缺陷识别操作界面包括单张照片识别控件和多张照片识别控件；所述单张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别单张照片中变电站设备缺陷的指令；所述多张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别多张照片中变电站设备缺陷的指令。

示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述变电站智能巡检装置中的执行过程。例如，所述计算机程序可以被分割成照片获取模块、照片分类模块、模型训练模块、照片预处理模块、设备缺陷识别模块和信息发送模块；各模块具体功能如下：

所述照片获取模块获取终端设备发送的照片；

所述照片分类模块对所述照片获取模块获取到的照片根据照片中电力设备所处场景的不同进行分类，将不同场景的照片分类到不同的照片类别中；

所述模型训练模块对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

所述照片预处理模块对所述照片获取模块获取到的照片进行预处理，具体为对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与模型训练模块得到的设备缺陷识别模型的输入参数匹配后，发送至设备缺陷识别模块；

所述设备缺陷识别模块将预处理后的照片输入所述模型训练模块的设备缺陷识别模型中，得到照片中的设备缺陷信息；

所述信息发送模块将设备缺陷识别模块得到的设备缺陷信息发送给终端设备。

进一步地，所述模型训练模块包括照片样本获取子模块、照片样本分类子模块、照片样本预处理子模块和模型训练子模块；

所述照片样本获取子模块获取大于等于1张的包含变电站设备缺陷的照片样本后发送给照片样本分类子模块；

所述照片样本分类子模块根据照片样本中的设备缺陷信息，对获取的照片样本中电力设备所处场景的不同进行分类，获得至少一个的照片类别，并将所有照片类别发送给照片样本预处理子模块；

所述照片样本预处理子模块对每个照片类别中各个照片样本进行白化处理后，调整各个照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，再从照片样本集合中随机抽取得到待训练照片样本集合和待校验照片样本集合，所述数据增强包括旋转、裁剪、平移和翻转；

所述模型训练子模块将所述照片样本预处理子模块得到的待训练照片样本集合的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到用于变电站设备缺陷分类检测的模型；并利用所述照片样本预处理子模块得到的待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型，从而得到设备缺陷识别模型。

所述变电站智能巡检装置可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，本实施例仅仅是变电站智能巡检装置的示例，并不构成对所述变电站智能巡检装置的限定，可以包括比本实施例所述更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述变电站智能巡检装置还可以包括输入输出设备、网络接入设备、总线等。

所述处理器可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述变电站智能巡检装置的控制中心，利用各种接口和线路连接整个变电站智能巡检装置的各个部分。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述变电站智能巡检装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据装置的使用所创建的数据。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

本实施例提供的一种基于图像识别技术的变电站智能巡检方法，通过获取终端设备发送的当前电力设备的照片，进行预处理后输入预先训练好的设备缺陷识别模型中，将基于深度学习的图像识别技术运用到变电站的电力设备缺陷检测中，识别出照片中电力设备的缺陷信息，并发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误。

实施例二

本实施例提供了一种基于图像识别技术的变电站智能巡检系统，包括电子装置，所述电子装置与变电站内的终端设备连接，其特征在于：所述电子装置包括照片获取模块、模型训练模块、照片预处理模块、设备缺陷识别模块和信息发送模块；

所述照片获取模块获取终端设备发送的照片；

所述模型训练模块对深度卷积神经网络模型进行训练，得到设备缺陷识别模型；

所述照片预处理模块对所述照片获取模块获取到的照片进行预处理后，发送至设备缺陷识别模块；

所述设备缺陷识别模块将预处理后的照片输入所述模型训练模块的设备缺陷识别模型中，得到照片中的设备缺陷信息；

所述信息发送模块将设备缺陷识别模块得到的设备缺陷信息发送给终端设备。

进一步地，所述终端设备包括设备缺陷识别操作界面，对终端设备发送的图片数量进行控制；

所述设备缺陷识别操作界面包括单张照片识别控件和多张照片识别控件；所述单张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别单张照片中变电站设备缺陷的指令；所述多张照片识别控件接收用户通过设备缺陷识别操作界面发出的识别多张照片中变电站设备缺陷的指令。

进一步地，所述电子装置还包括照片分类模块，所述照片分类模块对所述照片获取模块获取到的照片根据照片中电力设备所处场景的不同进行分类，将不同场景的照片分类到不同的照片类别中。

进一步地，所述模型训练模块包括照片样本获取子模块、照片样本分类子模块、照片样本预处理子模块和模型训练子模块；

所述照片样本获取子模块获取大于等于1张的包含变电站设备缺陷的照片样本后发送给照片样本分类子模块；

所述照片样本分类子模块根据照片样本中的设备缺陷信息，对获取的照片样本中电力设备所处场景的不同进行分类，获得至少一个的照片类别，并将所有照片类别发送给照片样本预处理子模块；

所述照片样本预处理子模块对每个照片类别中各个照片样本进行白化处理后，调整各个照片样本的尺寸，再对照片样本进行数据增强，得到每个照片类别下的照片样本集合，再从照片样本集合中随机抽取得到待训练照片样本集合和待校验照片样本集合，所述数据增强包括旋转、裁剪、平移和翻转；

所述模型训练子模块将所述照片样本预处理子模块得到的待训练照片样本集合的照片样本依次输入深度卷积神经网络模型，利用随机梯度下降法对深度卷积神经网络模型进行训练，得到用于变电站设备缺陷分类检测的模型；并利用所述照片样本预处理子模块得到的待校验照片样本集合的照片样本校核训练后的深度卷积神经网络模型，从而得到设备缺陷识别模型。

进一步地，所述照片预处理模块对所述照片获取模块获取到的照片进行预处理，具体为对照片进行白化处理以过滤照片中的噪声像素，白化处理后的各个照片的像素均为0且像素方差为1；再调整照片的尺寸，使得照片与模型训练模块得到的设备缺陷识别模型的输入参数匹配。

所述电子装置集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本实施例提供的一种基于图像识别技术的变电站智能巡检系统，通过照片获取模块获取终端设备发送的当前电力设备的照片，在照片预处理模块中进行预处理后输入模型训练模块预先训练好的设备缺陷识别模型中，将基于深度学习的图像识别技术运用到变电站的电力设备缺陷检测中，识别出照片中电力设备的缺陷信息，再通过信息发送模块发送给终端设备，实现自动识别电力设备的缺陷问题，不需要人为参与，减少人为失误，该系统与智能巡检机器人配合使用，提高了智能巡检机器人的准确率和工作效率。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明的保护范围，任何熟悉本领域的技术人员在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。