一种基于深度学习的变电站监测方法、系统、电子设备与流程

1.本发明涉及变电站管理技术领域，更进一步的，涉及一种基于深度学习的变电站监测方法、系统、电子设备。


背景技术：

2.在变电站中，变压器、互感器、电容器等许多重要设备为充油设备，这些设备由于温差导致的金属材料以及密封材料大范围地热胀冷缩、设备结构设计不合理、制造工艺和质量问题、材质选用问题、部件老化、施工安装不当等原因常会出现渗漏油的情况；一旦出现渗漏油情况，不仅影响外观，污染环境，而且会使油位降低，引起低油位告警；甚至会使带电接头、开关处在无油绝缘的状况下运行，从而导致绝缘降低、击穿、短路、烧损，甚至爆炸；且渗漏油还会使变压器由密封状态变为非密封状态，长此以往，对变压器的绝缘品质和使用寿命都会产生不利影响，故通常需要对变电站设备的渗漏油状态进行巡检，但是随着变电站数量的增加，采用人工巡视发现设备缺陷，工作负荷大、时间长，管理精益化水平下降和“管不过来”等问题日渐突出，如何实现变电站高效监测、实时巡检是亟需解决的技术问题。
3.有鉴于此，特提出本技术。


技术实现要素：

4.针对于在现有技术中针对于变电站渗漏油巡检过程采用人工巡检存在的工作负荷大、时间长、工作效率低的问题，本发明提供了一种基于深度学习的变电站监测方法及系统，该方法基于深度学习技术预先建立识别图像集，通过图像识别的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。
5.为实现上述发明目的，本发明提供以下技术方案：第一方面本发明实施例提供了一种基于深度学习的变电站监测方法，包括如下步骤：对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；获取多个所述拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号。
6.在本方案中，基于图像识别的原理实现变电站的实时监测，通过获取变电站的监测图像，并针对于图像进行划分及编号，在识别到渗油漏油风险后，能够有针对性的辅助运维人员对应相关风险区域并进行修复，且在本方案中，基于深度学习原理，对模型进行训练，进一步保证了图形设备的准确性及有效性，基于上述变电站监测方法，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效，准确的实现变电站的监
测，从而能够有效的提高变电站的监测效率，降低人力成本。
7.进一步的，通过以下方法构建图像识别模型，包括：获取变电站中多张异常图像与正常图像，其中，所述异常图像为设备的渗漏油图像，并通过模拟渗漏油部位的油迹覆盖范围进行轻微、中度、严重划分；所述正常图像为设备的未发生渗漏油的图像；对获取到的异常图像与正常图像进行类别标注，生成训练图像集；构建初始图像识别模块，利用所述训练图像集对所述初始图像识别模型进行训练，直到所述初始图像识别模型满足条件收敛，得到所述变电站图像识别模型。
8.进一步的，在构建变电站图像识别模型时，基于多张异常图像与正常图像，进行环境特征提取并基于提取的环境特征构建设备位置信息；进行渗油范围特征提取并基于提取的渗油范围特征构建渗油程度信息；在利用预先构建的图像识别模型对所述监测图像集进行识别，首先识别所述监测图像集的环境特征，再识别对应环境特征的渗油范围特征。
9.进一步的，在进行环境特征提取并基于提取的环境特征构建设备位置信息，其中，进行环境特征提取为进行图像的纹理特征提取，基于图像的纹理特征确定为表面油迹或者为地面油迹。
10.进一步的，在构建变电站图像识别模型时，针对于地面油迹对应的异常图像以及正常图像，均通过纹理特征提取进行图像裁剪，取出图像中的缺陷点，实现模型的建立。
11.进一步的，所述利用所述训练图像集对初始图像识别模型进行训练，包括：对所述训练图像集进行数据标准化处理与数据增强处理，利用处理后的训练图像集对初始图像识别模型进行训练。
12.进一步的，所述初始图像识别模型为：yolo、faster r-cnn中的一种。
13.进一步的，利用处理后的训练图像集对初始图像识别模型进行训练具体包括如下步骤：基于数据标准化处理与数据增强处理后的训练图像集，进行随机分类，其中第一类图像集用于对初始图像识别模型进行训练；第二类图像集验证及监督训练的流程；第三类图像集用于对训练后获得所述变电站图像识别模型进行测试；其中，所述第一类图像集的数量n1、所述第二类图像集的数量n2、所述第三类图像集的数量n3满足：n1》 n2》 n3。
14.第二方面本发明实施例涉及一种基于深度学习的变电站监测电子设备，包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述基于深度学习的变电站监测方法。
15.第三方面本发明实施例涉及一种基于深度学习的变电站监测系统，包括：图像采集装置、电子设备；所述电子设备用于对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号，并向所述图像采集装置发出采集指令，其中，所述图像采集指令，包括：多个所述拍摄区块及其编号；以及，获取来自图像采集装置的多个所述拍摄区块
处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；以及，呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号；所述图像采集装置，用于基于所述图像采集指令采集多个所述拍摄区块处的图像，并传输至所述电子设备。
16.本发明与现有技术相比，具有如下的优点和有益效果：本发明实施例涉及的一种基于深度学习的变电站监测方法，通过对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；获取多个所述拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号；本方法基于图像识别的原理实现变电站的实时监测，通过获取变电站的监测图像，并针对于图像进行划分及编号，在识别到渗油漏油风险后，能够有针对性的辅助运维人员对应相关风险区域并进行修复，且在本方案中，基于深度学习原理，对模型进行训练，且通过在图像识别模型中构件对应的位置识别模块，能够有效的实现渗漏油位置的识别，降低油迹在不同面上的延展性不一样的问题，带来的对识别结果的影响，进一步保证了设别准确性及有效性，基于上述变电站监测方法，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。
附图说明
17.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
18.图1为本发明实施例提供的一种深度学习的变电站监测方法的流程图；图2为本发明实施例提供的变电站图像识别模型建立的流程图；图3为本发明实施例提供的变电站监测识别过程示意图；图4为本发明实施例提供的一种深度学习的变电站监测系统的结构示意图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动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。
20.在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。在其他实例中，为了避免混淆本发明，未具体描述公知的结构、电路、材料或方法。
21.在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、
结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
22.在本发明的描述中，需要理解的是，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例
23.如图1所示，本发明实施例提供了一种基于深度学习的变电站监测方法，包括如下步骤：s1、对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号；s2、获取多个所述拍摄区块处的图像，得到监测图像集；s3、利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；s4、呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号。
24.在本方案中，基于图像识别的原理实现变电站的实时监测，通过获取变电站的监测图像，并针对于图像进行划分及编号，在识别到渗油漏油风险后，能够有针对性的辅助运维人员对应相关风险区域并进行修复，且在本方案中，基于深度学习原理，对模型进行训练，进一步保证了图形设备的准确性及有效性，基于上述变电站监测方法，能够有效的实现变电站渗漏油的实时监测，改变现有采用人工巡检的方式，高效，准确的实现变电站的监测，从而能够有效的提高变电站的监测效率，降低人力成本。
25.在一些实施例中，上述s1的具体步骤包括，采用等面积划分的方式对图像采集区域进行等面积划分，针对于采集到的设别的边界位置，采用补齐的方式进行规划；在得到多个区域后，通过图像采集装置进行对应区域的图像采集并编号；采用等面积划分的方式，能够有效的保证拍摄到的图像大小的一致性，便于进行图像处理和识别，且针对于便捷部位进行补齐，能够有效的保证拍摄到的监控区域的全面貌，从而能够实现全面的监测和分析。
26.其中，需要说明的是，在步骤s2中，得到所述监测图像集，需要保证获取的图像质量是否满足预设的质量要求；如满足，这基于满足要求的图像构建图像集，若不满足，反馈对应的信号到图形采集装置进行重新拍摄。
27.具体的，针对于图像预设的质量要求，包括但不限于，图形的尺寸要求以及分辨率要求，判断所获取的图像尺寸是否满足预设尺寸，若否，则认为不满足要求；若是，则判断所获取的图像分辨率是否达到阈值，若否，则认为不满足要求；若是，则认为图像质量满足要求，首先进行尺寸判断，能够快速的进行图像的初步筛选，从而大大提高图像集的建立效率。
28.如图2所示，在一些实施例中，通过以下方法构建图像识别模型，包括：获取变电站中多张异常图像与正常图像，其中，所述异常图像为设备的渗漏油图像，并通过模拟渗漏油部位的油迹覆盖范围进行轻微、中度、严重划分；所述正常图像为设
备的未发生渗漏油的图像；对获取到的异常图像与正常图像进行类别标注，生成训练图像集；构建初始图像识别模块，利用所述训练图像集对所述初始图像识别模型进行训练，直到所述初始图像识别模型满足条件收敛，得到所述变电站图像识别模型。
29.其中，作为本领域技术人员应当知晓，针对于设备的渗漏油的严重程度判定时，可基于渗出/漏出油迹的覆盖范围进行判定，其中，范围越大则表示情况越严重，具体的，针对于具体的渗漏油标准可通过人工涂覆的方式实现覆盖范围与严重程度覆盖范围的确定。
30.如图3所示，在一些实施例中，在构建变电站图像识别模型时，基于多张异常图像与正常图像，进行环境特征提取并基于提取的环境特征构建设备位置信息；进行渗油范围特征提取并基于提取的渗油范围特征构建渗油程度信息；在利用预先构建的图像识别模型对所述监测图像集进行识别，首先识别所述监测图像集的环境特征，再识别对应环境特征的渗油范围特征。
31.在本方案中，基于获取的多张异常图像与正常图像构建图像数据集，其是将多张图像构建成一个数据集，需要说明的是，针对于变电站而言，其具有多种需监控设备、不同的渗漏油位置（设备上或地面），直接构建一个数据集，针对于一个数据集进行训练，避免了针对于不同位置不同设别分别进行数据集建立并训练，能够有效的提高数据集的训练效率，从而大大降低了整个图像识别系统的基础成本，进一步降低变电站维护的运维成本。
32.作为一种能够位置信息识别的具体的实施方式，在进行环境特征提取并基于提取的环境特征构建设备位置信息，其中，进行环境特征提取为进行图像的纹理特征提取，基于图像的纹理特征确定为表面油迹或者为地面油迹。
33.针对于现有的变电站设备，其具有多种安装环境，比如安装在混凝土路面，镂空砖地面或者是石子面，且不同设备的安装位置以及渗漏油位置均会对监测结果造成影响，在现有技术中，采用油迹的覆盖面积直接进行渗漏油判断，对于不同的渗漏油位置以及安装面，油迹在其表面的延展性均存在一定的差异，在本方案中，采用通过纹理特征进行位置设备，针对于纹理的不连续点，其能够有效的进行识别以及标识，针对于不同表面，可通过其对应的纹理特征，获取到对应的位置信息，并通过图像识别模型的训练，能够在后续进行渗漏油识别时，准确的获取到对应的监测面的信息，相较于现有技术中常规的渗漏油识别手段，通过纹理特征直接实现位置识别，能够有效的避免表面的延展性对识别结果的影响，从而能够实现不同的渗漏油位置的准确监测。
34.且，在本实施例中，针对于由石子铺设的地面或者是具有镂空砖地面，在发生渗漏油情况时，石子之间、镂空砖的缝隙或者是镂空砖的孔洞均会对渗漏油的识别造成影响，基于此，基于纹理特征提取，能够有效的明确对应的缺陷位置对应的位置特征，从而辅助实现识别的有效性。
35.作为降低安装面对图像识别模型识别效果影响的一种具体的构建方式，在构建变电站图像识别模型时，针对于地面油迹对应的异常图像以及正常图像，通过纹理比较获取对应的位置特征，且在本方案中，针对于由石子铺设的地面或者是具有镂空砖地面可通过裁剪对比的方式进行渗漏油的范围判定，从而有效的降缝隙对于渗漏油情况判定的影响。
36.在本实施例中，通过基于纹理识别，能够准确的实现对应的监测位置的判定，从而有效的降低了因为油迹在不同平面延展性不同的问题，带来的覆盖范围不一样的影响，从
而能够实现不同位置的渗漏油的设别，且通过该方法建立的图形识别模型，能够保证评判结果的一致性，提高监测评价的精准度。
37.具体的，作为本领域技术人员应当知晓，在一些实施例中，所述利用所述训练图像集对初始图像识别模型进行训练，包括：对所述训练图像集进行数据标准化处理与数据增强处理，利用处理后的训练图像集对初始图像识别模型进行训练；其中，所述数据标准化处理，包括：图像裁剪、归一化、插值等处理。其中，所述数据增强处理，包括：将训练图像集中的图像进行翻转、镜像等操作，以将所述训练图像集中的数量扩充至原始图像的2~5倍。
38.在一些实施例中，所述初始图像识别模型为：yolo、faster r-cnn中的一种，具体的，针对于上述初始图像识别模型通过迁移学习的方法进行构建，且上述初始图像识别模型均为常见的图像识别模型，通过迁移学习相应的图像识别模型作为本实施例的初始图像识别模型，能够有效减少模型的训练时长、防止出现训练过拟合。
39.作为一种具体的实施方式，yolo模型采用百度公司提出了pp-yolo模型，其能够在不增加推断时间的情况下提高了模型的准确性，其中，骨干网络使用resnet，数据增强使用mixup，采用resnet作为骨干网络，一方面其使用范围较广，且各种深度学习框架都针对resnet系列进行了深度优化，在实际部署时更加方便，在实际中推断速度也会更好，其中深度学习框架采用paddlepaddle。
40.在一些实施例中，利用处理后的训练图像集对初始图像识别模型进行训练具体包括如下步骤：基于数据标准化处理与数据增强处理后的训练图像集，进行随机分类，其中第一类图像集用于对初始图像识别模型进行训练；第二类图像集验证及监督训练的流程；第三类图像集用于对训练后获得所述变电站图像识别模型进行测试；其中，所述第一类图像集的数量n1、所述第二类图像集的数量n2、所述第三类图像集的数量n3满足：n1》 n2》 n3。
41.为了保证整个图像识别模型的有效性，在图像集构建过程中即进行验证、监督训练以及测试，大大提高了图像识别的准确性，且具体的，作为本领域技术人员应当知晓，在进行图像集建立时需要进行数据标准化处理与数据增强处理，例如：获取到的训练图像集为1000张，随机抽取700张，进行数据标准化处理与数据增强处理使样本扩增到2800张作为训练集，余下样本中再随机抽取200张作为验证及监督训练的流程，最后100张样本作为测试集来测试最终训练所得模型的实际效果。
42.本发明实施例还涉及一种基于深度学习的变电站监测电子设备，包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行如上述基于深度学习的变电站监测方法。
43.在本发明的实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(digital signal processor，简称dsp)、专用集成电路(application specific integrated circuit，简称asic)、现场可编程门阵列(field programmable gate array，简称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。
44.可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
45.如图4所示，本发明实施例还涉及一种基于深度学习的变电站监测系统，包括：图像采集装置、电子设备；所述电子设备用于对变电站待监测区域进行成像分析，得到所述待监测区域对应的多个拍摄区块及其编号，并向所述图像采集装置发出采集指令，其中，所述图像采集指令，包括：多个所述拍摄区块及其编号；以及，获取来自图像采集装置的多个所述拍摄区块处的图像，得到监测图像集；利用预先构建的变电站图像识别模型对所述监测图像集进行识别，根据识别结果提取所述待监测区域中的异常图像；以及，呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号；所述图像采集装置，用于基于所述图像采集指令采集多个所述拍摄区块处的图像，并传输至所述电子设备。
46.具体的，为了实现多个获取多个区域的图像，可通过设置不同位置的图形采集单元实现不同区域的图像获取。
47.其中，电子设备可以包括移动手机、平板电脑、个人数字助理（personaldigitalassistant，pda）、移动互联网设备（mobile internet device， mid）、智能穿戴设备（如智能手表、智能手环）等各种终端设备，以及服务器、微机系统等，本发明实施例不作限定。图像采集装置可以包括：ccd相机、高清摄像机等能够用于采集图像的装置，本发明实施例不作限定。
48.具体的，在电子设备识别出异常图像后，会将异常图像进行汇总并呈现；在呈现时，将所述异常图像对应的异常类别及其对应的拍摄区块的编号一并呈现，以辅助运维人员进行针对性修复。
49.在一些实施例中，所述电子设备包括边缘技术单元，所述边缘计算单元部署在变电站主控室，用于部署上述处理器，并定时调用图像采集装置，采集设备图片作为神经网络模型输入参数，进行设备表面和地面渗、漏油监测，监测到渗漏油缺陷后，通过数据传输网络传输至运维人员。
50.以上为本发明较佳的实施方式，本发明所属领域的技术人员还能够对上述实施方式进行变更与修改，因此本发明并不局限于上述的具体实施方式，凡是本领域技术人员在本发明的基础上所作的任何显而易见的改进、替换或变形均属于本发明的保护范围。