电力设备的缺陷识别及预警方法、装置及计算机设备与流程

本发明涉及电力缺陷技术领域，尤其涉及一种电力设备的缺陷识别及预警方法、装置及计算机设备。

背景技术：

随着我国社会经济的发展，对于电力能源的需求与日俱增。现代电力系统正朝着大电网、大机组、超高压、大容量的方向发展，为保障电力系统运行的稳定性、可靠性，就对电力设备的安全运行等提出了更高的要求。电力设备如主变压器，断路器，隔离开关等，当电力设备内部环节的任何电子元器件出现缺陷和或故障都可能影响设备整体性能。尤其是大型电力设备器体形庞大、内部结构复杂以及使用环境复杂等原因，一旦出现事故进行停电检修时，将投入大量的人力、物力、财力和时间。

随着科学的发展，红外成像技术的成熟，将红外成像技术应用在电力设备的检测上，为电力设备的检测带来了极大的便利。但采用红外成像技术对电力设备的检测在具体分析和缺陷判别需要依靠人工进行分析和识别，也需要消耗大量人力、时间资源。因人工分析和识别存在个人主观因素以及长时间通过人眼分析和识别，眼睛会出现疲劳，由此人工分析和识别电力设备的缺陷的准确性有待确定。

由上所述，现有对电力设备是人工采用检测设备巡检的，该巡检方式的工作效率低、耗费大量的人力物力，也无法对要产生危害的电力设备进行提前预测。

因此，在对电力设备的巡检过程中，如何提高识别电力设备的缺陷以及对产生危害的电力设备进行预警提示成为本领域技术人员亟待解决的重要技术问题。

技术实现要素：

本发明实施例提供了一种电力设备的缺陷识别及预警方法、装置及计算机设备，用于解决现有对电力设备巡检是人工通过巡检设备，该巡检方式的工作效率低，也无法对要产生危害的电力设备进行预警提示的技术问题。

为了实现上述目的，本发明实施例提供如下技术方案：

一种电力设备的缺陷识别及预警方法，包括以下步骤：

s1.获取待测电力设备的红外热成像图谱；

s2.构建缺陷识别模型和预警分析模型，所述缺陷识别模型用于对所述红外热成像图谱进行缺陷识别分析，得到所述待测电力设备的缺陷值；

s3.若所述缺陷值大于所述缺陷识别模型中预设的缺陷阈值，采用所述预警分析模型对所述红外热成像图谱进行预警分析，得到所述待测电力设备的预警值；

s4.若所述预警值大于所述预警分析模型的预设的预警阈值，作出预警分析。

优选地，构建所述缺陷识别模型的步骤包括：

s21.基于电力设备数据库获取历史电力设备采集的红外热成像图谱数据；

s22.采用图像拼接、边缘检测、图像增强、图像恢复、图像滤波、图像分割对所述红外热成像图谱数据进行处理，得到红外图像数据；

s23.采用gist特征提取方式和gabor滤波方式对所述红外图像数据进行特征提取，得到特征图像数据；

s24.采用卷积神经网络对所述特征图像数据进行分类，得到红外图谱数据；

s25.采用深度学习对所述红外图谱数据进行训练得到缺陷识别模型。

优选地，构建所述预警分析模型的步骤包括所述步骤s21、所述步骤s22和所述步骤s23，构建所述预警分析模型的步骤还包括：

采用遗传算法和或模糊诊断对所述特征图像数据进行处理，建立所述预警分析模型。

优选地，在所述模糊诊断过程中，通过故障征兆和故障诱因对所述特征图像数据建立模糊关系矩阵，将所述模糊关系矩阵进行矩阵组合并用逻辑或并逻辑实现所述模糊诊断，并得到待测电力设备的预警值；

在所述遗传算法过程中，在不同时段对所述待测电力设备的特征图像数据与获取历史电力设备的特征图像数据进行横向对比和纵向对比，得到电力设备在不同时段的红外图像对比，根据所述遗传算法对所述红外图像对比进行求解，得到预警分析的所述预警值。

优选地，获取所述特征图像数据过程中，采用所述gist特征提取方式对所述红外图像数据的全局和或局部的自然度、开放度、膨胀度的特征进行提取，获取所述特征图像数据；还采用gabor滤波方式对所述红外图像数据从方向选择和尺寸选择提取出图像数据中不同方向纹理。

优选地，所述红外图谱数据包括电力设备的正常红外图谱数据和缺陷红外图谱数据。

本发明还提供一种电力设备的缺陷识别及预警装置，包括：

图像获取单元，用于获取待测电力设备的红外热成像图谱；

构建模型单元，用于构建缺陷识别模型和预警分析模型，所述缺陷识别模型用于对所述红外热成像图谱进行缺陷识别分析，得到所述待测电力设备的缺陷值；

第一执行单元，用于根据所述缺陷值大于所述缺陷识别模型中预设的缺陷阈值，采用所述预警分析模型对所述红外热成像图谱进行预警分析，得到所述待测电力设备的预警值；

第二执行单元，用于根据所述预警值大于所述预警分析模型的预设的预警阈值，作出预警分析。

优选地，所述构建模型单元包括数据采集子单元、数据处理子单元、特征数据提取子单元、数据分类子单元、缺陷模型子单元和预警模型子单元；

所述数据采集子单元，用于根据基于电力设备数据库获取历史电力设备采集的红外热成像图谱数据；

所述数据处理子单元，用于采用图像拼接、边缘检测、图像增强、图像恢复、图像滤波、图像分割对所述红外热成像图谱数据进行处理，得到红外图像数据；

所述特征数据提取子单元，用于采用gist特征提取方式和gabor滤波方式对所述红外图像数据进行特征提取，得到特征图像数据；

所述数据分类子单元，用于采用卷积神经网络对所述特征图像数据进行分类，得到红外图谱数据；

所述缺陷模型子单元，用于采用深度学习对所述红外图谱数据进行训练得到缺陷识别模型；

所述预警模型子单元，用于采用遗传算法和或模糊诊断对所述特征图像数据进行处理，建立所述预警分析模型。

优选地，所述预警模型子单元通过故障征兆和故障诱因对所述特征图像数据建立模糊关系矩阵，将所述模糊关系矩阵进行矩阵组合并用逻辑或并逻辑实现所述模糊诊断，并得到待测电力设备的预警值；

所述预警模型子单元还在不同时段对所述待测电力设备的特征图像数据与获取历史电力设备的特征图像数据进行横向对比和纵向对比，得到电力设备在不同时段的红外图像对比，根据所述遗传算法对所述红外图像对比进行求解，得到预警分析的所述预警值。

本发明还提供一种计算机设备，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据所述程序代码中的指令执行上述所述的电力设备的缺陷识别及预警方法。

从以上技术方案可以看出，本发明实施例具有以下优点：

1.该电力设备的缺陷识别及预警方法通过缺陷识别模型先对待测电力设备的红外热成像图谱进行缺陷分析，之后缺陷阈值条件后，在预警分析模型中再对红外热成像图谱进行预警分析，实现对待测电力设备的缺陷识别，采用深度学习在缺陷识别模型和预警分析模型进行训练，提高了缺陷识别率和准确性，还对待测电力设备的缺陷作出预警提示，从而保障了电力系统运行的稳定性和可靠性。解决了现有对电力设备巡检是人工通过巡检设备，该巡检方式的工作效率低，也无法对要产生危害的电力设备进行预警提示的技术问题；

2.该电力设备的缺陷识别及预警装置通过图像获取单元获取待测电力设备的红外热成像图谱，第一执行单元先对红外热成像图谱进行缺陷分析，之后缺陷阈值条件后，在第二执行单元再对红外热成像图谱进行预警分析，实现对待测电力设备的缺陷识别，采用深度学习在构建模型单元的缺陷识别模型和预警分析模型进行训练，提高了缺陷识别率和准确性，还对待测电力设备的缺陷作出预警提示，从而保障了电力系统运行的稳定性和可靠性。解决了现有对电力设备巡检是人工通过巡检设备，该巡检方式的工作效率低，也无法对要产生危害的电力设备进行预警提示的技术问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例所述的电力设备的缺陷识别及预警方法的步骤流程图。

图2为本发明实施例所述的电力设备的缺陷识别及预警方法构建所述缺陷识别模型的步骤流程图。

图3为本发明实施例所述的电力设备的缺陷识别及预警装置的框架图。

具体实施方式

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。

本申请实施例提供了一种电力设备的缺陷识别及预警方法、装置及计算机设备，用于解决了现有对电力设备巡检是人工通过巡检设备，该巡检方式的工作效率低，也无法对要产生危害的电力设备进行预警提示的技术问题。

实施例一：

图1为本发明实施例所述的电力设备的缺陷识别及预警方法的步骤流程图。

如图1所示，本发明实施例提供了一种电力设备的缺陷识别及预警方法，包括以下步骤：

s1.获取待测电力设备的红外热成像图谱；

s2.构建缺陷识别模型和预警分析模型，所述缺陷识别模型用于对所述红外热成像图谱进行缺陷识别分析，得到所述待测电力设备的缺陷值；

s3.若所述缺陷值大于所述缺陷识别模型中预设的缺陷阈值，采用所述预警分析模型对所述红外热成像图谱进行预警分析，得到所述待测电力设备的预警值；

s4.若所述预警值大于所述预警分析模型的预设的预警阈值，作出预警分析。

在本发明的实施例的所述步骤s1中，通过车载激光扫描仪和ccd摄像技术相结合对所述待测电力设备进行红外图像采集，并采用红外成像技术将采集的所述红外图像分析为红外热成像图谱。

需要说明的是，因电力设备在出现缺陷时，大部分都是通过发热显现出来的，因此红外图谱的采集是红外图像分析的基础。所述待测电力设备可以为主变，也可以为断路器、隔离开关、电流互感器、电压互感器、避雷器、电容器、电抗器、管型母线、架空导线，电缆、绝缘子串、瓷瓶等电力设备。

在本发明的实施例中，构建所述缺陷识别模型中，是采用每种电力设备将以《带电设备红外诊断应用规范dl/t664-2016》为标准，结合所述缺陷识别模型的缺陷红外图谱数据库，得到所述待测电力设备的缺陷值，根据所述缺陷值判断所述待测电力设备是否达到预设的缺陷阈值。电力设备的热点与红外图谱相差比例将电力设备出现的缺陷分为一般缺陷、严重缺陷和危机缺陷。构建所述预警分析模型中，是根据所述预警分析模型的特征图像数据发展的延续性，确定电力设备的缺陷是否会继续扩大所述缺陷还是缺陷得到改善，从而分析判定是否需要进行预警提示。

在本发明实施例的所述步骤s3中，若所述缺陷值大于所述缺陷识别模型中预设的缺陷阈值，还对所述待测电力设备的红外热成像图谱中的缺陷数据存储至所述缺陷识别模型的缺陷红外图谱数据库中。若所述缺陷值不小于所述缺陷识别模型中预设的缺陷阈值，对所述待测电力设备的红外热成像图谱中的数据存储至所述缺陷识别模型的正常红外图谱数据库中。

在本发明实施例的所述步骤s4中，若所述预警值不小于所述预警分析模型中预设的预警阈值，还对所述待测电力设备的红外热成像图谱中的预警数据存储至所述预警分析模型的正常红外图谱数据库中。

本发明提供的一种电力设备的缺陷识别及预警方法包括获取待测电力设备的红外热成像图谱，构建缺陷识别模型和预警分析模型，缺陷识别模型用于对红外热成像图谱进行缺陷识别分析，得到待测电力设备的缺陷值，若缺陷值大于缺陷识别模型中预设的缺陷阈值，采用预警分析模型对红外热成像图谱进行预警分析，得到待测电力设备的预警值，若预警值大于预警分析模型的预设的预警阈值，作出预警分析。该电力设备的缺陷识别及预警方法通过缺陷识别模型先对待测电力设备的红外热成像图谱进行缺陷分析，之后缺陷阈值条件后，在预警分析模型中再对红外热成像图谱进行预警分析，实现对待测电力设备的缺陷识别，采用深度学习在缺陷识别模型和预警分析模型进行训练，提高了缺陷识别率和准确性，还对待测电力设备的缺陷作出预警提示，从而保障了电力系统运行的稳定性和可靠性。解决了现有对电力设备巡检是人工通过巡检设备，该巡检方式的工作效率低，也无法对要产生危害的电力设备进行预警提示的技术问题。

图2为本发明实施例所述的电力设备的缺陷识别及预警方法构建所述缺陷识别模型的步骤流程图。

如图2所示，在本发明的一个实施例中，构建所述缺陷识别模型的步骤包括：

s21.基于电力设备数据库获取历史电力设备采集的红外热成像图谱数据；

s22.采用图像拼接、边缘检测、图像增强、图像恢复、图像滤波、图像分割对所述红外热成像图谱数据进行处理，得到红外图像数据；

s23.采用gist特征提取方式和gabor滤波方式对所述红外图像数据进行特征提取，得到特征图像数据；

s24.采用卷积神经网络对所述特征图像数据进行分类，得到红外图谱数据；

s25.采用深度学习对所述红外图谱数据进行训练得到缺陷识别模型。

在本发明实施的所述步骤s22中，对所述红外热成像图谱数据处理过程中，采用图像拼接、边缘检测、图像增强、图像恢复、图像滤波、图像分割等一系列对所述红外热成像图谱数据的处理方法，提高提取的所述红外图像数据的质量，降低红外图像光照对数据的特征提取和分析影响。因采集的所述红外热成像图谱数据的图像在采集过程中产生的噪声等非相关因素的影响，需要通过对所述红外热成像图谱数据的图像进行图像增强和去燥，目的是抑制背景，去除噪声干扰以及增强目标的几何形状和目标特征，降低由噪声和杂波干扰导致信噪比过低等问题，避免因提取的数据影响所述缺陷识别模型和所述预警分析模型输出结果的准确性。

需要说明的是，对所述红外热成像图谱数据的图像进行图像增强和去燥常见方式有直方图均衡化、灰度拉伸、高斯滤波及各种锐化边缘等。结合电力设备特征，电力设备的红外图谱的灰度值均在一定范围内，采用拉伸图像的灰度区间方式达到图像增强的目的、采用中值滤波和均值滤波结合方式滤除椒盐噪声和高斯噪声。

在本发明实施的所述步骤s23中，获取所述特征图像数据过程中，采用所述gist特征提取方式对所述红外图像数据的全局和或局部的自然度、开放度、膨胀度的特征进行提取，获取所述特征图像数据；还采用gabor滤波方式对所述红外图像数据从方向选择和尺寸选择提取出图像数据中不同方向纹理。具体地，对所述红外图像数据进行特征提取过程中，采用gist特征提取方式和gabor滤波方式对所述红外图像数据进行特征提取，不限于红外图像局部特征的描述，采用更加“宏观”方式描述其图像整体特征信息。而对于电力设备比较大，所述待测电力设备的不动性，gist特征提取方式具有能够获取图像的全局特征，反映出图像的空间布局等特性。gabor滤波方式能够提高良好的方向选择和尺度选择特性，提取出所述红外图像数据不同方向上的纹理信息，将图像之间的相关结构信息有效利用，并且对光照变换不敏感，容忍一定程度的图像旋转和变形，对光照和姿态具有一定鲁棒性。

需要说明的是，gist特征提取方式默认采用4个尺度8个方向的gabor滤波器组能够更有效的提取红外图像数据特征，使提取的特征的自然度、开放度、膨胀度等图像空间信息得到有效利用。其中，所述gabor滤波方式可以为gabor滤波器。

在本发明实施例的所述步骤s24中，主要是根据不同环境下的获取的相同电力设备的红外热成像图谱数据进行归类处理，采用卷积神经网络对所述特征图像数据进行分类。

需要说明的是，所述卷积神经网络是多层神经网络，由多个卷积层和子采样层交替组成，每一层由多个特征图组成，每个特征图由多个神经单元组成，同一个特征图的缩影神经单元公用一个卷积核(权重)，卷积核代表一个特征。由此，所述卷积神经网络具有权值共享、空间域或时间域相互转换等特性。在对所述红外图像数据进行特征提取的基础上，对所述特征图像数据进行分类处理可通过所述卷积神经网络最高层完成。

在本发明实施例的所述步骤s25中，所述缺陷识别模型中的红外图谱数据包括电力设备的正常红外图谱数据和缺陷红外图谱数据，并由电力设备的正常红外图谱数据组成为正常红外图谱数据库，电力设备的缺陷红外图谱数据组成为缺陷红外图谱数据库。

需要说明的是，所述正常红外图谱数据库是指电力设备在不同温度、不同天气气候、不同外界光线等干扰下，均能正常功能的红外图谱数据库。所述缺陷红外图谱数据库是指含有电力设备在表现出除红外图谱正常数据库以外的红外图谱数据库。例如，设备之间接触不良，绝缘介质受损(老化和受潮)等都会让电力设备部位受热不正常产生热反应效应。

在本发明实施例的所述步骤s25中，所述深度学习可以为卷积神经网络。

需要说明的是，所述深度学习方法有多种模型，卷积神经网络(cnn)是比较经典的一种。所述深度学习可以解释为机器学习的一种，而机器学习是实现人工智能的必经路径，深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构，深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示，研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。

在本发明的一个实施例中，构建所述预警分析模型的步骤包括所述步骤s21、所述步骤s22和所述步骤s23的内容，构建所述预警分析模型的步骤还包括：采用遗传算法和或模糊诊断对所述特征图像数据进行处理，建立所述预警分析模型。其中，在所述模糊诊断过程中，通过故障征兆和故障诱因对所述特征图像数据建立模糊关系矩阵，将所述模糊关系矩阵进行矩阵组合并用逻辑或并逻辑实现所述模糊诊断，并得到待测电力设备的预警值。在所述遗传算法过程中，在不同时段对所述待测电力设备的特征图像数据与获取历史电力设备的特征图像数据进行横向对比和纵向对比，得到电力设备在不同时段的红外图像对比，根据所述遗传算法对所述红外图像对比进行求解，得到预警分析的所述预警值。

需要说明的是，遗传算法，是一种随机化搜索方法，直接对结构对象进行操作，具有良好的全局寻优能力，类似为优胜劣汰的作用。所述模糊诊断为专家模糊诊断方式，在过去一段时间内，所述特征图像数据通过故障征兆和故障诱因之间建立模糊关系矩阵，将所述模糊关系矩阵进行矩阵组合，用逻辑或并逻辑进行模糊诊断，能有效准确判断设备缺陷类别。所述模糊诊断主要考虑不同时间段、不同地点和不同天气的关系。所述待测电力设备的红外热成像图谱将根据获取历史电力设备采集的红外热成像图谱数据的相关信息(图谱获取时间、地点、天气状态等)，并将所述待测电力设备的特征图像数据与获取历史电力设备的特征图像数据进行横向和纵向对比，得到同一设备在不同时段的红外图像对比，利用遗传算法建立模型，预测该设备在未来一周内的状态，并对其可能发生的故障设备进行预警处理。也可以将所述遗传算法结合专家系统的模糊诊断方式，对可能发生故障的设备进行预警处理，进一步提高预警的准确性。

实施例二：

图3为本发明实施例所述的电力设备的缺陷识别及预警装置的框架图。

如图3所示，本发明实施例提供了一种电力设备的缺陷识别及预警装置，包括：

图像获取单元10，用于获取待测电力设备的红外热成像图谱；

构建模型单元20，用于构建缺陷识别模型和预警分析模型，所述缺陷识别模型用于对所述红外热成像图谱进行缺陷识别分析，得到所述待测电力设备的缺陷值；

第一执行单元30，用于根据所述缺陷值大于所述缺陷识别模型中预设的缺陷阈值，采用所述预警分析模型对所述红外热成像图谱进行预警分析，得到所述待测电力设备的预警值；

第二执行单元40，用于根据所述预警值大于所述预警分析模型的预设的预警阈值，作出预警分析。

需要说明的是，构建所述缺陷识别模型中，是采用每种电力设备将以《带电设备红外诊断应用规范dl/t664-2016》为标准，结合所述缺陷识别模型的缺陷红外图谱数据库，得到所述待测电力设备的缺陷值，根据所述缺陷值判断所述待测电力设备是否达到预设的缺陷阈值。电力设备的热点与红外图谱相差比例将电力设备出现的缺陷分为一般缺陷、严重缺陷和危机缺陷。构建所述预警分析模型中，是根据所述预警分析模型的特征图像数据发展的延续性，确定电力设备的缺陷是否会继续扩大所述缺陷还是缺陷得到改善，从而分析判定是否需要进行预警提示。

在本发明的实施例中，所述图像获取单元10通过车载激光扫描仪和ccd摄像技术相结合对所述待测电力设备进行红外图像采集，并采用红外成像技术将采集的所述红外图像分析为红外热成像图谱。

需要说明的是，因电力设备在出现缺陷时，大部分都是通过发热显现出来的，因此红外图谱的采集是红外图像分析的基础。所述待测电力设备可以为主变，也可以为断路器、隔离开关、电流互感器、电压互感器、避雷器、电容器、电抗器、管型母线、架空导线，电缆、绝缘子串、瓷瓶等电力设备。

在本发明的实施例中，若所述缺陷值大于所述缺陷识别模型中预设的缺陷阈值，还对所述待测电力设备的红外热成像图谱中的缺陷数据存储至所述缺陷识别模型的缺陷红外图谱数据库中。若所述缺陷值不小于所述缺陷识别模型中预设的缺陷阈值，对所述待测电力设备的红外热成像图谱中的数据存储至所述缺陷识别模型的正常红外图谱数据库中。若所述预警值不小于所述预警分析模型中预设的预警阈值，还对所述待测电力设备的红外热成像图谱中的预警数据存储至所述预警分析模型的正常红外图谱数据库中。

需要说明的是，因所述激光扫描仪获取的数据中伴有杂点或噪声，因此，对所述三维点云数据采用八叉树法分割算法进行去噪与平滑滤波处理，根据包围盒与数据点空间分布的对应关系建立其拓扑关系，达到去噪平滑功能；因为仪器视角和环境的限制，所述激光扫描仪在数据采集后，需要通过初始配准和精确配准，以达到不同点云之间的配准误差最小；所述三维点云数据配准将采用改进的icp算法大大地提高了配准速度和精确度；针对扫描所述三维点云数据量大的问题，在保持数据精度的前提下，可通过最小距离法、均匀采样法、保卫盒法和均匀与非均匀网络法来实现精简数据，此处选择最小距离法实现所述三维点云数据精简。不仅去除距离表面很远的离群点，也使得表面特征也得到了增强。

在本发明的实施例中，所述构建模型单元20包括数据采集子单元21、数据处理子单元22、特征数据提取子单元23、数据分类子单元24、缺陷模型子单元25和预警模型子单元26；

所述数据采集子单元21，用于根据基于电力设备数据库获取历史电力设备采集的红外热成像图谱数据；

所述数据处理子单元22，用于采用图像拼接、边缘检测、图像增强、图像恢复、图像滤波、图像分割对所述红外热成像图谱数据进行处理，得到红外图像数据；

所述特征数据提取子单元23，用于采用gist特征提取方式和gabor滤波方式对所述红外图像数据进行特征提取，得到特征图像数据；

所述数据分类子单元24，用于采用卷积神经网络对所述特征图像数据进行分类，得到红外图谱数据；

所述缺陷模型子单元25，用于采用深度学习对所述红外图谱数据进行训练得到缺陷识别模型；

所述预警模型子单元26，用于采用遗传算法和或模糊诊断对所述特征图像数据进行处理，建立所述预警分析模型。

需要说明的是，所述重采样主要将采集的所述点云数据经过所述点云精简、所述数据拼接和匹配的标靶拼接和同名点和所述点云配准统一到同一坐标系中，形成一个三维模型。在本实施例中，为了得到更好的图像效果，采用纹理映射功能，将数据充分展现在模型中，得到不同的坐标位移、法向量等数据，为所述故障识别分析的精确定位分析做好准备。

在本发明的实施例中，所述预警模型子单元26通过故障征兆和故障诱因对所述特征图像数据建立模糊关系矩阵，将所述模糊关系矩阵进行矩阵组合并用逻辑或并逻辑实现所述模糊诊断，并得到待测电力设备的预警值。所述预警模型子单元26还在不同时段对所述待测电力设备的特征图像数据与获取历史电力设备的特征图像数据进行横向对比和纵向对比，得到电力设备在不同时段的红外图像对比，根据所述遗传算法对所述红外图像对比进行求解，得到预警分析的所述预警值

需要说明的是，在所述提取图像特征过程中需要采用所述gist特征提取方式提取图像的自然度、开放度、膨胀度等特征，所述gist特征提取方式能更好的提取所述模型图像的全局特征和反映出图像的空间布局，在所述提取图像特征过程中采用所述gabor滤波方式能够提高图像良好的方向选择和尺度选择特性，提取出不同方向上图像的纹理信息，在所述提取图像特征过程中采用的所述gabor滤波方式对光照变换不敏感，在图像旋转和变形中不会对所述提取图像特征造成影响。基于变电站上的电力设备所处环境的特殊性，在所述提取图像特征过程中采用所述gist特征提取方式和所述gabor滤波方式结合对所述模型图像进行图像特征提取。其中，所述gabor滤波方式可以为gabor滤波器。

本发明提供的一种电力设备的缺陷识别及预警装置通过图像获取单元获取待测电力设备的红外热成像图谱，第一执行单元先对红外热成像图谱进行缺陷分析，之后缺陷阈值条件后，在第二执行单元再对红外热成像图谱进行预警分析，实现对待测电力设备的缺陷识别，采用深度学习在构建模型单元的缺陷识别模型和预警分析模型进行训练，提高了缺陷识别率和准确性，还对待测电力设备的缺陷作出预警提示，从而保障了电力系统运行的稳定性和可靠性。解决了现有对电力设备巡检是人工通过巡检设备，该巡检方式的工作效率低，也无法对要产生危害的电力设备进行预警提示的技术问题。

实施例三：

本发明实施例提供了一种计算机设备，包括处理器以及存储器；

所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

所述处理器，用于根据程序代码中的指令执行上述所述的电力设备的缺陷识别及预警方法。

需要说明的是，处理器用于根据所程序代码中的指令执行上述的一种电力设备的缺陷识别及预警方法实施例中的步骤，例如图1所示的步骤s1至s4。或者，处理器执行计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元10至40的功能。

示例性的，计算机程序可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器中，并由处理器执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序在终端设备中的执行过程。

终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。终端设备可包括，但不仅限于，处理器、存储器。本领域技术人员可以理解，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称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。

存储器可以是终端设备的内部存储单元，例如终端设备的硬盘或内存。存储器也可以是终端设备的外部存储设备，例如终端设备上配备的插接式硬盘，智能存储卡(smartmediacard，smc)，安全数字(securedigital，sd)卡，闪存卡(flashcard)等。进一步地，存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。存储器用于存储计算机程序以及终端设备所需的其他程序和数据。存储器还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。