基于机器学习的电力设备表面缺陷的检测方法及装置与流程

1.本发明涉及缺陷检测技术领域，尤其涉及一种基于机器学习的电力设备表面缺陷的检测方法及装置。


背景技术：

2.电力设备绝缘健康是保证供电可靠性的基础，是电力安全生产的根本保证。随着输电、变电的不断提高，电压等级也在不断提高，电气设备的可靠运行及故障诊断越发显得重要。从现场故障统计数据来看，电力设备表面缺陷由于不可恢复和具有累积性的特点，最终引发击穿或闪络故障的概率要远远高于其他型式的缺陷。特别是固体绝缘沿面放电会使绝缘在短时间内损坏，对设备造成危害严重。现有的电力设备表面缺陷往往通过视频监控，并由相关人员通过视频进行人工识别，效率较低，工作量较大。因此，有必要提出一种基于机器学习的电力设备表面缺陷的检测方法及装置，以解决上述问题。


技术实现要素：

3.本发明提供一种基于机器学习的电力设备表面缺陷的检测方法及装置，以解决现有的电力设备表面缺陷往往通过视频监控，并由相关人员通过视频进行人工识别，效率较低，工作量较大的问题。
4.第一方面，本发明提供一种基于机器学习的电力设备表面缺陷的检测方法，其特征在于，包括：
5.获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；
6.根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；
7.接收电力设备表面实时监控图像；
8.将所述电力设备表面输入所述tiny-yolo-v2电力设备表面缺陷检测模型；
9.输出所述tiny-yolo-v2电力设备表面缺陷检测模型的检测结果。
10.进一步地，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集的步骤中，所述电力设备表面正常图像和电力设备表面缺陷图像为rgb格式的图片，将所述rgb格式的图片转成jpeg格式保存。
11.进一步地，根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述激活函数为sigmoidal激活函数。
12.进一步地，根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述池化层采用maximum pooling。
13.进一步地，根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层的步骤中，所述tiny-yolo-v2电力设备表面缺陷检测模型使用在nvidia titan v gpu上运行的keras框架通过linux操作系统进行训练。
14.本发明还提供一种基于机器学习的电力设备表面缺陷的检测装置，包括：
15.获取单元，用于获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；
16.训练单元，用于根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；
17.接收单元，用于接收电力设备表面实时监控图像；
18.输入单元，用于将所述电力设备表面输入所述tiny-yolo-v2电力设备表面缺陷检测模型；
19.输出单元，用于输出所述tiny-yolo-v2电力设备表面缺陷检测模型的检测结果。
20.进一步地，所述电力设备表面正常图像和电力设备表面缺陷图像为rgb格式的图片，将所述rgb格式的图片转成jpeg格式保存。
21.进一步地，所述激活函数为sigmoidal激活函数。
22.进一步地，所述池化层采用maximum pooling。
23.进一步地，所述tiny-yolo-v2电力设备表面缺陷检测模型使用在nvidia titan v gpu上运行的keras框架通过linux操作系统进行训练。
24.本发明的有益效果如下：本发明提供的一种基于机器学习的电力设备表面缺陷的检测方法及装置，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；接收电力设备表面实时监控图像；将所述电力设备表面输入所述tiny-yolo-v2电力设备表面缺陷检测模型；输出所述tiny-yolo-v2电力设备表面缺陷检测模型的检测结果；无需由相关人员通过视频进行人工识别，效率得到显著提升，识别的准确率的得到显著提高。
附图说明
25.为了更清楚地说明本发明的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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他的附图。
26.图1为本发明实施例提供的基于机器学习的电力设备表面缺陷的检测方法的流程图。
27.图2为本发明实施例提供的基于机器学习的电力设备表面缺陷的检测装置的示意图。
具体实施方式
28.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例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。以下结合附图，详细说明本发明各实施例提供的技术方案。
29.为了克服现有技术的不足，本发明使用由低成本摄像机在视觉域中捕获的烟雾视频，并通过实施强大的分类器改进了烟雾检测，烟雾区域使用深度置信网络(dbn)进行分类，以获得所研究框架中出现烟雾和无烟雾的概率。dbn使用三个选定特征的组合：烟雾颜色、运动和图像能量。
30.请参阅图1，本发明提供一种基于机器学习的电力设备表面缺陷的检测方法，包括：
31.步骤s101，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集。
32.在本实施例中，所述电力设备表面正常图像和电力设备表面缺陷图像为rgb格式的图片，将所述rgb格式的图片转成jpeg格式保存。电力设备表面图像数据集的数量在1000张以上，其中，电力设备表面正常图像和电力设备表面缺陷图像分别占60％和40％。
33.步骤s102，根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层。
34.在本实施例中，所述激活函数为sigmoidal激活函数，sigmoid函数是一个在生物学中常见的s型函数，也称为ss型生长曲线。在信息科学中，由于其单增以及反函数单增等性质，sigmoid函数常被用作神经网络的阈值函数，将变量映射到0,1之间。所述池化层采用maximum pooling。池化层夹在连续的卷积层中间，用于压缩数据和参数的量，减小过拟合。简而言之，如果输入是图像的话，那么池化层的最主要作用就是压缩图像。池化层的主要目标是消除不必要的信息并仅保留重要参数。所述tiny-yolo-v2电力设备表面缺陷检测模型使用在nvidia titan v gpu上运行的keras框架通过linux操作系统进行训练。keras是基于theano的一个深度学习框架，它的设计参考了torch，用python语言编写，是一个高度模块化的神经网络库，支持gpu和cpu。
35.步骤s103，接收电力设备表面实时监控图像。
36.步骤s104，将所述电力设备表面输入所述tiny-yolo-v2电力设备表面缺陷检测模型。
37.步骤s105，输出所述tiny-yolo-v2电力设备表面缺陷检测模型的检测结果。
38.由以上技术方案可知，本发明提供的一种基于机器学习的电力设备表面缺陷的检测方法，获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；接收电力设备表面实时监控图像；将所述电力设备表面输入所述tiny-yolo-v2电力设备表面缺陷检测模型；输出所述tiny-yolo-v2电力设备表面缺陷检测模型的检测结果；无
需由相关人员通过视频进行人工识别，效率得到显著提升，识别的准确率的得到显著提高。
39.请参阅图2，本发明提提供一种基于机器学习的电力设备表面缺陷的检测装置，包括：
40.获取单元21，用于获取电力设备表面正常图像和电力设备表面缺陷图像，形成电力设备表面图像数据集；
41.训练单元22，用于根据所述电力设备表面图像数据，训练tiny-yolo-v2电力设备表面缺陷检测模型；所述tiny-yolo-v2电力设备表面缺陷检测模型的架构包括卷积层、激活函数以及多个池化层；
42.接收单元23，用于接收电力设备表面实时监控图像；
43.输入单元24，用于将所述电力设备表面输入所述tiny-yolo-v2电力设备表面缺陷检测模型；
44.输出单元25，用于输出所述tiny-yolo-v2电力设备表面缺陷检测模型的检测结果。
45.进一步地，所述电力设备表面正常图像和电力设备表面缺陷图像为rgb格式的图片，将所述rgb格式的图片转成jpeg格式保存。
46.进一步地，所述激活函数为sigmoidal激活函数。
47.进一步地，所述池化层采用maximum pooling。
48.进一步地，所述tiny-yolo-v2电力设备表面缺陷检测模型使用在nvidia titan v gpu上运行的keras框架通过linux操作系统进行训练。
49.本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的基于机器学习的电力设备表面缺陷的检测方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：read-onlymemory，简称：rom)或随机存储记忆体(英文：randomaccessmemory，简称：ram)等。
50.本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备(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或者实施例的某些部分所述的方法。
51.本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于基于机器学习的电力设备表面缺陷的检测装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
52.以上所述的本发明实施方式并不构成对本发明保护范围的限定。