一种变电站缺陷检测方法、装置、计算机设备和存储介质与流程

本发明涉及图像识别，尤其是涉及一种变电站缺陷检测方法、装置、计算机设备和存储介质。

背景技术：

1、电力变电站是电力系统中对电压和电流进行变换，接收电能及分配电能的场所，是电力系统中至关重要的组成部分。变电站中的电力设备随着长期运行，由于自身特性或制造工艺不良、检修试验过程中的维护不当、外力破坏以及自然灾害等，引起电力设备表面锈蚀、漏油、破损等设备缺陷。为了保障变电站设备的稳定运行，必须要及时检测出设备的缺陷和隐患，防患于未然。

2、传统的变电站缺陷检测通常依赖于人工巡检，这种检测方式效率低下、成本高昂，并且容易受到巡检人员主观经验的影响，导致检测的准确性不够。随着变电站数字化、智能化需求不断升级，利用人工智能技术实现智能化、自动化、高效化的电力智能巡检已经逐步代替传统的人工方式，成为变电站巡检的主流。

3、其中，rt-detr是一种基于transformer架构的目标检测模型，但rt-detr在训练阶段需要大量的计算资源，而在推理阶段的速度相对较慢，难以实现变电站设备缺陷的实时检测和识别，影响电力系统的安全、稳定和可靠运行。

技术实现思路

1、本发明的目的是提供一种变电站缺陷检测方法、装置、计算机设备和存储介质，以解决相关技术中难以对变电站设备缺陷进行实时检测影响电力系统安全稳定运行的技术问题。

2、本发明的目的，可以通过如下技术方案实现：

3、方案一，一种变电站缺陷检测方法，包括以下步骤：

4、根据变电站的设备缺陷图像和对应的标签构建数据集；

5、利用所述数据集训练改进的rt-detr模型，得到训练好的改进的rt-detr模型；

6、获取目标变电站的设备缺陷图像；

7、将所述设备缺陷图像输入到训练好的改进的rt-detr模型中，识别得到所述目标变电站的缺陷位置；

8、其中，所述训练好的改进的rt-detr模型的主干网络为rmnet网络，在训练阶段，所述rmnet网络采用残差结构进行训练，以提高训练精度；在推理阶段，利用结构重参数化将所述残差结构等价移除，以提高推理速度。

9、可选地，所述训练好的改进的rt-detr模型的预测头为detr head，还包括：

10、利用所述detr head输出若干个预测框；

11、根据预设条件从所述若干个预测框中筛选出预设数量的所述预测框。

12、可选地，所述利用结构重参数化将所述残差结构等价移除以提高推理速度，包括：

13、利用结构重参数化将所述残差结构转换为卷积层的通道，以将所述残差结构等价移除。

14、可选地，所述利用结构重参数化将所述残差结构转换为卷积层的通道，包括：

15、增加depthwise卷积层的输出通道；

16、增加pointwise卷积层的输入通道；

17、利用重参数化将所述残差结构转换为所述输出通道和所述输入通道。

18、可选地，所述训练好的改进的rt-detr模型的颈部网络为混合编码器，还包括：

19、利用混合编码器中的transformer block提取s5特征层的全局特征；

20、利用pafpn将所述全局特征与s3、s4特征层进行特征融合，得到融合特征。

21、可选地，所述所述混合编码器利用transformer block提取s5特征层的全局特征之后，还包括：

22、利用transformer block得到所述全局特征中的各个像素点的自注意力。

23、可选地，所述利用pafpn将所述全局特征与s3、s4特征层进行特征融合，得到融合特征之后，还包括：

24、利用iou-aware query selection生成同时预测框；所述预测框的类别置信度大于预设的置信度阈值、且交并比大于预设的交并比阈值。

25、方案二，一种变电站缺陷检测装置，包括：

26、数据集构建模块，用于根据变电站的设备缺陷图像和对应的标签构建数据集；

27、模型训练模块，用于利用所述数据集训练改进的rt-detr模型，得到训练好的改进的rt-detr模型；

28、图像获取模块，用于获取目标变电站的设备缺陷图像；

29、缺陷检测模块，用于将所述设备缺陷图像输入到训练好的改进的rt-detr模型中，识别得到所述目标变电站的缺陷位置；

30、其中，所述训练好的改进的rt-detr模型的主干网络为rmnet网络，在训练阶段，所述rmnet网络采用残差结构进行训练，以提高训练精度；在推理阶段，利用结构重参数化将所述残差结构等价移除，以提高推理速度。

31、方案三，一种计算机设备，包括：处理器和存储器；

32、其中，所述存储器存储计算机程序，所述处理器执行所述计算机程序时实现所述的变电站缺陷检测方法的步骤。

33、方案四，一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所述的变电站缺陷检测方法的步骤。

34、基于上述技术方案，本发明带来的有益效果是：

35、利用变电站设备缺陷数据集训练得到训练好的改进的rt-detr模型，该模型的主干网络采用rmnet网络，在主干网络中引入重参数化技术，在训练阶段采用残差结构进行训练，能提高训练精度；在推理阶段将残差结构等价移除，转换为单路架构，能提高推理速度，实现训练精度和推理速度的双重提升；采用轻量化的颈部网络hybrid encoder和预测头detr head，提高了对变电站常见缺陷的识别速率，增强了检测的实时性，避免了yolo系列检测中非极大值抑制时间过长的问题，能实现对变电站设备缺陷的实时在线监测，保障电力系统的安全、稳定和可靠运行。

技术特征：

1.一种变电站缺陷检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的变电站缺陷检测方法，其特征在于，所述训练好的改进的rt-detr模型的预测头为detr head，还包括：

3.根据权利要求1所述的变电站缺陷检测方法，其特征在于，所述利用结构重参数化将所述残差结构等价移除以提高推理速度，包括：

4.根据权利要求3所述的变电站缺陷检测方法，其特征在于，所述利用结构重参数化将所述残差结构转换为卷积层的通道，包括：

5.根据权利要求1所述的变电站缺陷检测方法，其特征在于，所述训练好的改进的rt-detr模型的颈部网络为混合编码器，还包括：

6.根据权利要求5所述的变电站缺陷检测方法，其特征在于，所述利用混合编码器中的transformer block提取s5特征层的全局特征之后，还包括：

7.根据权利要求5所述的变电站缺陷检测方法，其特征在于，所述利用pafpn将所述全局特征与s3、s4特征层进行特征融合，得到融合特征之后，还包括：

8.一种变电站缺陷检测装置，其特征在于，包括：

9.一种计算机设备，其特征在于，包括：处理器和存储器；

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的变电站缺陷检测方法的步骤。

技术总结
本发明公开了一种变电站缺陷检测方法、装置、计算机设备和存储介质，其中方法包括：根据变电站的设备缺陷图像和对应的标签构建数据集；利用数据集训练改进的RT‑DETR模型，得到训练好的改进的RT‑DETR模型；获取目标变电站的设备缺陷图像；将设备缺陷图像输入到训练好的改进的RT‑DETR模型中，识别得到目标变电站的缺陷位置；其中，训练好的改进的RT‑DETR模型的主干网络为RMNet网络，在训练阶段，RMNet网络采用残差结构进行训练，以提高训练精度；在推理阶段，利用结构重参数化将残差结构等价移除，以提高推理速度。本发明能实现对变电站设备缺陷的实时在线监测，保障电力系统的安全、稳定和可靠运行。

技术研发人员：孔令明,王勇,陈勉之,陈俊,李晓,肖天为
受保护的技术使用者：广东电网有限责任公司广州供电局
技术研发日：
技术公布日：2024/4/17