一种基于红外热成像的电力设备故障检测方法和系统

技术领域

本发明涉及电力设备状态检测技术领域，具体涉及一种基于红外热成像的电力设备故障检测方法和系统。

背景技术

电力设备是否异常发热是判断变电站能否安全运行的一个非常重要的因素。变电站内的电压互感器、电流互感器等各种设备，因为老化、放电等各种原因引起了很多安全隐患，因此设备状态检修问题逐渐被人们所关注。

传统的电力设备检测方法主要依赖于目视检查和手工测量，存在一些局限性。首先，目视检查受到人眼感知能力的限制，可能无法准确捕捉到套管表面的微小缺陷或异常情况。其次，手工测量需要耗费大量时间和人力，并且易受操作者技能水平的影响，导致结果的可靠性和一致性存在一定程度的偏差。

发明内容

针对现有技术的不足，本发明提出一种基于红外热成像的电力设备故障检测方法和系统，可以准确捕捉到电力设备表面的微小缺陷或异常情况，同时提高检测的可靠性和一致性。

本发明的技术方案是这样实现的：

一种基于红外热成像的电力设备故障检测方法，包括如下步骤：

步骤S1：采集和制作数据集并进行预处理，数据集包含电力设备的原始的红外热成像；

步骤S2：根据预处理后的数据集，建立基于PyTorch框架的YOLOV5模型；

步骤S3：采集电力设备实时的红外热成像并输入基于PyTorch的YOLOV5模型进行预测分析，并根据分析结果判断是否需要预警。

优选的，所述步骤S1的预处理步骤如下：

步骤S11：对数据集进行归一化操作；

步骤S12：对图像进行直方图均衡操作，提高对比度；

步骤S13：使用高斯-拉普拉斯算子进行滤波，增强细节的同时保证原数据中的噪声得到一定程度的抑制，得到锐化图像后，将其与原图叠加。

优选的，根据步骤S2中，对预处理后的图像进行标注，并划分为训练集和测试集，输入到YOLOV5模型进行训练。

优选的，将经预处理的数据集输入YOLOV5模型进行训练后生成模型文件，并将模型文件转换为基于PyTorch框架的模型文件。

优选的，根据步骤S3中，将采集的实时的红外热成像数据的图像大小设置为256*256，并输入基于PyTorch框架的YOLOV5模型中的CNN网络进行特征的提取，得到不同维度的特征图并进行预测，根据预测值判断所属目标类别的可能性并判断是否需要预警。

优选的，所述基于PyTorch框架的YOLOV5模型中的预测通过去除低置信度预测、解码预测框、非最大抑制、类别概率过滤进行预测值的输出。

优选的，所述预测值包括边界框的位置坐标、类别标签和置信度分数。

一种基于红外热成像的电力设备故障检测系统，包括图像获取模块、模型运算模块、物联网模块和预警模块；图像获取模块：用于采集电力设备的原始的红外热成像和实时的红外热成像；

模型运算模块：用于建立基于PyTorch框架的YOLOV5模型并对采集到的电力设备实时的红外热成像进行预测分析；

预警模块：用于根据模型运算单元输出的预测分析结果进行预警；

物联网模块：用于将图像获取模块所采集电力设备的原始的红外热成像和实时的红外热成像输入模型运算单元和用于将模型运算单元预测分析结果输出至预警单元。

优选的，所述图像获取模块采用智能布控球。

优选的，所述模型运算模块包括CPU和NPU，所述NPU用于对所采集的红外热成像输出为特征图；所述CPU用于对NPU所输出的特征图进行预测分析。

与现有技术相比，本发明具有以下优点：

采用上述方案，采集包含电力设备的原始的红外热成像，制作成数据集并进行预处理，根据预处理后的数据集建立基于PyTorch框架的YOLOV5模型以用于对所采集到的电力设备实时的红外热成像进行预测分析，最后根据分析结果判断是否发生需要进行预警。可以准确捕捉到电力设备表面的微小缺陷或异常情况，同时提高检测的可靠性和一致性。

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他的附图。

图1为本发明一种基于红外热成像的电力设备故障检测方法的流程图；

图2为步骤S1的预处理的流程图；

图3为本发明基于红外热成像的电力设备故障检测系统的模块组成图；

具体实施方式

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、完整的描述，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作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。

在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。

还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似的，第二预设范围也可以被称为第一预设范围。

实施例1

本发明提出一种基于红外热成像的电力设备故障检测方法，如图1所示，包括如下步骤：

步骤S1：采集和制作数据集并进行预处理，数据集包含电力设备的原始的红外热成像；

步骤S2：根据预处理后的数据集，建立基于PyTorch框架的YOLOV5模型；

步骤S3：采集电力设备实时的红外热成像并输入基于PyTorch的YOLOV5模型进行预测分析，并根据分析结果判断是否需要预警。

在本实施例中，如图2所示，步骤S1的预处理步骤如下：

S11：对数据集进行归一化操作，这一步骤旨在将数据集中的红外热成像数据进行归一化，使其数值范围在一个统一的区间内，以便后续处理。归一化可以通过以下步骤实现：

计算数据集中所有数据的最小值和最大值；

对数据集中的每个数据点应用以下公式进行归一化：normalized_value＝(original_value-min_value)/(max_value-min_value，其中original_value是原始值，min_value和max_value是数据集的最小值和最大值。

S12：对图像进行直方图均衡操作，提高对比度，直方图均衡可以使图像的像素值分布更均匀，从而提高图像的对比度。这一步骤可以按照以下方式完成：

将输入图像转换为灰度图像；

计算灰度图像的直方图，得到每个像素值的频次分布；

计算累积分布函数(CDF)并根据CDF重新映射像素值，使得像素值更均匀分布。

S13：使用高斯-拉普拉斯算子进行滤波，增强细节并叠加，这一步骤旨在增强图像的细节，同时减少噪声。可以按照以下步骤进行：

对归一化和直方图均衡后的图像应用高斯滤波，以减少噪声；

对经过高斯滤波的图像应用拉普拉斯算子，以增强图像的细节；

将经过拉普拉斯算子增强的图像与原始图像进行叠加，以保留原始图像的特征。

在本实施例中，步骤S2中，对预处理后的图像进行标注，并划分为训练集和测试集，对YOLOV5模型的Filter、Batch Size、学习率、正则化参数、模型结构的调整及其数据的增强，输入到调整后的YOLOV5模型进行训练后，生成‘.pt’模型文件，并将‘.pt’模型文件转换为基于PyTorch框架的模型文件。

在本实施例中，步骤S3中，将采集的实时的红外热成像数据的图像大小设置为256*256，并输入基于PyTorch框架的YOLOV5模型中的CNN网络进行特征的提取，得到不同维度的特征图并进行预测，根据预测值判断所属目标类别的可能性并判断是否需要预警。在PyTorch的YOLOv5模型中，其预测阶段会输出目标检测的边界框位置和类别信息，在输出的预测值中，每个边界框都带有置信度分数和类别概率，预测包括计算坐标损失、类别损失和置信度损失；

坐标损失用于衡量预测边界框位置和真实边界框位置之间的差异，采用均方差损失计算，公式如下：

坐标损失＝1/N*Σ[对每个样本](坐标权重*Σ[对每个边界框](真实位置-预测位置)^2)

类别损失用于衡量预测类别和真实类别之间的差异，采用交叉熵损失计算，公式如下：

类别损失＝-1/N*Σ[对每个样本]Σ[对每个类别](真实类别标签*log(预测类别概率)+(1-真实类别标签)*log(1-预测类别概率))

置信度损失用于衡量预测边界框置信度分数和真实置信度之间的差异，同样采用均方差损失计算，公式如下：

置信度损失＝1/N*Σ[对每个样本](置信度权重*Σ[对每个边界框](真实置信度-预测置信度)^2)

而均方差损失和交叉熵损失的公式分别如下：

其中：n：样本数量、

在本实施例中，基于PyTorch框架的YOLOV5模型中的预测通过去除低置信度预测、解码预测框、非最大抑制、类别概率过滤的后处理步骤进行预测值的输出。去除低置信度预测即在YOLOv5中，通常会设定一个阈值(如0.3或0.5)作为置信度的阈值。所有置信度分数低于该阈值的边界框将被过滤掉，即去除那些预测置信度较低的目标。解码预测框即YOLOv5输出的预测框位置是相对于输入图像的尺寸和坐标。在后处理时，会将这些预测框的坐标进行解码，以得到在原始图像上的实际位置。非最大抑制(NMS)即用来消除多余的重叠预测框的技术。其IOU(Intersection over Union)重叠较大的其他预测框。类别概率过滤即对于每个预测框，会选择类别概率最高的类别作为最终的目标类别，并将其与预测框的置信度一起输出。最终，通过后处理步骤，YOLOv5模型将输出经过滤和解码后的预测边界框的位置坐标、类别标签和置信度分数。这些信息将帮助确定输入图像中存在的目标类别以及它们的位置，从而进行目标检测和识别任务。目标类别可能涵盖：电线、电力工人、电力车辆、电线杆、高压电缆、变压器、电力塔、电力设备电线、电力工人、电力车辆、电线杆、高压电缆、变压器、电力塔、电力设备。

实施例2

本发明还提出一种基于红外热成像的电力设备故障检测系统，如图3所示，包括图像获取模块、模型运算模块、物联网模块和预警模块；

图像获取模块：用于采集电力设备的原始的红外热成像和实时的红外热成像；

模型运算模块：用于建立基于PyTorch框架的YOLOV5模型并对采集到的电力设备实时的红外热成像进行预测分析；

预警模块：用于根据模型运算单元输出的预测分析结果进行预警；

物联网模块：用于将图像获取模块所采集电力设备的原始的红外热成像和实时的红外热成像输入模型运算单元和用于将模型运算单元预测分析结果输出至预警单元。

在本实施例中，图像获取模块采用智能布控球，智能布控球具备可见光与热成像双摄功能，可见光实现高清变倍针对电力现场作业风险管控和设备细节的观测。

在本实施例中，模型运算模块包括CPU和NPU，NPU用于对所采集的红外热成像输出为特征图；CPU用于对NPU所输出的特征图进行预测分析。

在本实施例中，预警模块包括NPU，用于预设规则，对模型运算模块输出的目标结果进行进一步分类和分析后进行输出即触发相应的预警通知或处理措施。

原理：通过智能布控球获取红外图像，这些红外图像中可能包含各种目标物体，例如人、车辆、动物等。这些图像将作为输入传送给模型运算模块的NPU进行分析。模型运算模块的NPU是使用YOLOV5模型进行目标检测和识别的硬件加速器。模型运算模块接收红外图像作为输入，并在模型运算模块的NPU上进行卷积操作，通过深度学习模型的推断过程，输出图像的特征图。这些特征图将被传送到模型运算模块的CPU进一步地处理和分析。模型运算模块的CPU通过对特征图中的预测框进行处理，以识别出目标物体所属的分类和其在图像上的具体坐标位置，再将目标物体的类别和坐标信息叠加到原始红外图像上，生成带有目标检测结果的图像。而这个带有目标位置和类别标注的图像将成为预警模块的输出。带有目标检测结果的图像将传送给预警模块的NPU进行进一步分析。预警模块的NPU会根据预设的预警规则，对图像中的目标进行进一步的分类和分析后进行输出，输出通常会触发相应的预警通知或处理措施。这可以是警报、报警信息、图像存档等，以便进一步处理或决策。

本领域内的技术人员应明白，本申请的实施例可提供为方法、计算机程序产品。因此，本申请可采用完全软件实施例，或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框，以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。