一种变电设备缺陷识别方法及系统

技术领域

本发明涉及电力设备目标检测技术领域，尤其涉及一种变电设备缺陷识别方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

电力变电站中目标设备检测与识别对于电网智能化设备状态巡视、设备告警联动等电网生产运行监控具有重要意义，对电网智能化水平的发展和提高具有一定的促进作用。由于变电站设备场景的复杂性，如何有效实现对变电站中目标设备的检测与识别是目前需要研究的核心内容。

变电站设备的识别主要是以电力缺陷场景的识别为主，比如：表计读数异常、表计表盘模糊、表计表盘破损、外壳破损、绝缘子破裂、箱门闭合异常、地面油污、呼吸器硅胶变色、呼吸器油封破损、油封油位状态异常、油封破损、压板状态、盖板破损等设备缺陷的识别。变电站现场布置不同位置摄像头，将采集的图片上传至后台，进行图像识别处理。

在实际图像采集中，由于不同缺陷类别的图片采集的难易程度不同，造成不同类别的训练样本的数量不均衡。一般来说，不平衡样本会导致训练模型侧重样本数目较多的类别，而“轻视”样本数目较少类别；这样模型在测试数据上的泛化能力就会受到影响。

发明内容

有鉴于此，本发明提出了一种变电设备缺陷识别方法及系统，基于深度学习中的CNN卷积网络，通过增加某类交叉熵损失函数的权重因子来确定当前类别的损失函数系数，通过系数来控制当前类别在反向传播中的重要性，以解决训练样本不均衡分类的问题。

根据本发明实施例的第一个方面，提供了一种变电设备缺陷识别方法，包括：

获取电力设备图像信息并进行预处理；将获取的电力设备图像信息输入到训练好的卷积神经网络模型，输出缺陷分类结果及缺陷位置；

其中，所述卷积神经网络模型在训练过程中，为每一个分类类别分别设置类别编号和类别系数，用以决定主导训练的类别。

进一步地，所述卷积神经网络模型的训练过程包括：

获取包含特定缺陷场景的图像并进行标定，构建训练样本集；

获取训练样本的卷积特征图；

通过区域生成网络在所述卷积特征图上生成预选框；

将预选框映射到卷积特征图的对应位置，将大小不同的卷积特征图池化成大小相同的卷积特征图；

输出预测分数最高的预选框作为检测输出。

进一步地，对于训练样本，使用图像增强的方法对训练样本进行预处理；对于预处理后的训练样本，经过CNN网络处理后，得到卷积特征图。

进一步地，输出预测分数最高的预选框作为检测输出，具体过程包括：

对于预测分数最高的预选框M之外的其余预选框M

进一步地，当预选框M

当预选框M

进一步地，基于保留的预选框M

根据本发明实施例的第二个方面，提供了一种变电站设备缺陷识别系统，包括：

图像获取模块，被配置为用于获取电力设备图像信息并进行预处理；

缺陷识别模块，被配置为用于将获取的电力设备图像信息输入到训练好的卷积神经网络模型，输出缺陷分类结果及缺陷位置；

其中，所述卷积神经网络模型在训练过程中，为每一个分类类别分别设置类别编号和类别系数，用以决定主导训练的类别。

根据本发明实施例的第三个方面，提供了一种终端设备，其包括处理器、GPU显卡和存储器，处理器用于实现各指令；GPU用于高效的矩阵计算和卷积计算；存储器用于存储多条指令，所述指令适于由处理器加载并执行上述的变电设备缺陷识别方法。

根据本发明实施例的第四个方面，提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的变电设备缺陷识别方法。

与现有技术相比，本发明的有益效果是：

(1)本发明通过对损失函数设置权重，来平衡样本多的类别与样本少的类别在损失函数中的比重，从而控制当前类别的损失函数在反向传播中的重要性，能够解决某类别样本数量少导致识别率低的问题，保证检测结果的准确性。

(2)本发明根据重合度(IoU)将预测框的预测分数进行惩罚，最后再按分数排序，仅需要对传统的NMS算法进行简单的改动且不增加额外的参数。相比于传统的NMS算法，将与最高预测分数预测框重合度超出一定阈值的预选框直接舍弃掉，本发明方案保留这些预选框并将其预测分数降低，这样有利于对于与当前识别目标重合度较高的其他目标的检测识别。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1为根据本发明实施例中的变电站设备缺陷识别过程示意图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

根据本发明实施例，提供了一种变电设备缺陷识别方法，包括：

(1)获取电力设备图像信息并进行预处理，进行预处理的方法包括对于图像的尺度调整和图像的归一化操作。

(2)将获取到的电力设备图像信息输入到训练好的卷积神经网络模型，输出缺陷分类结果及缺陷位置；

本实施例能够实现诸如：表计读数异常、表计表盘模糊、表计表盘破损、外壳破损、绝缘子破裂、箱门闭合异常、地面油污、呼吸器硅胶变色、呼吸器油封破损、油封油位状态异常、油封破损、压板状态及盖板破损等设备缺陷的识别。针对不同类型的识别，获取相应的图像信息。

具体地，参照图1，对于卷积神经网络模型的训练过程具体如下：

通过摄像头采集包含设定缺陷场景的图像，构建训练样本数据集；根据具体的训练类别选取符合训练条件(含有缺陷标注框)的样本，将训练样本以6:2:2的比例分为训练集、验证集、测试集。训练样本中每种类别的样本数量越接近，往往训练效果越好。

实际对图像进行训练时，往往我们的样本数据量会不够或者比较少，这种情况下可以使用图像增强的方法将训练样本进行预处理操作，比如翻转、缩放、平移、填充等；使得一张图像产生多种不一样的图像，这样就能增加训练样本的数据。

训练样本作为输入，表示为Height×Width×Depth的张量(多维数组)形式，经过预训练CNN网络处理，得到卷积特征图。

然后，通过RPN(区域生成网络，Region Propose Network)对提取的卷积特征图进行处理，寻找可能包含检测目标的设定数量的区域，即预选框。

为了训练将预选框分成两类，一类是前景，它与真实目标重叠并且其重合度IoU(Intersection of Union)(“预选边框”和“真实边框”的交集和并集的比值)值大于0.5；另一类是背景，它不与任何真实目标重叠或与真实目标的IoU值小于0.1。并根据RPN生成的预选框对卷积特征图做提取，并对提取后的特征做RoI pooling，最后进行类别分类和box回归。

ROI pooling是将大小不同的feature map池化成大小相同的feature map，利于输出到下一层网络中。具体操作如下：

a、根据输入图像，将预选框在卷积特征图上的位置映射到卷积特征图对应的位置上；

b、将映射后的区域划分为相同大小的sections(sections数量与输出的维度相同)；

c、对每个sections进行max pooling操作，这样就可以从不同大小的方框得到固定大小的相应的卷积特征图。

最后选取预测分数值最高的预选框作为检测输出。

在样本不均衡分类问题中，样本量大的类别往往会主导训练过程，因为其累积loss会比较大，同理，样本量少的类别对应的loss就会较小。

本实施例中，卷积神经网络模型在训练过程中，为了更准确地识别到训练样本少的类别，可以设置损失函数的权重，为数据少的类别设置更大的权重。利用带权重的softmax损失函数，为每一个类别分别设置类别编号和类别损失系数，用以决定训练中该类别对损失函数的贡献。具体地，增加pos_mult(指定某类的权重乘子)和pos_cid(指定的某类的类别编号)两个参数来确定类别和当前类别的系数(比如：若pos_mult＝0.5，就表示类别重要度减半)。

另外，现有技术中，通过NMS(Non-Maximum Suppression，非极大抑制)作为检测模型的标准后处理操作，用于去除重合度(IoU)较高的预选框，只保留预测分数最高的预选框作为检测输出。但是，将与最高预测分数值得预测框重合度超出设定阈值的预选框直接舍弃，这样不利于对相邻物体的检测。

因此，本实施例中，对于预测分数最高的预选框M之外的其余预选框M

当预选框M

当预选框M

具体的预选框预测分数确定方法为：

其中，S

本实施例基于保留的预选框M

本实施例保留与最高预测分数预测框重合度超出设定阈值的预选框，并将其预测分数降低，这样有利于对于与当前识别目标重合度较高的其他目标的检测识别。

上述神经网络模型训练完成后，将训练好的网络模型及接口算法部署在后台服务器中，在变电站存在缺陷设备的地方布置网络摄像头，定时采集缺陷图片，将采集的图片经过预处理后输入到训练好的模型中，能够识别出缺陷的类别和缺陷位置。

实施例二

根据本发明实施例，提供了一种变电站设备缺陷识别系统，包括：

图像获取模块，被配置为用于获取电力设备图像信息并进行预处理；

缺陷识别模块，被配置为用于将获取的电力设备图像信息输入到训练好的卷积神经网络模型，输出缺陷分类结果及缺陷位置；

其中，所述卷积神经网络模型在训练过程中，为每一个分类类别分别设置类别编号和类别系数，用以决定主导训练的类别。

需要说明的是，上述模块的具体实现方法已经在实施例一中进行说明，不再赘述。

实施例三

在一个或多个实施方式中，公开了一种终端设备，包括服务器和GPU显卡，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的方法。为了简洁，在此不再赘述。

应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列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。

存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。

GPU显卡可以高效的处理矩阵乘法和卷积计算，具有大量内核，可以更好地计算多个并行进程。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。

实施例一中的方法可以直接体现为硬件处理器执行完成，或者用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。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。

本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

实施例四

在一个或多个实施方式中，公开了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并实施例一中所述的方法。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。