电网设备缺陷智能巡检方法、系统、设备及存储介质与流程
本发明涉及电网设备缺陷巡检,尤其涉及一种电网设备缺陷智能巡检方法、系统、设备及存储介质。
背景技术:
1、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。
2、电网设备包括变电站设备、输电线路和配电设备等,电网设备缺陷巡检是保障电力系统安全、稳定运行的重要环节。
3、现有技术中,对于电网设备缺陷的巡检,往往通过手持便携设备对设备进行逐点扫描,结合经验判断设备缺陷状态;或者,通过固定安装的监控摄像头或无人机等获取设备图像,结合图像处理算法(如边缘检测、模板匹配等)进行设备缺陷检测。但是,人工巡检方式受限于人工主观性和检测效率,难以覆盖全域设备,且对早期微观缺陷(如<0.1mm的裂纹)的识别率较低;图像检测方式受限于图像采集设备的成像能力,采集的数据缺乏多光谱特征和三维几何信息,无法满足精细化诊断需求。并且,传统图像处理算法对设备表面缺陷的检测严重依赖预设阈值,面对复杂缺陷形态变化时泛化能力较差,误报率较高。
4、现有技术虽然公开了采用神经网络(比如resnet、yolo等)进行电网设备智能化缺陷检测的方案,但是,这些模型通常采用固定拓扑结构和静态特征提取方式,无法根据设备图像的复杂程度以及图像局部区域的状态变化动态调整网络结构和特征权重,难以适应电网设备特有的多尺度特征(如从毫米级螺栓到米级构架),在面对复杂纹理或结构的设备图像时,模型识别的准确率和识别效率均明显下降。
技术实现思路
1、为了解决上述问题,本发明提出了一种电网设备缺陷智能巡检方法、系统、设备及存储介质,基于特征重要性反馈的卷积神经网络模型,根据设备图像数据的复杂性动态调整卷积神经网络模型的拓扑结构,使得卷积神经网络模型能够更好地捕捉图像中的复杂纹理和结构信息,增强了网络对复杂图像数据的适应能力;同时能够在训练过程中动态地优化图像数据中每个特征的权重,使得最终分类效果更加精准。
2、在一些实施方式中,采用如下技术方案:
3、一种电网设备缺陷智能巡检方法,包括:
4、分别获取待测电网设备的多光谱图像数据和三维点云图像数据并进行预处理,将预处理后三维点云图像数据与光谱图像数据在时间和空间上进行对齐;
5、将对齐后的多光谱图像数据和三维点云图像数据输入至训练好的卷积神经网络模型,输出电网设备的类型以及缺陷检测结果;
6、其中,卷积神经网络模型在训练过程中,基于输入的图像数据,采用二阶导数隐式估计方法,同时考虑非线性修正项,对卷积神经网络模型中各神经元之间的连接权重进行动态更新;并且根据输入图像数据中不同特征的重要性自动调整各特征在模型中的权重。
7、作为进一步的方案,卷积神经网络模型在训练过程中,首先对各神经元之间的连接权重进行随机初始化,具体过程为:随机生成连接权重矩阵,通过偏置校正因子对随机生成的矩阵进行偏置校正,基于输入的图像数据,利用激活函数对偏置校正后的矩阵进行调整。
8、其中,初始化的连接权重具体为:
9、wp=λ1·bp·rand(a,b)+λ2·sig(xp);
10、其中,wp为连接权重矩阵,λ1为第一学习率参数,λ2为第二学习率参数;rand(a,b)为生成a×b的随机矩阵;sig()为sigmoid激活函数;xp为卷积神经网络模型输入的设备图像数据。
11、作为进一步的方案,所述偏置校正因子具体为:
12、
13、其中,bp为偏置校正因子,n为当前批次输入到卷积神经网络模型的样本数量;xpi为第i条设备图像数据特征,μp为设备图像数据聚类中心;λ3为校正因子的加权参数;||||为l2范数。
14、作为进一步的方案,所述卷积神经网络模型在训练过程中,基于输入的图像数据,采用二阶导数隐式估计方法,同时考虑非线性修正项,对卷积神经网络模型各神经元之间的连接权重进行动态更新,具体为:
15、更新后的连接权重矩阵等于更新前的连接权重矩阵与二阶导数隐式估计的权重更新量以及非线性修正项的加和。
16、其中,二阶导数隐式估计的权重更新量具体为:卷积神经网络模型的学习率、卷积神经网络模型的损失函数的海森矩阵的逆矩阵及卷积神经网络模型损失函数的梯度的乘积的负数;其中,卷积神经网络模型的损失函数的海森矩阵基于特征权重修正因子计算得到。
17、非线性修正项具体为:
18、
19、其中,λ5为非线性修正项的加权参数;σp为非线性指数,控制修正项的影响强度;lp为卷积神经网络模型的损失函数,xpi为第i条设备图像数据特征;n为当前批次输入到卷积神经网络模型的样本数量。
20、作为进一步的方案,所述卷积神经网络模型的损失函数为拓扑演化损失函数和流形学习损失函数之和;所述拓扑演化损失函数中引入拓扑因子,所述拓扑因子基于输入图像数据特征的变化计算得到,从而拓扑演化损失函数能够根据输入图像数据特征的变化而动态调整;所述流形学习损失函数中引入设备图像数据特征的重要性,根据输入图像数据中不同特征的重要性自动调整各特征在模型中的权重。
21、作为进一步的方案,输入图像数据中不同特征的重要性的确定方法为:
22、
23、其中,ip(xpi)为第i条设备图像数据特征的重要性,λ6为二阶导数项的加权参数,lp为卷积神经网络模型的损失函数,xpi为第i条设备图像数据特征。
24、在另一些实施方式中,采用如下技术方案:
25、一种电网设备缺陷智能巡检系统,包括:
26、数据获取模块,被配置为用于分别获取待测电网设备的多光谱图像数据和三维点云图像数据并进行预处理,将预处理后三维点云图像数据与光谱图像数据在时间和空间上进行对齐;
27、缺陷检测模块,被配置为用于将对齐后的多光谱图像数据和三维点云图像数据输入至训练好的卷积神经网络模型,输出电网设备的缺陷检测结果;
28、其中,所述卷积神经网络模型在训练过程中,基于输入的图像数据,采用二阶导数隐式估计方法,同时考虑非线性修正项,对卷积神经网络模型中各神经元之间的连接权重进行动态更新;并且根据输入图像数据中不同特征的重要性自动调整各特征在模型中的权重。
29、在另一些实施方式中,采用如下技术方案:
30、一种终端设备,其包括处理器和存储器,处理器用于实现指令;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电网设备缺陷智能巡检方法。
31、在另一些实施方式中,采用如下技术方案:
32、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电网设备缺陷智能巡检方法。
33、在另一些实施方式中,采用如下技术方案:
34、一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现上述的电网设备缺陷智能巡检方法。
35、与现有技术相比,本发明的有益效果是:
36、(1)本发明构建了多模态数据采集体系,通过不同的图像采集设备分别获取多光谱图像数据和三维点云图像数据,并且通过数据对齐确保点云数据在空间上的准确位置,使得三维点云与二维光谱图像在时间和空间上保持一致,为后续的特征提取和融合提供准确的几何信息和完整的数据信息,从而提升整个智能巡检系统的性能和可靠性。
37、(2)本发明提出的卷积神经网络模型,能够根据输入图像数据的特征分布,动态调整神经网络的拓扑结构,以适应不同类型设备和工作环境的图像数据;这种动态调整机制使得网络在面对高度不均匀的图像特征时,能够更高效地提取特征,提升了整体的检测精度。此外,动态调整的拓扑结构还增强了网络对复杂图像数据的适应能力,使得模型在不同场景下的性能更加稳定。
38、在模型训练初期,采用启发式方法设置神经元之间的初始连接权重,同时引入设备图像局部数据分布的偏置校正因子,通过加权偏置校正,有效调整神经元的连接响应,使得网络能够更好地适应设备图像数据的局部变化,提升缺陷检测精度。
39、在模型训练过程中,通过最小化拓扑演化损失函数,自适应地调整神经元的连接和位置,确保网络结构动态适应数据分布,避免过拟合;采用二阶导数隐式估计进行神经元连接权重的更新优化,加速参数优化,提升对高维细微特征的捕捉效率;两者协同作用,能够更精细的调节连接权重,不仅能加快收敛速度,还能解决梯度消失问题,在高维特征空间中,能有效捕捉到图像中细微的局部特征变化;同时引入非线性修正项,增强网络对非线性设备图像数据的建模能力。
40、(3)本发明卷积神经网络模型采用流形学习方法,通过构建流形学习损失函数,能够保持设备图像数据的低维流形结构,避免了高维数据处理中的维度灾难;通过将高维数据映射到低维空间,同时保持数据的局部结构特性,使得模型能够有效捕捉设备图像数据在高维空间中的非线性特性,避免了重要信息的丢失,促进了缺陷检测精度的提升。
41、本发明的其他特征和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,或通过本方面的实践了解到。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com