一种基于机器视觉的电力巡检设备故障识别预测方法及其系统与流程

本发明涉及电力巡检，尤其涉及一种基于机器视觉的电力巡检设备故障识别预测方法及其系统。

背景技术：

1、随着电力系统规模持续扩大、运行复杂度不断提升，电力设备运行可靠性与故障超前预警能力，已成为保障电网安全稳定运行的核心要素。传统电力巡检多采用人工现场排查，或由轮式、履带式巡检机器人搭载红外、热成像等传感器完成设备状态检测。该类模式普遍存在劳动强度高、作业受地形与环境约束大、状态感知维度单一、巡检周期长等短板，难以实现高效、精细化的故障识别与风险预判，在变电站、线路交汇密集区段及复杂地形等场景下，上述问题尤为突出。

2、近年来，人工智能与机器视觉技术快速迭代演进，基于视觉感知的电力设备智能巡检逐步成为行业研究与应用重点。但现有技术方案仍存在明显不足，具体如下：

3、现有的多数视觉识别算法面向图像全局开展分析，缺乏对局部异常区域的动态特征建模与精确定位，易造成故障漏检与误检；

4、在多样化巡检环境与不同类型设备背景下，训练模型的适应能力较弱，无法稳定实现对多类型、多部位故障的识别；

5、现有系统多仅完成故障类型识别，未结合电网运维业务逻辑与现场巡检场景，开展故障危害程度分级。评估及智能化处置策略生成，无法为巡检决策提供直接支撑。

技术实现思路

1、本发明的目的就在于为了解决上述问题而提供基于机器视觉的电力巡检设备故障识别预测方法及其系统。

2、为实现上述目的，本发明提供基于机器视觉的电力巡检设备故障识别预测方法，具体步骤如下：

3、s1、通过部署于足式机器人上的高分辨率摄像头采集电力巡检区域图像；

4、s2、基于所述电力巡检区域图像，经局部特征提取与候选区域筛选处理，在局部区域内动态生成故障候选区域图；

5、s3、基于所述故障候选区域图，对各候选区域进行故障类型识别与风险等级预测，输出故障识别预测结果；

6、s4、基于所述故障识别预测结果，构建以巡检任务目标为奖励函数的状态－决策模型，对故障处置策略进行自适应优化训练，动态生成最优处置方案及巡检路径调整策略；

7、s5、将所述最优处置方案及巡检路径调整策略映射为所述足式机器人的动作控制指令，并驱动所述足式机器人按照优化路径自主完成故障核查及后续操作任务。

8、进一步地，所述电力巡检区域图像包括电力设备本体图像、连接与安装部位图像、运行状态指示图像、表面状态图像、环境背景图像以及热成像图像。

9、进一步地，步骤s2包括以下步骤：

10、s21、将所述电力巡检区域图像按固定窗口滑动方式划分为若干局部图像子块，提取每一所述局部图像子块的纹理梯度特征、边缘密度指标、热成像温度变化率和结构自相似度，构建局部特征；

11、s22、根据所述局部特征，采用基于稀疏表示的局部判别嵌入算法，构建包含正常工况样本与历史故障样本的稀疏字典，并对纹理细节向量和热分布曲线进行稀疏系数分解；

12、s23、在稀疏系数空间中引入局部判别嵌入准则，计算常工况样本与历史故障样本的稀疏残差分布，并通过类间边界最大化与类内紧凑度最小化，得到具有故障敏感性的判别嵌入向量，并结合邻域拓扑关系生成初步候选区域响应；

13、s24、对所述初步候选区域响应进行跨区域连通聚类与残差强度筛选，生成潜在缺陷部位的最终所述故障候选区域图。

14、进一步地，步骤s3包括以下步骤：

15、s31、对所述故障候选区域图中的各候选区域提取多模态融合特征，包括光学图像的纹理梯度、边缘方向直方图、热成像图像的温度时序曲线特征以及结构拓扑与背景关联特征；

16、s32、将所述多模态融合特征输入至多模态迁移森林算法中，通过在源域训练集与目标域巡检场景之间进行特征分布对齐，实现跨场景的故障类型初步分类；

17、s33、在所述多模态迁移森林算法的分类结果基础上，引入条件随机场模型，以候选区域间的空间邻域一致性和上下文依赖关系作为约束，对森林输出的分类概率图进行全局优化，得到类别判别更为稳定的区域标签分布；

18、s34、基于经条件随机场优化后的所述区域标签分布，结合分类置信度、残差能量函数及历史故障模式，对候选区域进行风险等级预测，输出包含故障类别标签、置信度和风险分值的故障识别预测结果。

19、进一步地，所述条件随机场模型的公式如下：

20、e(x)=∑i(-logp(xi|fi)+λ·||ri||2)+∑(i,j)η·i(xi≠xj)·exp(-||fi-fj||2/σ2)，

21、其中，e(x)表示整个电力巡检图像中所有候选区域标签分布的全局能量函数；x表示所有候选区域的预测标签集合；xi表示故障候选区域i的故障类别标签；fi表示故障候选区域i的多模态融合特征向量；-logp(xi|fi)表示故障候选区域i属于标签的分类置信度损失；ri表示区域i基于稀疏表示和局部判别嵌入算法生成的残差向量；||ri||2表示区域i的稀疏残差强度；λ表示残差能量的惩罚权重系数；(i,j)表示图结构中具有空间邻接关系的候选区域对；i(xi≠xj)表示指示函数；||fi-fj||2表示邻接区域在多模态特征空间中的差异程度；σ表示高斯核函数的尺度系数；η表示空间邻域一致性约束的全局权重。

22、进一步地，步骤s4包括以下步骤：

23、s41、基于所述故障识别预测结果，构建融合电力巡检多维度信息的高维状态空间，所述电力巡检多维度信息包含电力巡检状态变量、设备故障状态、机器人系统状态、巡检环境特征；

24、s42、基于所述高维状态空间，设定以巡检任务完成效率、故障处置准确性和资源消耗最小化为目标的复合型奖励函数，结合足式机器人运动学约束与任务优先级构建状态转移函数；

25、s43、基于所述状态转移函数，采用基于深度q网络与策略梯度联合优化的强化学习算法，在模拟交互环境中进行策略迭代优化，动态生成包括绕行路径、检查次序与处置方式的多维动作输出；

26、s44、基于训练收敛的策略网络，将当前状态映射为最优处置方案及巡检路径调整策略，并以图结构方式构建任务执行序列。

27、进一步地，所述强化学习算法的公式如下：

28、j(p)=e_{(s,a,s')～πp}[w(s)((s,a) +gv(s')v(s))logπp(a|s)]+ce[c(s,a)]，

29、其中，j(p)表示强化学习优化目标函数；e_{(s,a,s')～πp}表示对策略πp采样得到的状态–动作–转移三元组的经验期望值；s表示故障识别预测结果；a表示机器人可执行的巡检行为；s'表示执行动作后到达的下一状态；πp表示参数p决定的策略分布；(s,a)表示复合即时奖励函数；v(s)和v(s')表示价值网络在状态s和下一状态s'下的价值估计；g表示折扣因子；w(s)表示场景风险－信息权重；πp(a|s)表示在状态s下采取动作a的策略概率；c表示成本惩罚系数；c(s,a)表示动作成本函数。

30、进一步地，步骤s5中所述动作控制指令的生成过程中引入基于贝叶斯优化的动作模糊修正机制，对存在地形起伏干扰或障碍干扰的路径节点进行实时动态修正。

31、一种基于机器视觉的电力巡检设备故障识别预测系统，包括图像采集模块、故障候选区域提取模块、故障识别预测模块、策略优化模块和执行控制模块，各模块依次通信连接，协同完成电力设备图像采集、故障区域提取、故障识别风险评估、巡检策略优化与机器人自主控制全流程作业；

32、所述图像采集模块用于通过部署于足式机器人的高分辨率摄像头采集电力巡检区域图像；

33、所述故障候选区域提取模块与所述图像采集模块通信连接，用于接收所述电力巡检区域图像，采用基于稀疏表示的局部判别嵌入算法在局部区域内动态生成故障候选区域图；

34、所述故障识别预测模块与所述故障候选区域提取模块通信连接，用于接收所述故障候选区域图，采用基于条件随机场优化的多模态迁移森林算法对各候选区域进行故障类型识别与风险等级预测，输出故障识别预测结果；

35、所述策略优化模块与所述故障识别预测模块通信连接，用于接收所述故障识别预测结果，采用强化学习算法构建以巡检任务目标为奖励函数的状态－决策模型，对故障处置策略进行自适应优化训练，动态生成最优处置方案及巡检路径调整策略；

36、所述执行控制模块与所述策略优化模块通信连接，用于将所述最优处置方案及巡检路径调整策略映射为所述足式机器人的动作控制指令，并驱动所述足式机器人按照优化路径自主完成故障核查及后续操作任务。

37、本发明提供的基于机器视觉的电力巡检设备故障识别预测方法及其系统有益效果如下：

38、通过在足式机器人上部署高分辨率摄像头，能够在复杂地形中稳定获取多视角的电力设备图像，有效增强设备表面状态、连接结构及热成像等多模态信息的采集能力，为后续故障识别提供高质量原始数据支持；

39、采用基于稀疏表示的局部判别嵌入算法，可在图像的局部区域中提取具备区分度的特征表征，动态生成故障候选区域图，降低了噪声干扰，提高了故障检测的准确率和定位精度，特别适用于复杂背景下的小尺度故障区域提取；

40、基于条件随机场优化的多模态迁移森林算法，能够综合处理图像模态、结构特征与上下文关联关系，对候选区域进行联合推理与风险等级分类，有效提升了故障类型识别的鲁棒性与风险预警的可靠性，特别适用于新环境下的跨场景迁移识别任务；

41、引入强化学习构建以巡检任务目标为奖励函数的状态－决策模型，能够根据故障类型与巡检历史自动生成自适应的最优处置方案与路径调整策略，实现从被动响应向主动规避与优化的转变，提高故障处置效率与巡检任务完成质量；

42、通过将最优处置方案及路径策略映射为足式机器人控制指令，使机器人具备动态路径调整与操作任务执行能力，能够在实际巡检过程中自主完成故障核查与后续响应操作，显著提升系统的智能化水平与运行自动化能力，减少人为干预成本。