基于深度学习模型的电力设备红外目标检测与诊断方法

1.本发明属于电力设备故障诊断与深度学习技术领域，涉及一种基于深度学习模型的电力设备红外目标检测与诊断方法。


背景技术：

2.电气设备的故障诊断是维持电力系统稳定的重要环节。由于互感器，绝缘子以及断路器等电力设备长期暴露于自然环境下，易受恶劣环境影响从而发生故障，影响电力系统的正常运行。目前深度学习方法已被广泛应用于电力设备的故障诊断领域。相比于传统机器学习，深度学习则拥有端到端的学习能力。它能够将特征提取和目标检测两个环节融为一体，并且通过连续非线性变换学习到图像的深层特征，从而拥有良好的检测鲁棒性。
3.可见光数据集可以很好地反映绝缘子的外部轮廓，但是却无法反映电力设备的内部状况，不利于后续的故障诊断。红外光数据集由红外摄像机拍摄制成，它可以在展现物体外部轮廓的同时反映其内部向外辐射的热量。红外图像可以利用颜色来展示出电力设备及其背景的温度信息。常见故障如机械故障、不合理的电气负荷条件以及内部缺陷等都会引起内部的温度异常，并进一步通过颜色差异来判断设备的故障情况。
4.目前已有很多研究采用深度学习方法来检测电力设备红外目标。例如：x.gong,q.yao,m.wang and y.lin,"a deep learning approach for oriented electrical equipment detection in thermal images,"in ieee access,vol.6,pp.41590-41597,2018,doi:10.1109/access.2018.2859048.该文献提出了一个深度的汇周神经网络，在红外背景下通过预测每个设备部分的坐标、方向角度和类型以改善预测结果。h.zheng et al.,"infrared image detection of substation insulators using an improved fusion single shot multibox detector,"in ieee transactions on power delivery,doi:10.1109/tpwrd.2020.3038880.该文献在ssd模型中的浅层部分设计了新的特征融合模块以提高模型对红外电力设备图像的特征提取能力，从而提高对模型的检测精度。
5.虽然上述方法均取得了良好的检测精度，但并未解决复杂背景下电力设备红外目标检测效果不好的问题，模型鲁棒性不够高，从而进一步影响模型对故障的诊断。因此本发明在进行权衡研究后实现一种可在复杂背景下对电力设备红外目标完成有效识别与故障检测的方法。


技术实现要素：

6.本发明所要解决的技术问题是提供一种基于深度学习模型的电力设备红外目标检测与诊断方法，通过改进骨干网络的部分模块与排列结构提高模型对复杂背景下的电力设备红外目标的识别率，从而进一步完成故障诊断，具有普适性和有效性，可以应用于可见光数据，红外数据等多种电力设备图像数据，可以应用于无人机巡检，变电站自动巡检等多个场景，确保电力系统安全有效运行。
7.为解决上述技术问题，本发明所采用的技术方案是：一种基于深度学习模型的电
力设备红外目标检测与诊断方法，它包括如下步骤：
8.s1，获取权重数据，摄制正常与故障的电力设备红外图像制成适用于深度学习模型检测的数据集；构建改进的centernet模型用于电力设备红外目标检测与诊断；在深度学习专用服务器上训练该模型，获得对应的权重数据；
9.s2，检测诊断，利用改进的centernet模型对数据集进行电力设备红外目标的检测与故障诊断；
10.s3，判断对应故障，针对故障图像使用红外特征提取方法进行故障诊断，检测出红外背景下的故障特征并判断出对应故障类型，实现电力设备的红外目标检测及诊断。
11.在s1中，具体包括如下步骤：
12.s01，采用红外相机拍摄变电站电力设备并制成红外图像；
13.s02，对摄制的红外图像通过通过相关软件和程序处理成适用于深度学习模型检测的数据集；
14.s03，对数据集中的正常电力设备图像与故障电力设备图像分别采用软件进行标注；
15.s04，将标注好的数据集按照coco数据集格式整理；
16.s05，将数据集分为训练集，验证集，测试集；
17.s06，初步针对电力设备红外图像的目标特征构建改进的centernet模型；
18.s07，使用设置好的训练集与验证集进行该模型的训练与检验；此步骤中，采用pytorch1.2版本作为训练环境，每个批次训练32个样本，共训练140个批次；初始学习率设置为0.000125，并在第90、120批次分别降低为0.0000125、0.00000125。
19.s08，使用训练好的权重数据进行模型整合；
20.s09，使用设置好的测试集对整合好的模型进行测试；此步骤中，采用尺寸为11
×
11的maxpool层与soft-nms组合来完成检测的后处理，以提高冗余框的消除率。
21.s010，对故障图像使用特征提取方法进行故障诊断，检测出红外背景下的故障特征并判断出对应故障类型。
22.在s02中，将摄制的红外图像，采用改变对比度、旋转、对称的方法完成对数据集的扩充。
23.在s03中，采用labelimage软件对数据集中的多类电力设备本体与故障点进行标注。
24.在s04中，采用算法按照训练集，验证集与测试集将标签文件整理成json后缀文件。
25.在s04中，centernet模型是结合iresnet模型，提出iresnet101结构作为centernet模型的骨干网络，包括如下步骤：
26.s11，在iresnet101结构内部按照iresnet结构重新构筑卷积模块的排列与残差连接的方式；
27.s12，在iresnet101结构中采用改进的短路映射模块来提高定位效果。
28.在s11中，采用分阶段思想将iresnet101结构中的卷积模块分为初始组，中间组，末尾组；三种组合分阶段提取目标特征以降低relu函数的负面影响。
29.在初始组中，移除了主路径中的relu函数以保证负权值在训练初期的传播，随后
堆叠多个中间组，最后在末尾组中，在主路径上采用bn模块对全信号进行标准化，并使用relu函数完成非线性化。
30.在s12中，采用3
×
3的maxpool层来提高网络的平移不变性，并在下一步选择激活度最高的元素，减少信息的损失；随后采用步长为1的1
×
1卷积层以保留空间信息。
31.改进的centernet模型采用三个头部模块来计算中心点偏置损失、中心点预测损失与宽高预测损失，并采用三者之和作为总损失，模型损失函数如下所示：
32.l
ov
＝lk l
size
λ
size
l
off
λ
off
33.其中，lk为中心点预测损失，l
off
为中心点偏置损失，l
size
为宽高预测损失。l
ov
为改进的centernet模型总损失。
34.本发明的主要有益效果在于：
35.通过改进centernet模型的骨干网络来提高复杂背景下对电力设备的红外特征提取能力，在提高特征学习能力的同时保持计算量不变，有助于电力系统的自动故障识别和诊断。
36.在centernet模型的基础上，改进了残差模块和网络排列结构来控制主路径上的relu函数个数，有助于改善relu函数在训练初始阶段因负权重消失而造成的负面影响。
37.采用3
×
3的maxpool层来提高网络的平移不变性，并在下一步选择激活度最高的元素，减少信息的损失；随后采用步长为1的1
×
1卷积层以保留空间信息。
38.通过采用三个头部模块来计算中心点偏置损失、中心点预测损失与宽高预测损失。
39.在ai训练专用平台上采用训练集和验证集进行训练。训练得到的权重数据用于在测试集上检验。通过实验对比，采用尺寸为11
×
11的maxpool层与soft-nms组合来完成检测的后处理，去除多余的检测框，最大化提高模型的检测精度。
40.将数据集扩充后的标签文件按照coco格式整理成json后缀文件，具有普适性和有效性，可以应用于可见光以及红外光等多种电力设备图像数据，可以应用于无人机巡检，变电站自动巡检等多个场景。
附图说明
41.下面结合附图和实施例对本发明作进一步说明：
42.图1为本发明的流程示意图。
43.图2为本发明实施例的部分正常红外电力设备图像。
44.图3为本发明实施例的部分故障红外电力设备图像。
45.图4为本发明实施例的改进centernet模型的结构图。
46.图5为本发明实施例的iresnet101模块图。
47.图6为本发明实施例的改进的短路映射模块图。
48.图7为本发明实施例的部分正常红外电力设备图像的测试效果图。
49.图8为本发明实施例的部分故障红外电力设备图像的测试效果图。
具体实施方式
50.如图1～图8中，一种基于深度学习模型的电力设备红外目标检测与诊断方法，它
包括如下步骤：
51.基于深度学习模型的电力设备红外目标检测与诊断方法s1摄制正常与故障的电力设备红外图像制成适用于深度学习模型检测的数据集；
52.构建改进的centernet模型用于电力设备红外目标检测与诊断；
53.在ai训练专用服务器上训练该模型，获得对应的权重数据；
54.s2、利用改进的centernet模型对数据集进行电力设备红外目标的检测与故障诊断；
55.s3、针对s2中的故障图像使用红外特征提取方法进行故障诊断，检测出红外背景下的故障特征并判断出对应故障类型；
56.通过以上步骤实现
57.电力设备的红外目标检测及诊断。
58.优选的方案中，在步骤s1中分为以下步骤：
59.s01、采用红外相机拍摄变电站电力设备并制成红外图像；相关人员需采用专业的红外摄像机于变电站拍摄多类电力设备，包括绝缘子，断路器与互感器。如图2与图3所示，拍摄的红外图像会按照温度条对应颜色来展示出电力设备每个部位的温度信息。
60.s02、对摄制的红外图像通过通过相关软件和程序处理成适用于深度学习模型检测的数据集；
61.s03、对数据集中的正常电力设备图像与故障电力设备图像分别采用软件进行标注；
62.s04、将标注好的数据集按照coco数据集格式整理；
63.s05、将数据集分为训练集，验证集，测试集；
64.s06、如图4所示，初步针对电力设备红外图像的目标特征构建改进的centernet模型；
65.s07、使用设置好的训练集与验证集进行该模型的训练与检验；
66.s08、使用训练好的权重数据进行模型整合；
67.s09、使用设置好的测试集对整合好的模型进行测试；
68.s010、对故障图像使用红外特征提取方法进行故障诊断，检测出红外背景下的故障特征并判断出对应故障类型。
69.优选的方案中，在步骤s02中：
70.将摄制的红外图像，采用旋转，对称的方法完成对数据集的扩充；
71.优选的方案中，在步骤s03中：
72.采用labelimage软件对数据集中的多类电力设备本体与故障点进行标注；以电气设备的红外颜色，轮廓，纹理作为特征，进行训练；
73.优选的方案中，在步骤s04中：
74.采用算法按照训练集，验证集与测试集将标签文件整理成json后缀文件；json后缀文件包含每个图像对应的标签数据，包括标签框坐标，目标分类。
75.优选的方案中，结合iresnet模型，提出iresnet101结构作为centernet模型的骨干网络，包括以下步骤：
76.s11、在iresnet101结构内部按照iresnet结构重新构筑卷积模块的排列与残差连
接的方式；
77.s12、在iresnet101结构中采用改进的短路映射模块来提高定位效果；
78.优选的方案中，在步骤s11中：如图5所示，采用分阶段思想将iresnet101结构中的卷积模块分为初始组，中间组，末尾组；三种组合分阶段提取目标特征以降低relu函数的负面影响。在初始组中，移除了主路径中的relu函数以保证负权值在训练初期的传播，随后堆叠多个中间组，由于初始组在最后已经使用bn模块对信息进行标准化，因此我们在第一个中间组的开始移除了bn模块。最后在末尾组中，在主路径上采用bn模块对全信号进行标准化，并使用relu函数完成非线性化。
79.优选的方案中，在步骤s12中：如图6所示，输入的图像经下采样后尺寸为128
×
128，采用3
×
3的maxpool层来提高网络的平移不变性，并在下一步选择激活度最高的元素，减少信息的损失；随后采用步长为1的1
×
1卷积层以保留空间信息。
80.优选的方案中，改进的centernet模型采用三个头部模块来计算中心点偏置损失、中心点预测损失与宽高预测损失，并采用三者之和作为总损失，模型损失函数如下所示：
81.l
ov
＝lk l
size
λ
size
l
off
λ
off
82.其中，lk为中心点预测损失，l
off
为中心点偏置损失，l
size
为宽高预测损失。l
ov
为改进的centernet模型总损失。
83.优选的方案中，中心点预测损失如下所示：
[0084][0085]
当y
xyc
＝1时，与focal loss函数类似，若为简单样本，则的值接近1，对应的接近于0，降低loss值的同时降低简单样本的训练比重。若为复杂样本，则同理可得的值接近1，loss值升高的同时提升复杂样本的训练比重。
[0086]
当y
xyc
≠1时，(1-y
xyc
)
β
与协同工作。对于非中心点，我们期待的预测值为0。当的值接近1时，损失值会提高并加大训练比重。同时由于中心点呈高斯分布，y
xyc
的值为从中心点的1慢慢向四周减低至0，因此离中心点越近，(1-y
xyc
)
β
越大，训练比重越高。离中心点越远，(1-y
xyc
)
β
越小，训练比重越小，从而进一步达到平衡正负样本的效果。
[0087]
优选的方案中，中心点偏置损失采用l1范数来训练中心点的偏置值，减少中心点数据因浮点型与整数型差值造成的精度损失。中心点偏置损失如下所示：
[0088][0089]
其中，为预测出来的偏置值，为网络在预测过程中实际存在的偏置值。上式通过比较两者的l1范数来弥补中心点的精度损失，实现更精确的预测。
[0090]
优选的方案中，改进的centernet模型用y
xyc
的值去预测所有中心点并将每个目标的宽高尺寸回归到下采样之后的长宽值。最后利用l1函数来作为宽高预测的损失函数。宽
高预测损失如下所示：
[0091][0092]
其中为预测值，sk为下采样后的长宽值。
[0093]
优选的方案中，采用pytorch1.2版本作为训练环境，每个批次训练32个样本，共训练140个批次；初始学习率设置为0.000125，并在第90、120批次分别降低为0.0000125、0.00000125。
[0094]
优选的方案中，在步骤s09中：采用尺寸为11
×
11的maxpool层与soft-nms组合来完成检测的后处理，以提高冗余框的消除率。
[0095]
优选的方案中，对故障图像使用红外特征提取方法进行故障诊断，检测出红外背景下的故障特征并判断出对应故障类型。
[0096]
对三类电力设备的数据集进行了测试，测试的结果如图7和图8所示。该模型在断路器上的检测精度为96.1％，在互感器上的检测精度为93.2％，在绝缘子上的检测精度为94.2％。平均检测每张图像耗时32ms。事例表明，本发明的方法可以在复杂背景下很好地完成电力设备红外目标的检测任务，同时检测速度可以满足实时检测的要求，为电力设备的智能故障检测提供了可靠的选择。
[0097]
上述的实施例仅为本发明的优选技术方案，而不应视为对于本发明的限制，本技术中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。