基于深度学习模型的电力设备红外目标检测与诊断方法

技术特征：
1.一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，其特征是，它包括如下步骤：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；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；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。2.根据权利要求1所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，在s1中，具体包括如下步骤：s01，采用红外相机拍摄变电站电力设备并制成红外图像；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；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；s04，将标注好的数据集按照coco数据集格式整理；s05，将数据集分为训练集，验证集，测试集；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；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。s08，使用训练好的权重数据进行模型整合；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。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。3.根据权利要求2所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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。4.根据权利要求2所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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。5.根据权利要求2所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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。6.根据权利要求2所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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：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；
s12，在iresnet101结构中采用改进的短路映射模块来提高定位效果。7.根据权利要求6所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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。8.根据权利要求7所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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。9.根据权利要求6所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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。10.根据权利要求6所述的基于深度学习模型的电力设备红外目标检测与诊断方法，其特征是，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：l
ov
＝l
k
l
size
λ
size
l
off
λ
off
其中，l
k
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。

技术总结
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，依次通过获取权重数据、检测诊断和判断对应故障，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，有助于电力系统的实时故障识别和诊断，在CenterNet模型的基础上，改进了骨干网络中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，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，可以适用于红外图像，可见光图像与灰度图像等多种电力设备数据集，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。运行。运行。


技术研发人员：郑含博 崔耀辉 李金恒 平原 胡均浩 胡思佳
受保护的技术使用者：广西大学
技术研发日：2022.03.02
技术公布日：2022/7/1