变电站设备缺陷的识别方法、装置、电子设备及存储介质与流程

1.本发明实施例涉及计算机图像技术邻域，尤其涉及一种变电站设备缺陷的识别方法、装置、电子设备及存储介质。


背景技术：

2.变电站是电力系统中重要的组成部分之一，其场所内部有着众多的电力设备，电力设备在长时间的工作使用后，其表面容易产生破损，从而导致内部金属容易产生锈蚀现象，因此，需要不定时的对变电站设备进行缺陷检测，以防发生严重的电力事故。
3.现有的变电站设备缺陷的检测都是通过人工根据破损情况来判断设备内部的锈蚀程度，这样的检测方式容易出现误判从而导致检测结果不精确，同时人工操作也耗费了不必要的时间以及人力成本，不符合实际的应用需求。


技术实现要素：

4.本发明实施例提供了一种变电站设备缺陷的识别方法、装置、电子设备及存储介质，以实现变电站设备缺陷的智能分析识别。
5.第一方面，本发明实施例提供了一种变电站设备缺陷的识别方法，该方法包括：
6.获取待检测的变电站设备的目标设备图像；
7.将目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果；
8.其中，设备缺陷识别模型包括并联的卷积模块与全连接模块，卷积模块包括至少一个卷积层和与卷积层串联的至少一个全连接层，全连接模块包括至少一个全连接层组成的全连接模块。
9.第二方面，本发明实施例还提供了一种变电站设备缺陷的识别装置，该装置包括：
10.设备图像获取模块，用于获取待检测的变电站设备的目标设备图像；
11.设备图像输入模块，用于将目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果；
12.其中，设备缺陷识别模型包括并联的卷积模块与全连接模块，卷积模块包括至少一个卷积层和与卷积层串联的至少一个全连接层，全连接模块包括至少一个全连接层组成的全连接模块。
13.第三方面，本发明实施例还提供了一种电子设备，该电子设备包括：
14.一个或多个处理器；
15.存储装置，用于存储一个或多个程序，
16.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明任意实施例所提供的变电站设备缺陷的识别方法。
17.第四方面，本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明任意实施例所提供的变电站设备缺陷的识
别方法。
18.本发明提出了一种变电站设备缺陷的识别方法，该方法是基于神经网络模型实现的一种设备缺陷识别方法，本发明采用并行连接的卷积模块和全连接模块，相比于串行连接的模型结构，有效提高了设备缺陷识别模型的鲁棒性，并且，通过采用将全连接输出结果和卷积输出结果相融合的方式，可以有效提高输出结果的准确性，从而可以实现准确且高效的变电站缺陷识别的技术效果，解决了现有技术中由于采用人工对变电站缺陷进行检测而导致的检测工作量大、检测效率低且不准确的问题，并且，在设备缺陷识别模型的训练过程中，相比于现有的模型训练方法，本发明提出了还提出了一种训练数据集的构建方法，通过图像扩充方式对获取的样本设备图像进行扩充处理，从而达到提高训练数据集的全面性，同时提高神经网络模型的泛化性的效果。
附图说明
19.为了更加清楚地说明本发明示例性实施例的技术方案，下面对描述实施例中所需要用到的附图做一简单介绍。显然，所介绍的附图只是本发明所要描述的一部分实施例的附图，而不是全部的附图，对于本领域普通技术人员，在不付出创造性劳动的前提下，还可以根据这些附图得到其他的附图。
20.图1为本发明实施例一所提供的一种变电站设备缺陷的识别方法的流程示意图；
21.图2为本发明实施例一所提供的一种变电站设备缺陷的识别方法中的设备缺陷识别模型的结构示意图；
22.图3为本发明实施例二所提供的一种变电站设备缺陷的识别方法的流程示意图；
23.图4为本发明实施例三所提供的一种变电站设备缺陷的识别装置的结构示意图；
24.图5为本发明实施例四所提供的一种电子设备的结构示意图。
具体实施方式
25.下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。
26.另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
27.实施例一
28.图1为本发明实施例一所提供的一种变电站设备缺陷的识别方法的流程示意图，本实施例可适用于对变电站设备进行缺陷检测的情况，该方法可以由变电站设备缺陷的识别装置来执行，该装置可以通过软件和/或硬件来实现，可配置于终端和/或服务器中来实现本发明实施例中的变电站设备缺陷的识别方法。
29.如图1所示，本实施例的方法具体可包括：
30.s110、获取待检测的变电站设备的目标设备图像。
31.在本实施例中，目标设备图像可以理解为对待检测的变电站设备进行巡检时获取的图像。示例性地，目标设备图像可以通过图像采集设备获取，也可以通过图像数据库中获取等，本实施例对此不作限定。例如，可以通过固定点位拍摄装置或者巡检机器人对待检测的变电站设备进行拍摄，将拍摄到的图像作为目标设备图像。
32.在具体实施中，可以通过图像采集设备对待检测的变电站设备进行图像采集，并将采集到的图像作为待检测的变电站设备的目标设备图像。
33.s120、将目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果。
34.在本实施例中，设备缺陷识别模型可以为用于通过目标设备图像对待检测的变电站设备的设备缺陷进行识别的神经网络模型。示例性地，设备缺陷识别模型可以是由卷积神经网络、循环神经网络或者深度神经网络中的至少一个构成，本实施例对此不作限定。
35.图2为本发明实施例中设备缺陷识别模型的结构示意图。在本实施例中，设备缺陷识别模型的具体结构可以如图2所示。
36.可选地，设备缺陷识别模型可以包括并联的卷积模块与全连接模块，卷积模块可以包括至少一个卷积层和与卷积层串联的至少一个全连接层，全连接模块可以包括至少一个全连接层组成的全连接模块。
37.其中，卷积模块可以理解为用于实现卷积计算且具有深度结构的前馈神经网络模块。全连接层可以理解为由多层神经元组成的层式结构，并且每个神经元与所有输入均有权重连接的网络模块。其中，卷积层在设备缺陷识别模型中可以起到提取目标设备图像的特征信息的作用，全连接层在设备缺陷识别模型中可以起到“分类器”的作用，因此，卷积模块可以在提取目标设备图像特征信息的基础上，还可以对其进行分类分析。
38.由于目标设备图像中变电站整体设备图像所占比例较大，而需要识别的缺陷部分通常位于变电站设备内部，并且缺陷部分在目标设备图像中所占比例较小，因此，设备缺陷识别模型采用并联的卷积模块和全连接模块，可以强化设备缺陷识别模型在特征信息提取以及分类分析上偏向性，与将卷积模块与全连接模块串行连接相比，可以有效提高设备缺陷识别模型对目标设备图像中变电站设备缺陷识别的敏感性。
39.本发明提出了一种基于神经网络模型的设备缺陷识别方法，采用并行连接的卷积模块和全连接模块以及各个模块的输出结果相融合的方式，相比于串行连接的模型结构，有效提高设备缺陷识别模型的鲁棒性，并且，通过采用将全连接输出结果与卷积输出结果相融合的方式，可以有效提高输出结果的准确性，从而可以实现准确且高效的变电站缺陷识别的技术效果。
40.可选地，设备缺陷识别模型还可以包括特征图提取模块，特征图提取模块可以包括至少一个卷积层。
41.其中，特征图提取模块可以理解为用于对目标设备图像中进行特征信息提取的神经网络模块。示例性地，特征图提取模块可以由卷积神经网络结构、深度神经网络结构或者其他形式的神经网络结构中的至少一个构成，例如可以是 vgg-net或者res-net等结构。
42.需要说明的是，可以采用卷积模块对目标设备图像中特征信息进行提取，同时采用全连接模块对目标设备图像空间关系信息进行提取，即，可以在确定目标设备图像的缺
陷部分所在区域的同时，还可以确定目标设备图像中缺陷所属的类型。
43.还需说明的是，在将目标设备图像输入至预先训练完成的设备缺陷识别模型之前，还可以对目标设备图像进行一系列的图像预处理操作，以提高图像数据集的多样化，降低过拟合风险，提高设备缺陷识别模型的泛化性。可选地，对目标设备图像进行预处理操作可以包括但不限于几何变换(例如，旋转、放缩、裁剪、平移或者仿射变化等)、颜色空间变化(例如，对比度变化、亮度变化、饱和度变化、直方图增强或者灰度调整等)或者像素关系调整(例如，模糊、锐化或者噪声等)等操作，本实施例对此不作限定。
44.在本实施例中，设备缺陷识别模型可以基于样本设备图像以及与样本设备图像对应的期望识别结果训练得到。
45.在上述技术方案的基础上，还包括：构建用于训练设备缺陷识别模型的训练数据集，其中，训练数据集包括样本设备图像以及与样本设备图像对应的期望识别结果；将样本设备图像输入至待训练模型中，得到与样本设备图像对应的模型输出结果；根据与样本设备图像对应的模型输出结果、期望识别结果以及预先构建的模型损失函数对待训练模型进行模型调整，以得到设备缺陷识别模型。
46.其中，样本训练图像可以为用于进行模型训练的设备标准图像。期望识别结果可以为预先标注好的，用于识别设备缺陷的标签数据。期望识别结果可以用于作为评价后续预测以及分类结果的依据。
47.可选地，构建用于训练设备缺陷识别模型的训练数据集，包括：获取变电站中的变电设备的历史设备图像，根据历史设备图像确定样本设备图像；对样本设备图像进行标注，得到与样本设备图像对应的期望识别结果；根据样本设备图像以及与样本设备图像对应的期望识别结果构建用于训练设备缺陷识别模型的训练数据集。
48.其中，历史设备图像可以为变电设备在历史某时间点被采集的图像。
49.具体地，构建模型的训练数据集时，可以通过获取变电站中变电设备的历史设备图像，并从历史设备图像中进行筛选，确定样本设备图像，进一步地，对样本设备图像进行设备缺陷标注，得到与样本设备图像对应的期望识别结果，最后，根据样本设备图像以及与样本设备图像对应的期望识别结果构建设备缺陷设备模型的训练数据集。
50.需要说明的是，历史设备图像可以从图像采集设备中实时获取，也可以从图像数据库中获取，当然还可以是其他获取方式，本发明实施例对样本设备图像的获取方式不作任何限定；期望识别结果的标注过程，可以通过人工标注程序对样本设备图像进行标注，也可以采用其他方式来实现，本实施例对此不作限定。
51.可选地，根据历史设备图像确定样本设备图像，包括：根据预设图像扩充方式对历史设备图像进行图像扩充处理，得到扩充设备图像，将扩充设备图像和历史设备图像作为样本设备图像。
52.其中，预设图像扩充方式可以为预先设置的，用于对图像进行数据扩充的图像处理方式。示例性地，预设图像扩充方式包括几何变换、颜色空间变化以及像素关系调整中的至少一项。
53.可选地，几何变换包括旋转变换、放缩变换、裁剪变换、平移变换以及仿射变换中的至少一项。
54.其中，仿射变换可以为在几何中，一个向量空间进行一次线性变换并接上一个平
移，变换为另一个向量空间的过程。
55.可选地，颜色空间变化包括对比度变化、亮度变化、饱和度变化、直方图增强以及灰度调整中的至少一项。
56.其中，直方图增强可以为通过调整直方图达到图像增强的处理方法。示例性地，直方图增强可以包括直方图均衡以及直方图匹配等。
57.可选地，像素关系调整包括模糊处理、锐化处理以及噪声处理中的至少一项。
58.一般情况下，在确定用于模型训练的样本设备图像时，为了扩充训练数据集，提高训练数据集的全面性，同时提高设备缺陷识别模型的泛化性，可以根据预设图像扩充方式对历史设备图像进行图像扩充处理，得到扩充设备图像，进而，可以将扩充设备图像和历史设备图像作为样本设备图像，进一步地，对样本设备图像进行标注，得到与样本设备图像对应的期望识别结果，根据样本设备图像以及与样本设备图像对应的期望识别结果构建用于进行模型训练的训练数据集。
59.本发明提出了一种训练数据集的构建方法，通过图像扩充方式对获取的样本设备图像进行扩充处理，从而达到提高训练数据集的全面性，同时提高神经网络模型的泛化性的效果。
60.在具体实施中，将样本设备图像输入至待训练的设备缺陷识别模型中，通过特征图提取模块可以对训练图像数据集进行特征信息提取，得到初步特征图像数据集；将初步特征图像数据集分别输入至并行连接的卷积模块和全连接模块中，分别得到卷积模块的卷积输出结果和全连接模块的全连接输出结果；将卷积输出结果与全连接输出结果进行结果融合，得到与样本设备图像对应的模型输出结果，然后，根据与样本设备图像对应的模型输出结果、期望输出结果以及模型损失函数对待训练设备缺陷识别模型进行模型参数调整，直至满足训练结束条件，得到训练完成的设备缺陷识别模型。
61.可选地，设备缺陷识别模型的目标损失函数可以根据设备缺陷识别模型的全连接模块的损失值以及卷积模块的损失值确定。
62.可选地，设备缺陷识别模型的目标损失函数可以根据卷积模块的损失值与全连接模块的损失值进行加权计算确定。
63.具体地，设备缺陷识别模型的目标损失函数根据设备缺陷识别模型的全连接模块的损失值以及卷积模块的损失值确定的具体方式如下：
[0064][0065]
其中，l表示设备缺陷识别模型的目标损失函数，l
fc
表示全连接模块的损失值，l
conv
表示卷积模块的损失值，ω表示权重因子，ω
fc
为|ln(1-l
fc
)|,ω
conv
为为表示修正参数。
[0066]
其中，修正参数可以是用于修正设备缺陷识别模型的目标损失值的数值，其可以是根据经验设定的常数，其数值在此并不做具体限定。
[0067]
需要说明的是，设备缺陷识别模型的训练结束条件可以为训练过程中基于上述公式计算的目标损失函数趋于收敛状态，也可以为设备缺陷识别模型输出的训练结果的识别准确率达到预设准确率等，本实施例对此不作限定。
[0068]
在具体实施中，将目标设备图像输入至预先训练完成的设备缺陷识别模型中，通
过特征图提取模块提取目标设备图像中的特征信息，得到目标设备特征图像，将目标设备特征图像分别输入至并行连接的卷积模块和全连接模块中，通过卷积模块对目标设备特征图像中的缺陷特征信息进行提取，确定出目标设备特征图像中的缺陷区域的位置信息和/或目标设备特征图像中的缺陷区域的缺陷类型,同时通过全连接模块对目标设备特征图像中的缺陷区域的缺陷类型进行分类，最终输出变电站设备缺陷的识别结果。
[0069]
本发明实施例的技术方案，通过获取待检测变电站设备的目标设备图像，并将目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果，其中，设备缺陷识别模型采用并行连接的卷积模块与全连接模块，相比于串行连接的模型结构，可以有效提高设备缺陷识别模型的鲁棒性，从而提高识别准确率，并且解决了现有技术中由于采用人工对变电站设备缺陷进行检测而导致的检测工作量大、检测效率低且不准确的问题，达到了在降低人力成本的同时，还可以精准进行变电站设备缺陷识别的技术效果。
[0070]
实施例二
[0071]
图2为本发明实施例二所提供的一种变电站设备缺陷的识别方法的流程示意图，在上述技术方案的基础上，本实施例对技术方案进行了进一步细化。本实施例在本发明实施例中任一可选技术方案的基础上，可选地，所述将所述目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果，包括：将所述目标设备图像输入预先训练完成的设备缺陷识别模型中，分别得到所述卷积模块输出的卷积输出结果以及所述全连接模块输出的全连接输出结果；根据所述全连接输出结果与所述卷积输出结果确定变电站设备缺陷的识别结果。
[0072]
其中，与上述实施例相同或者相应的技术术语在此不在赘述。
[0073]
如图2所示，本实施例的方法具体包括如下步骤：
[0074]
s210、接收目标巡检设备采集的待检测的变电站设备的目标设备图像。
[0075]
其中，目标巡检设备可以理解为用于对变电站设备进行现场巡检并可以采集设备图像的一种现场巡检设备。示例性地，目标巡检设备可以包括但不限于设置于固定点位的图像采集设备或者安装有摄像装置的变电站巡检机器人等，本实施例对此不作限定。
[0076]
在具体实施中，可以通过目标巡检设备对待检测的变电站设备进行巡检，并在巡检过程中采集变电站设备的设备状态图像，以便可以将采集到的设备状态图像作为待检测变电站设备的目标设备图像，并对其进行变电站设备缺陷的识别。
[0077]
需要说明的是，目标巡检设备在巡检过程中采集的目标设备图像可以在采集到的同时对其进行变电站设备缺陷的识别分析，也可以将采集到的目标设备图像预先存储至图像数据库中，在巡检过程结束后或者变电站设备缺陷识别阶段，再对采集到的目标设备图像进行变电站设备缺陷识别分析等，本实施例对此不作限定。
[0078]
s220、将目标设备图像输入预先训练完成的设备缺陷识别模型中，分别得到卷积模块输出的卷积输出结果以及全连接模块输出的全连接输出结果。
[0079]
在本实施例中，可选地，卷积输出结果可以包括变电站设备缺陷的卷积分类结果，还可以包括变电站设备的缺陷区域的卷积识别结果。其中，卷积分类结果可以理解为应用卷积模块对目标设备图像中的变电站设备缺陷类型进行分类后得到的分类结果。卷积识别结果可以理解为应用卷积模块对目标设备图像中变电站设备缺陷的缺陷区域进行特征识
别的识别结果。
[0080]
可选地，全连接输出结果可以包括变电站设备缺陷全连接分类结果。其中，全连接分类结果可以理解为应用全连接模块对目标设备图像中的变电站设备缺陷类型进行分类得到的分类结果。
[0081]
在本实施例中，可选地，将目标设备图像输入预先训练完成的设备缺陷识别模型中，分别得到卷积模块输出的卷积输出结果以及全连接模块输出的全连接输出结果，包括：将目标设备图像输入预先训练完成的设备缺陷识别模型的特征图提取模块，得到初步特征图；将初步特征图输入至全连接模块得到全连接输出结果，并将初步特征图输入至卷积模块得到卷积输出结果。
[0082]
在一些实施例中，可选地，将目标设备图像输入预先训练完成的设备缺陷识别模型中，分别得到卷积模块输出的卷积输出结果以及全连接模块输出的全连接输出结果，还可以包括：在全连接模块和卷积模块之前分别设置第一特征图提取模块和第二特征图提取模块，将目标设备图像输入至第一特征图提取模块，得到第一初步特征图，将第一初步特征图输入至全连接模块得到全连接输出结果；将目标设备图像输入至第二特征图提取模块，得到第二初步特征图，将第二初步特征图输入至卷积模块得到卷积输出结果。
[0083]
需要说明的是。上述实施例中提到的“第一”和“第二”并不表示任何顺序、数量或者重要性，只是其对应的目标主体不同。示例性地，“第一特征图提取模块”和“第二特征图提取模块”可以表示相同的特征图提取模块，也可以表示不同的特征图提取模块，类似地，“第一初步特征图”和“第二初步特征图”可以表示相同的初步特征图，也可以表示不同的初步特征图。
[0084]
s230、根据全连接输出结果与卷积输出结果确定变电站设备缺陷的识别结果。
[0085]
在本实施例中，可选地，变电站设备缺陷的识别结果可以包括变电站设备缺陷的目标分类结果。其中，目标分类结果可以理解为设备缺陷识别模型对于目标设备图像中缺陷类型进行分类后得到的结果。
[0086]
需要说明的是，由于全连接输出结果中包括变电站设备缺陷的全连接分类结果，卷积输出结果中包括变电站设备缺陷的卷积分类结果，因此，在一些实施例中，变电站设备缺陷的目标分类结果可以为全连接分类结果，也可以为卷积分类结果，还可以为将全连接分类结果与卷积分类结果融合处理后得到的分类结果等。
[0087]
在本实施例中，可选地，根据全连接输出结果与卷积输出结果确定变电站设备缺陷的识别结果，包括：对全连接分类结果和卷积分类结果进行结果融合得到变电站设备的缺陷的目标分类结果。
[0088]
还需说明的是，将全连接分类结果与卷积分类结果进行结果融合的过程中，由于全连接模块可以很好的实现对变电站设备缺陷类型的分类分析，因此，在进行结果融合时，可以考虑根据全连接分类结果对卷积分类结果进行修正，以便可以得到更加准确的目标分类结果。
[0089]
可选地，对全连接分类结果和卷积分类结果进行结果融合得到变电站设备的缺陷的目标分类结果，包括：基于如下公式对全连接分类结果和卷积分类结果进行结果融合得到变电站设备的缺陷的目标分类结果：
[0090][0091]
其中，pi表示设备缺陷识别模型输出的变电站设备的缺陷区域的缺陷分类结果，表示设备缺陷识别模型的卷积模块的缺陷分类结果，表示设备缺陷识别模型的全连接模块的缺陷分类结果。
[0092]
本发明提出了一种基于神经网络模型的设备缺陷识别方法，采用并行连接的卷积模块和全连接模块，相比于串行连接的模型结构，有效提高设备缺陷识别模型的鲁棒性，并且，通过采用将全连接输出结果与卷积输出结果相融合的方式，可以有效提高输出结果的准确性，从而可以实现准确且高效的变电站缺陷识别的技术效果，解决了现有技术中由于采用人工对变电站设备缺陷进行检测而导致的检测工作量大、检测效率低且不准确的问题。
[0093]
在本实施例中，可选地，变电站设备缺陷的识别结果还可以包括变电站设备的缺陷区域的目标识别结果。其中，目标识别结果可以理解为设备缺陷识别模型对目标设备图像中变电站设备缺陷区域的识别结果。目标识别结果可以表征目标设备图像中变电站设备缺陷区域的大概位置。
[0094]
可选地，根据全连接输出结果与卷积输出结果确定变电站设备缺陷的识别结果，包括：将变电站设备的缺陷区域的卷积识别结果作为变电站设备的缺陷区域的目标识别结果。
[0095]
在具体实施中，将获取的目标设备图像输入至预先训练完成的设备缺陷识别模型中，可以分别得到全连接模块输出的全连接输出结果和卷积模块输出的卷积输出结果，将全连接输出结果与卷积输出结果进行加权结果融合，即可以得到变电站设备缺陷的识别结果，与传统的卷积模块与全连接模块串行连接相比，将两种神经网络模块并行连接，并将两种输出结果进行加权融合，可以得到更加准确的识别结果。
[0096]
需要说明的是，在本实施例中，设备缺陷识别模型可以通过整体容器打包、封装为动态链接库、编译为可执行文件、烧录至固件以及前端芯片集成等方式，与目标巡检设备的后台系统以及变电站内摄像装置对接，可以实现采集视频的的同步分析，实时进行变电站设备缺陷的识别。
[0097]
本发明实施例的技术方案，通过接收目标巡检设备采集的待检测变电站设备的目标设备图像，并将目标设备图像输入至预先训练完成的设备缺陷识别模型中，分别得到全连接模块输出的全连接输出结果和卷积模块输出的卷积输出结果，进一步地，将全连接输出结果与卷积输出结果进行结果融合，最终得到变电站设备缺陷的识别结果，解决了现有技术中由于采用人工研判的方式对变电站设备缺陷进行分析而导致的设备缺陷发现不及时，从而影响电网的安全运行等问题，并且，通过采用将全连接输出结果与卷积输出结果相融合的方式，可以有效提高输出结果的准确性，从而可以实现准确且高效的变电站缺陷识别的技术效果。
[0098]
实施例三
[0099]
图3为本发明实施例三所提供的一种变电站设备缺陷的识别装置的结构示意图，本实施例所提供的变电站设备缺陷的识别装置可以通过软件和/或硬件来实现，可配置于
终端和/或服务器中来实现本发明实施例中的变电站设备缺陷的识别方法。该装置具体可包括：设备图像获取模块310和设备图像输入模块320。
[0100]
其中，设备图像获取模块310，用于获取待检测的变电站设备的目标设备图像；
[0101]
设备图像输入模块320，用于将目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果；其中，设备缺陷识别模型包括并联的卷积模块与全连接模块，卷积模块包括至少一个卷积层和与卷积层串联的至少一个全连接层，全连接模块包括至少一个全连接层组成的全连接模块。
[0102]
本发明实施例的技术方案，通过获取待检测变电站设备的目标设备图像，并将目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果，其中，设备缺陷识别模型采用并行连接的卷积模块与全连接模块，相比于串行连接的模型结构，可以有效提高设备缺陷识别模型的鲁棒性，从而提高识别准确率，并且解决了现有技术中由于采用人工对变电站设备缺陷进行检测而导致的检测工作量大、检测效率低且不准确的问题，达到了在降低人力成本的同时，还可以精准进行变电站设备缺陷识别的技术效果。
[0103]
可选地，设备图像输入模块320，还包括设备图像输入单元和识别结果确定单元。
[0104]
其中，设备图像输入单元，用于将目标设备图像输入预先训练完成的设备缺陷识别模型中，分别得到卷积模块输出的卷积输出结果以及全连接模块输出的全连接输出结果；识别结果确定单元，用于根据全连接输出结果与卷积输出结果确定变电站设备缺陷的识别结果。
[0105]
可选地，所述设备缺陷识别模型还包括特征图提取模块，所述特征图提取模块包括至少一个卷积层；
[0106]
相应地，设备图像输入单元，还用于将目标设备图像输入预先训练完成的设备缺陷识别模型的特征图提取模块，得到初步特征图；将初步特征图输入至全连接模块得到全连接输出结果，并将初步特征图输入至卷积模块得到卷积输出结果。
[0107]
可选地，所述全连接输出结果包括变电站设备的缺陷的全连接分类结果，所述卷积输出结果包括变电站设备的缺陷的卷积分类结果；所述变电站设备缺陷的识别结果包括变电站设备的缺陷的目标分类结果；
[0108]
相应地，识别结果确定单元，还用于对全连接分类结果和卷积分类结果进行结果融合得到变电站设备的缺陷的目标分类结果。
[0109]
可选地，识别结果确定单元，还用于基于如下公式对全连接分类结果和卷积分类结果进行结果融合得到变电站设备的缺陷的目标分类结果：
[0110][0111]
其中，pi表示设备缺陷识别模型输出的变电站设备的缺陷区域的缺陷分类结果，表示设备缺陷识别模型的卷积模块的缺陷分类结果，表示设备缺陷识别模型的全连接模块的缺陷分类结果。
[0112]
可选地，所述卷积输出结果还包括变电站设备的缺陷区域的卷积识别结果；所述变电站设备缺陷的识别结果包括变电站设备的缺陷区域的目标识别结果；
[0113]
类似地，识别结果确定单元，还用于将变电站设备的缺陷区域的卷积识别结果作为变电站设备的缺陷区域的目标识别结果。
[0114]
可选地，所述设备缺陷识别模型的目标损失函数根据设备缺陷识别模型的全连接模块的损失值以及卷积模块的损失值确定。
[0115]
可选地，所述设备缺陷识别模型的目标损失函数根据设备缺陷识别模型的全连接模块的损失值以及卷积模块的损失值确定的具体方式如下：
[0116][0117]
其中，l表示设备缺陷识别模型的目标损失函数，l
fc
表示全连接模块的损失值，l
conv
表示卷积模块的损失值，ω表示权重因子，ω
fc
为|ln(1-l
fc
)|,ω
conv
为为表示修正参数。
[0118]
可选地，设备图像获取模块310，还用于接收目标巡检设备采集的待检测的变电站设备的目标设备图像。
[0119]
可选地，所述装置还包括：数据集构建模块、图像输入模块和模型调整模块。
[0120]
其中，数据集构建模块，用于构建用于训练设备缺陷识别模型的训练数据集，其中，所述训练数据集包括样本设备图像以及与样本设备图像对应的期望识别结果；图像输入模块，用于将样本设备图像输入至待训练模型中，得到与样本设备图像对应的模型输出结果；模型调整模块，用于根据与样本设备图像对应的模型输出结果、期望识别结果以及预先构建的模型损失函数对待训练模型进行模型调整，以得到设备缺陷识别模型。
[0121]
可选地，数据集构建模块，包括设备图像确定单元、图像标注单元和数据集构建单元。
[0122]
其中，设备图像确定单元，用于获取变电站中的变电设备的历史设备图像，根据所述历史设备图像确定样本设备图像；图像标注单元，用于对样本设备图像进行标注，得到与样本设备图像对应的期望识别结果；数据集构建单元，用于根据样本设备图像以及与样本设备图像对应的期望识别结果构建用于训练设备缺陷识别模型的训练数据集。
[0123]
可选地，设备图像确定单元，还用于根据预设图像扩充方式对历史设备图像进行图像扩充处理，得到扩充设备图像，将扩充设备图像和历史设备图像作为样本训练图像；其中，所述预设图像扩充方式包括几何变换、颜色空间变化以及像素关系调整中的至少一项。
[0124]
可选地，所述几何变换包括旋转变换、放缩变换、裁剪变换、平移变换以及仿射变换中的至少一项。
[0125]
可选地，所述颜色空间变化包括对比度变化、亮度变化、饱和度变化、直方图增强以及灰度调整中的至少一项。
[0126]
可选地，所述像素关系调整包括模糊处理、锐化处理以及噪声处理中的至少一项。
[0127]
上述变电站设备缺陷的识别装置可执行本发明任意实施例所提供的变电站设备缺陷的识别方法，具备执行变电站的设备缺陷的识别方法相应的功能模块和有益效果。
[0128]
实施例四
[0129]
图5为本发明实施例四提供的一种电子设备的结构示意图。图5示出了适于用来实现本发明实施例实施方式的示例性电子设备40的框图。图5显示的电子设备40仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0130]
如图5所示，电子设备40以通用计算设备的形式表现。电子设备40的组件可以包括但不限于：一个或者多个处理器或者处理单元401，系统存储器402，连接不同系统组件(包括系统存储器402和处理单元401)的总线403。
[0131]
总线403表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构 (isa)总线，微通道体系结构(mac)总线，增强型isa总线、视频电子标准协会(vesa)局域总线以及外围组件互连(pci)总线。
[0132]
电子设备40典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备40访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
[0133]
系统存储器402可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(ram)404和/或高速缓存存储器405。电子设备40可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统406可以用于读写不可移动的、非易失性磁介质(图5未显示，通常称为“硬盘驱动器”)。尽管图5中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如 cd-rom,dvd-rom或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线403相连。存储器402可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
[0134]
具有一组(至少一个)程序模块407的程序/实用工具408，可以存储在例如存储器402中，这样的程序模块407包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块407通常执行本发明所描述的实施例中的功能和/或方法。
[0135]
电子设备40也可以与一个或多个外部设备409(例如键盘、指向设备、显示器410等)通信，还可与一个或者多个使得用户能与该电子设备40交互的设备通信，和/或与使得该电子设备40能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(i/o) 接口411进行。并且，电子设备40还可以通过网络适配器412与一个或者多个网络(例如局域网(lan)，广域网(wan)和/或公共网络，例如因特网)通信。如图所示，网络适配器412通过总线403与电子设备40的其它模块通信。应当明白，尽管图5中未示出，可以结合电子设备40使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、raid系统、磁带驱动器以及数据备份存储系统等。
[0136]
处理单元401通过运行存储在系统存储器402中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的变电站设备缺陷的识别方法。
[0137]
实施例七
[0138]
本发明实施例七还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种变电站设备缺陷的识别方法，该方法包括：
[0139]
获取待检测的变电站设备的目标设备图像；
[0140]
将所述目标设备图像输入至预先训练完成的设备缺陷识别模型中，得到变电站设备缺陷的识别结果；
[0141]
其中，所述设备缺陷识别模型包括并联的卷积模块与全连接模块，所述卷积模块包括至少一个卷积层和与所述卷积层串联的至少一个全连接层，所述全连接模块包括至少一个全连接层组成的全连接模块。
[0142]
本发明实施例的计算机存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器 (cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0143]
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
[0144]
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、rf等等，或者上述的任意合适的组合。
[0145]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明实施例操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如 java、smalltalk、c ，还包括常规的过程式程序设计语言——诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0146]
注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。