(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210269293.8 (22)申请日 2022.03.18 (71)申请人 华北电力大 学 地址 102206 北京市昌平区北农路2号 (72)发明人 刘子豪　王颖　冯晓瑜　麻秀范　 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/143(2022.01) G06V 10/26(2022.01) G06V 10/34(2022.01) G06V 10/44(2022.01) G06V 10/74(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的变电站电气设备红外 故障识别方法 (57)摘要 本发明公开了一种基于深度学习的变电站 电气设备红外故障识别方法， 电力设备可见光图 像识别模块配合红外线故障识别模块 以及电力 设备故障预警系统实现对变电站电力设备的监 控。 本发明所 实现的电力设备可见光图像识别和 电气设备红外故障识别是基于深度学习概念中 的卷积神经网络， 通过搭建卷积神经网络并用事 先收集好的图片集完成其训练以及验证， 最终实 现电力设备可见光图像和电气故障的识别。 在可 见光和红外识别的基础， 构建电气设备红外图谱 特征数据库对电气设备红外图谱信息进行储存 和管理。 依靠构建的数据库中储存的相关信息， 分析比较不同算法， 针对各种算法的特点选用合 适的数学模 型对各电气设备建立状态预警模型， 实现电气设备状态的实时评价与预 警， 从而能够 实际运用到 变电站的监控中去。 权利要求书2页 说明书6页 附图2页 CN 114677667 A 2022.06.28 CN 114677667 A 1.一种基于深度学习的变电站电气设备红外故障识别方法， 其特征在于包括以下步 骤： S1： 采集电气设备 可见光和红外图形， 对数据进行 预处理 S2： 针对不均匀光照的图像增强处 理 S3： 对电力设备 可见光图像进行分割， 实现电气设备类型识别 S4： 针对电气设备的红外故障图像， 采用深度学习进行卷积训练， 实现电气设备故障识 别 S5： 收集识别后的电气设备图片， 建立电气设备红外图谱信息管理系统。 2.根据权利要求1所述的方法， 其特征在于， 所述的电气设备可见光和红外图形预处 理， 采用Sobel算子和Laplace算子， 将 两个算子与变电站电气设备原始图像相叠加， 并将 两 种算法相互结合， 从而突出原图中电力设备的边缘信息， 提高识别的准确度。 Sob el算子通 常应用于图像的边缘检测上， 它是离散性差 分算子， 在图像任意一点使用该算子， 将会产生 对应的方向的一个矢量。 Laplace算子同sobel算子一样， 都是应用于物体的边缘检测。 Laplace算子是在一阶导数边缘检测的基础之上发展而来， 利用二阶导数来进 行边缘检测。 对于二阶函数的导数求法如下： 可近似得到如下公式： 于是得到对应的拉普拉斯滤波模板： 通过Sobel算子和L aplace算子运算后得到该图像中电力设备的轮廓信息， 增大了轮廓 信息在叠加中的占比， 便 于人眼观察。 3.根据权利要求1所述的方法， 其特征在于， 所述的针对不均匀光照的图像增强处理， 通过直方图均衡化将灰度图像映射将扩展到像素的强度分布范围， 以放大在图像和增强的 相同颜色范围内采集的像素， 通过不均匀的光照射增加图像对比度并降低图像效果。 将彩 色图片分解成RGB三种颜色的单色图像， 再进行直方图均衡化， 完成之后， 再将三色图像合 成为彩色图像。 (1)计算图像的各 灰度级中像素 出现的概 率p(i) L为灰度级的个数， ni为对应灰度级的像素 数量， n为像素总数 (2)计算p(i)的累计概 率函数c(i) 权　利　要　求　书 1/2 页 2 CN 114677667 A 2(3)将c(i)缩放至 0‑255范围内 y(i)＝25 5*c(i) 4.根据权利要求1所述的方法， 其特征在于， 所述的对电力设备可见光图像进行分割与 识别， 采用GrabCut图像分割算法将该电力设备的轮廓信息提取出来， 便于后续的对电力设 备类型进行分析。 使用RGB色彩空间对目标和背景进行建模， 并使用K高斯分量的全协方差 GMM对目标和背景进行建模。 因此提供了附加向量K＝{k1， ...,kn}， 其中kn是对应于高斯分 量的第n个像素。 对于每个像素， 从目标GMM的高斯成分或背景GMM的高斯成分。 确 定这三个 参数， 然后知道像素的RGB颜色的值。 接着， 将其代入目标GMM和背景GMM， 以确定像素属于目 标和背景的概 率， 即能量的面积概念， 即计算图t 链的权重。 5.根据权利要求1所述的方法， 其特征在于， 所述的一种基于深度 学习的变电站电气设 备红外故障识别方法， 首先按照电气设备致热故障产生原因分类， 然后基于Mask ‑rcnn的深 度学习算法对电气设备 的红外故障进行分类。 首先建立电气设备致热故障类型， 按照电气 设备致热故障的位置 分类， 按照电气设备致热故障产生原因分类， 分为电力变压器故障、 电 压互感器故障、 电流互感器故 障、 隔离开关故 障和断路器故 障。 然后， 将maskrcnn用于红外 故障图像的识别上， 并且是基于多摄像头的识别， 因为在变电站中电气设备因为发生电压 致热性故障， 导致的局部发热， 可能会出现发热故障区域只在一侧从而导致红外摄像头无 法拍摄到， 因此需要采用多摄像头提高故障识别率。 最后， 基于深度学习算法做出红外故障 数据集， 然后就可以处理双摄摄像头拍摄的电气神红外图片， 判断是否发生致热型故障， 及 时报给主控室达到一个预警的效果。 通过收集变电站电气设备的故障类型， 不断增加红外 数据集的规模， 从而提高识别的准确度(人工操作)。 6.根据权利要求1所述的方法， 其特征在于， 所述的 电气设备红外 图谱信息管理系统， 建立了包含图像获取、 数据储存、 分析计算、 操作维护四个模块的电气设备 红外图谱管理系 统， 完成红外图谱及相关信息的储存、 查询、 维护、 分析等功能。 程序开始运行时， 首先获取 可见光摄像头和红外摄像头的一帧图像， 使用OpenCV中resise函数将 两张图像转化 成大小 为(320， 240)的格式。 判断是否存在电气设备时使用已经训练完成的模 型， 用输出不同数字 代表不同类型 的电气设备。 当识别存在电气设备时， 调用缺陷识别模型对该电气设备 的红 外热像图进 行识别， 同样用不同的数字代表不同的缺陷类型。 若检测出存在缺陷， 则将电气 设备的类型、 缺陷类型、 检测时间和保存的红外热像图保存在数据库中。 为了减轻设备计算 压力， 可设置一定的检测间隔。权　利　要　求　书 2/2 页 3 CN 114677667 A 3