【技術實現步驟摘要】
本專利技術涉及電力設備缺陷識別，特別是涉及一種電力設備熱缺陷識別方法及系統。
技術介紹
1、本部分的陳述僅僅是提供了與本專利技術相關的
技術介紹
信息，不必然構成在先技術。
2、目前用電用戶對用電質量的要求越來越高，供電公司在保障正常供電情況下，需要頻繁定期巡檢大量的電網設備，避免其在存在較大風險中運行，而且電網結構復雜，電力設備分布廣泛，巡檢跨度大、難度高，傳統的巡檢方法制約著巡檢的準確性和效率。在電氣設備的長期使用過程中，其內部器件可能發生老化和喪失絕緣，引起設備局部溫升或過熱，甚至造成嚴重事故。
3、近年來，紅外圖像技術不斷發展，然而紅外圖像技術在電氣領域應用的過程中還是存在較多的問題，現有的機器視覺識別技術受限較大，不僅難以對復雜且種類繁多的電氣設備實現精準分類，還因紅外圖像存在各種背景噪聲干擾而難以實現設備過熱關鍵區域的特征提取。在現有技術中，通過圖像分割、對比和增強等方式識別故障位置的關鍵信息，又如論文《基于改進yolo算法的遙感圖像目標檢測》中公開了根據熱像特征、紋理特征等完成分割后紅外圖像的熱缺陷識別，現有技術中的方法雖然在背景噪聲或干擾較小的紅外圖像中識別率較高，但是經過驗證發現，現有技術在復雜場景下的熱缺陷識別效率和準確度都偏低。除此之外，現有技術中利用單一圖像信息進行電力設備熱缺陷識別，使得識別精準度較低。綜上所述，現有技術中存在的技術問題有：
4、1、由于紅外圖像存在各種背景噪聲干擾導致難以實現設備過熱關鍵區域的特征提取；
5、2、僅僅利用單一圖像信息數據進行電
6、3、部分電力設備外形極為相似，而熱缺陷圖像特征中的缺陷面積較小，在深層網絡中存在極易丟失特征的問題，導致最終識別精度偏低。
技術實現思路
1、為了解決上述問題，本專利技術提出了一種電力設備熱缺陷識別方法及系統，考慮兩種圖像信息數據，并將其融合，并對局部提取模型和識別模型做出了改進，提高了電力設備熱缺陷識別的精度。
2、為了實現上述目的，本專利技術采用如下技術方案：
3、第一方面，本專利技術提供一種電力設備熱缺陷識別方法，包括：
4、采集待識別電力設備的可見光圖像和紅外光圖像，并對可見光圖像和紅外光圖像進行預處理；
5、將預處理后的可見光圖像和紅外光圖像進行圖像融合，得到融合圖像；
6、將所述融合圖像輸入至改進yolov4模型中，輸出局部融合圖像，再將所述局部融合圖像輸入熱缺陷識別模型中，并利用貝葉斯超參數進行不斷優化，輸出熱缺陷識別結果。
7、進一步的技術方案，所述對可見光圖像和紅外光圖像進行預處理，具體為依次進行圖像去噪和圖像增強；所述圖像去噪的具體操作為：采用中值濾波對可見光圖像和紅外光圖像進行濾波處理。
8、進一步的技術方案，所述圖像增強的具體操作為：首先將經過圖像去噪的可見光圖像和紅外光圖像輸入到預先訓練好的深度卷積生成對抗網絡的生成網絡中，生成網絡輸出生成圖像，然后利用自動色彩增強算法對生成網絡輸出的生成圖像進行圖像增強處理。
9、進一步的技術方案，所述圖像融合的具體操作為：采用張氏標定法對經過預處理后的可見光圖像和紅外光圖像分別進行矯正變換，得到矯正可見光圖像和矯正紅外光圖像；
10、根據矯正可見光圖像和矯正紅外光圖像的縮放比統一其尺寸比例，并計算統一尺寸比例后的矯正可見光圖像和矯正紅外光圖像的相對偏移量對統一尺寸比例后的矯正可見光圖像和矯正紅外光圖像進行粗配準；將統一尺寸比例后的矯正紅外光圖像中提取的特征與統一尺寸比例后的矯正可見光圖像中對應提取的特征進行互相匹配和篩選，完成精配準，得到精配可見光圖像和精配紅外光圖像；將精配可見光圖像和精配紅外光圖像輸入多源圖像融合網絡中進行圖像融合，輸出融合圖像。
11、進一步的技術方案，所述多源圖像融合網絡包括編碼器、特征融合模塊和解碼器；
12、所述編碼器設置為兩個，包括第一編碼器和第二編碼器；將精配可見光圖像和精配紅外光圖像輸入到多源圖像融合網絡中，通過第一編碼器對精配可見光圖像進行特征提取，通過第二編碼器對精配紅外光圖像進行特征提取，分別得到可見光特征圖和紅外特征圖；
13、利用特征融合模塊對可見光特征圖和紅外特征圖進行特征融合，得到融合特征圖；最終利用解碼器對融合特征圖進行圖像重構，得到融合圖像。
14、進一步的技術方案，所述改進yolov4模型中的激活函數選擇gelu激活函數，所述gelu激活函數為：
15、x·，式中，為輸入。
16、進一步的技術方案，所述熱缺陷識別模型為改進殘差網絡模型，所述改進殘差網絡模型中包括8個res-branch子模塊，其中第ｉ個模塊前輸出的特征作為第ｊ個模塊增加的輸入特征。
17、第二方面，本專利技術提供一種電力設備熱缺陷識別系統，包括：
18、采集處理模塊，被配置為：采集待識別電力設備的可見光圖像和紅外光圖像，并對可見光圖像和紅外光圖像進行預處理；
19、圖像融合模塊，被配置為：將預處理后的可見光圖像和紅外光圖像進行圖像融合，得到融合圖像；
20、識別模塊，被配置為：將所述融合圖像輸入至改進yolov4模型中，輸出局部融合圖像，再將所述局部融合圖像輸入熱缺陷識別模型中，并利用貝葉斯超參數進行不斷優化，輸出熱缺陷識別結果。
21、與現有技術相比，本專利技術的有益效果為：
22、1、本專利技術對傳統的yolov4模型進行了改進，采用gelu?激活函數替換主干網絡中的?leakyrelu函數，增加模型的非線性因素，提升了yolov4模型傳遞不同尺度參數的能力，使得模型在訓練過程中能夠具有更高的泛化能力，有利于實現設備過熱關鍵區域的特征提取。
23、2、本專利技術采集了電力設備的可見光圖像和紅外光圖像，通過兩種圖像信息數據并將二者進行融合后進行局部提取，再進行識別，解決了現有技術中利用單一圖像信息數據進行電力設備熱缺陷識別，導致熱缺陷識別精準度較低的問題。
24、3、本專利技術采用殘差網絡作為熱缺陷識別模型，并對傳統的殘差網絡進行了改進，將傳統的殘差網絡中第ｉ個模塊前輸出的特征作為第ｊ個模塊增加的輸入特征，讓網絡具有更強的梯度流動性并保存了低維度的特征，解決了現有技術中的深層網絡存在極易丟失特征，導致識別精度低的問題。
本文檔來自技高網...【技術保護點】
1.一種電力設備熱缺陷識別方法，其特征在于，包括：
2.如權利要求1所述的一種電力設備熱缺陷識別方法，其特征在于，所述對可見光圖像和紅外光圖像進行預處理，具體為依次進行圖像去噪和圖像增強；所述圖像去噪的具體操作為：采用中值濾波對可見光圖像和紅外光圖像進行濾波處理。
3.如權利要求2所述的一種電力設備熱缺陷識別方法，其特征在于，所述圖像增強的具體操作為：首先將經過圖像去噪的可見光圖像和紅外光圖像輸入到預先訓練好的深度卷積生成對抗網絡的生成網絡中，生成網絡輸出生成圖像，然后利用自動色彩增強算法對生成網絡輸出的生成圖像進行圖像增強處理。
4.如權利要求1所述的一種電力設備熱缺陷識別方法，其特征在于，所述圖像融合的具體操作為：采用張氏標定法對經過預處理后的可見光圖像和紅外光圖像分別進行矯正變換，得到矯正可見光圖像和矯正紅外光圖像；
5.如權利要求4所述的一種電力設備熱缺陷識別方法，其特征在于，所述多源圖像融合網絡包括編碼器、特征融合模塊和解碼器；
6.如權利要求1所述的一種電力設備熱缺陷識別方法，其特征在于，所述改進YOLOv4
7.如權利要求1所述的一種電力設備熱缺陷識別方法，其特征在于，所述熱缺陷識別模型為改進殘差網絡模型，所述改進殘差網絡模型中包括8個Res-Branch子模塊，其中第ｉ個模塊前輸出的特征作為第ｊ個模塊增加的輸入特征?。
8.一種電力設備熱缺陷識別系統，其特征在于，包括：
9.一種計算機可讀存儲介質，其上存儲有程序，其特征在于，該程序被處理器執行時實現如權利要求1-7任一項所述的一種電力設備熱缺陷識別方法中的步驟。
10.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的程序，其特征在于，所述處理器執行所述程序時實現如權利要求1-7任一項所述的一種電力設備熱缺陷識別方法中的步驟。
...【技術特征摘要】
1.一種電力設備熱缺陷識別方法，其特征在于，包括：
2.如權利要求1所述的一種電力設備熱缺陷識別方法，其特征在于，所述對可見光圖像和紅外光圖像進行預處理，具體為依次進行圖像去噪和圖像增強；所述圖像去噪的具體操作為：采用中值濾波對可見光圖像和紅外光圖像進行濾波處理。
3.如權利要求2所述的一種電力設備熱缺陷識別方法，其特征在于，所述圖像增強的具體操作為：首先將經過圖像去噪的可見光圖像和紅外光圖像輸入到預先訓練好的深度卷積生成對抗網絡的生成網絡中，生成網絡輸出生成圖像，然后利用自動色彩增強算法對生成網絡輸出的生成圖像進行圖像增強處理。
4.如權利要求1所述的一種電力設備熱缺陷識別方法，其特征在于，所述圖像融合的具體操作為：采用張氏標定法對經過預處理后的可見光圖像和紅外光圖像分別進行矯正變換，得到矯正可見光圖像和矯正紅外光圖像；
5.如權利要求4所述的一種電力設備熱缺陷識別方法，其特征在于，所述多源圖...
【專利技術屬性】
技術研發人員：彭文存，李賀，劉世敏，馬坤，孫衛華，馮城金，張鳳娟，張東旭，
申請(專利權)人：國網山東省電力公司金鄉縣供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。