【技術實現步驟摘要】
本專利技術涉及電力設備缺陷識別，并且更具體地，涉及一種變電站缺陷識別方法、裝置、介質及設備。
技術介紹
1、隨著社會經濟不斷發展，電網建設規模的急速增長、日常巡視運維等業務量隨之快速增加，導致現有運檢隊伍工作量、勞動強度和壓力大幅增加，迫切需要智能化、數字化技術助力基層一線減負。隨著智能化技術的發展，變電站運維作業逐步引入自動化巡視系統，以提高檢測效率和準確性。然而，當前技術在實際應用中面臨以下三個關鍵問題，這些問題嚴重影響了智能巡視系統的整體性能和實用性：
2、1）缺陷數據稀缺導致模型檢出率偏低。在變電站的巡視過程中，缺陷樣本通常遠少于正常樣本，若直接使用這些稀缺的缺陷樣本進行訓練缺陷檢測模型，模型的檢出率會顯著降低。這是因為模型在訓練時無法充分學習到缺陷的特征，導致其對缺陷的檢測能力不足，進而影響了系統的可靠性和安全性。
3、2）正常樣本過多降低人工審核效率。變電站運維過程中產生的正常巡檢樣本數量龐大，這些正常樣本的處理極大地增加了人工審核的工作負擔和成本?，F有的人工審核方法難以應對海量的正常樣本，導致了效率低下和工作成本的顯著增加。
4、3）巡檢圖片風格多樣性影響模型準確性。實際巡檢中拍攝的圖片受到天氣、光照、季節變化和拍攝角度等多種因素的影響，使得圖片風格呈現多樣性。這種多樣性導致缺陷識別模型在不同環境下的準確性降低，難以保持風格一致性。
技術實現思路
1、針對現有技術的不足，本專利技術提供一種變電站缺陷識別方法、裝置、介質及設備。>
2、根據本專利技術的一個方面，提供了一種變電站缺陷識別方法，包括：
3、采用預先訓練的異常圖片篩選模型對巡檢任務中的巡檢圖片數據進行識別，確定異常巡檢圖片數據集；
4、利用預先訓練的圖像搜索模型從正常樣本數據庫中檢索出與異常巡檢圖片數據集相似度最高的正常樣本數據集；
5、將異常巡檢圖片數據集中的巡檢圖片與對應的正常樣本數據集中的圖片進行配準，確定配準異常巡檢圖片數據集；
6、利用設備檢測模型檢測出正常樣本數據集中的感興趣區域，并利用變化檢測模型對配準異常巡檢圖片數據集與正常樣本數據集進行全局變化檢測，確定預測變化區域；
7、利用感興趣區域剔除預測變化區域的無效變化檢測結果，確定異常巡檢圖片數據集的異常檢測結果，并根據異常檢測結果確定變電站的缺陷識別結果。
8、可選地，異常圖片篩選模型通過正常樣本數據庫中的正常樣本訓練得到，其中正常樣本數據庫由固定點位采集的變電站設備圖片組成。
9、可選地，異常圖片篩選模型的總損失函數為：
10、
11、其中， l rec為總損失， l mse為均方誤差損失， l mssim為結構相似度損失， i r為基于正常樣本重建圖像， i ori原始輸入巡檢圖像，均方誤差損失 l mse的表達式為：
12、
13、其中， n為像素點總個數， i為像素點位置， y i為重建圖像在像素點 i處的像素值，為原始輸入巡檢圖像像素點 i處的像素值；
14、結構相似度損失 l mssim的表達式為：
15、
16、其中， l ssim用于衡量整幅圖像之間的結構一致性。
17、可選地，結構一致性 l ssim的表達式為：
18、
19、其中， x為重建圖像， y巡檢圖像，為圖像的平均亮度，為重建圖像對比度，為巡檢圖像對比度，為重建圖像與巡檢圖像的協方差，其中：
20、
21、
22、
23、式中， w i為在像素點 i處且大小為11×11高斯核權重，、、分別為在一個patch上的均值、對比度以及協方差。
24、可選地，利用預先訓練的圖像搜索模型從正常樣本數據庫中檢索出與異常巡檢圖片數據集相似度最高的正常樣本數據集，包括：
25、利用圖像搜索模型分別在異常巡檢圖片數據集的各點位的正常樣本數據庫中查找與當前異常巡檢圖片光照、天氣以及季節相似度最高的正常樣本數據，構成正常樣本數據集。
26、可選地，將異常巡檢圖片數據集中的巡檢圖片與對應的正常樣本數據集中的圖片進行配準，確定配準異常巡檢圖片數據集，包括：
27、使用深度學習模型提取異常巡檢圖片數據集中異常巡檢圖片的巡檢特征點和巡檢特征描述子；
28、使用深度學習模型提取正常樣本數據集中正常樣本的正常特征點和正常特征描述子；
29、根據巡檢特征點、巡檢特征描述子、正常特征點和正常特征描述子，使用暴力粗匹配對相對應的異常巡檢圖片和正常樣本進行特征匹配，獲取粗匹配結果；
30、使用ransac算法剔除粗匹配結果中的誤匹配結果，獲取精匹配結果；
31、尋找精匹配結果中的最優單應性矩陣，并通過單應性矩陣對異常巡檢圖片數據集中異常巡檢圖片做透視變換，得到配準后的配準異常巡檢圖片數據。
32、可選地，變化檢測模型采用u-net結構多尺度特征編碼解碼器以及resnet-50結構的編碼器，并添加注意力機制，其中變化檢測模型的損失函數 f1- score為：
33、
34、其中，
35、
36、
37、式中， precision為準確率， recall為召回率， tp為真正例、 fp為假正例、 fn為假負例。
38、根據本專利技術的另一個方面，提供了一種變電站缺陷識別裝置，包括：
39、識別本文檔來自技高網...
【技術保護點】
1.一種變電站缺陷識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述異常圖片篩選模型通過正常樣本數據庫中的正常樣本訓練得到，其中所述正常樣本數據庫由固定點位采集的變電站設備圖片組成。
3.根據權利要求1或2所述的方法，其特征在于，所述異常圖片篩選模型的總損失函數為：
4.根據權利要求3所述的方法，其特征在于，所述結構一致性LSSIM的表達式為：
5.根據權利要求1所述的方法，其特征在于，利用預先訓練的圖像搜索模型從正常樣本數據庫中檢索出與所述異常巡檢圖片數據集相似度最高的正常樣本數據集，包括：
6.根據權利要求1所述的方法，其特征在于，將所述異常巡檢圖片數據集中的巡檢圖片與對應的正常樣本數據集中的圖片進行配準，確定配準異常巡檢圖片數據集，包括：
7.根據權利要求1所述的方法，其特征在于，所述變化檢測模型采用U-Net結構多尺度特征編碼解碼器以及resnet-50結構的編碼器，并添加注意力機制，其中所述變化檢測模型的損失函數F1-Score為：
8.一種變電站缺陷識別裝置，
9.根據權利要求8所述的裝置，其特征在于，所述異常圖片篩選模型通過正常樣本數據庫中的正常樣本訓練得到，其中所述正常樣本數據庫由固定點位采集的變電站設備圖片組成。
10.一種計算機可讀存儲介質，其特征在于，所述存儲介質存儲有計算機程序，所述計算機程序用于執行上述權利要求1-7任一所述的方法。
11.一種電子設備，其特征在于，所述電子設備包括：
...【技術特征摘要】
1.一種變電站缺陷識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述異常圖片篩選模型通過正常樣本數據庫中的正常樣本訓練得到，其中所述正常樣本數據庫由固定點位采集的變電站設備圖片組成。
3.根據權利要求1或2所述的方法，其特征在于，所述異常圖片篩選模型的總損失函數為：
4.根據權利要求3所述的方法，其特征在于，所述結構一致性lssim的表達式為：
5.根據權利要求1所述的方法，其特征在于，利用預先訓練的圖像搜索模型從正常樣本數據庫中檢索出與所述異常巡檢圖片數據集相似度最高的正常樣本數據集，包括：
6.根據權利要求1所述的方法，其特征在于，將所述異常巡檢圖片數據集中的巡檢圖片與對應的正常樣本數據集中的圖片進...
【專利技術屬性】
技術研發人員：楊洋，高飛，楊寧，尚文同，朱家運，李麗華，賈鵬飛，張博文，陳沒，韓帥，廖思卓，趙鑫，邵夢雨，王延達，孫仿，
申請(專利權)人：中國電力科學研究院有限公司，
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。