一种输配电线路发热缺陷智能判别的算法及系统的制作方法

1.本发明涉及输电线路检修技术领域，特别涉及一种输配电线路发热缺陷智能判别的算法及系统。


背景技术：

2.线路设备在正常运行时都会产生一定的热量，但是基于设备运行时间的增加、负载的不均衡、某些接触点的锈蚀、接触不良、脱落、断裂等情况造成接触电阻增加和电流过大等原因，会导致系统、设备、回路出现热态异常和过热故障。
3.现有的线路设备发热检测方法有基于电力巡线红外巡检视频数据的电力设备异常发热检测方法，以及使用带电设备发热检测的红外深度学习图像检测方法，而上述两种检测方法均存在以下技术问题：
4.基于电力巡线红外巡检视频数据的电力设备异常发热检测方法：采用红外视频拍摄电力设备,定期传输并获得电力设备的红外序列影像帧；对电塔序列影像进行图像的阈值和空间位置手动分割方法,从电塔序列影像中分割出电塔的塔身,绝缘子,地线和电塔金具的图像；经过时间序列对比诊断得出电塔的塔身,绝缘子,地线和电塔金具故障的故障诊断结果,将温度异常点标志出来，但是手动分割方法需要对每一个安装摄像头进行调试、分割、记录；分割效果受到拍摄角度、背景温度等因素影响较大，必须采用固定的视频设备固定位置和角度连续采集，抗风险较差，遇到恶劣天气、触碰等条件需重新分割调试，系统部署过程设备电力取电难度大、网络传输视频等受限网络速度与费用等条件影响。
5.在图像深度学习处理技术领域,使用带电设备发热检测的红外深度学习图像检测方法：对所述红外图像进行图像增强处理得到待检测图像；利用预设的双通道卷积神经网络模型对所述待检测图像进行发热故障的检测,得到检测结果。但是这种方法缺少温度提取过程，图像的单通道值与距离系数、空气温度系数、湿度系数、辐射系数、反射率系数等影响很大，图像记录的单通道数据并不是最终温度值，检测出来的发热部位缺少基准温度，因为不同导线上设备受距离、角度等影响相对温度存在偏差，不能自动的设定基准温度的条件下，很容易产生误报，因此该方法不能正确反应设备发热情况，存在误判断的情况，大大降低了系统的自动化程度与可靠性。


技术实现要素：

6.本发明的目的是提供一种输配电线路发热缺陷智能判别的算法，具有能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性的优点。
7.本发明的上述技术目的是通过以下技术方案得以实现的：一种输配电线路发热缺陷智能判别的算法，包括如下步骤：预设有预置目标设备类别信息数据；将影像信息数据输入至红外图像设备识别深度学习模型进行识别和计算，以获取设备特征信息数据，并判断所述设备特征信息数据是否属于目标设备类别信息数据；若所述设备特征信息数据属于目
标设备类别信息数据，则对所述设备特征信息数据对应在所述影像信息数据中的位置进行温度信息获取，以获取设备特征温度信息数据；对所述影像信息数据进行分析，以获取导线温度信息数据，并将所述导线温度信息数据与设备特征温度信息数据进行对比，以判断所述设备特征温度信息数据是否异常。
8.通过采用上述技术方案，本方案能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性。相比于传统的图像算法或者目标检测方法，结合深度学习目标检测技术、hough变换算法导线提取、温度矩阵转换技术的异常温升点检测方法具有鲁棒性高、适用性好、检测结果准确等特点，大大降低了误判的可能性。而且算法采用高精度的深度学习目标检测级联算法，根据设备特征使用不同检测网络的级联，从而创建针对红外图像设备目标数据检测结果最优的算法网络结构。
9.本发明的进一步设置，预设有预置置信度信息数据；获取影像信息数据，将所述影像信息数据输入至红外图像设备识别深度学习模型进行识别和计算获取设备特征信息数据，以获取设备特征信息数据、以及目标金具设备置信度信息数据，对所述设备特征信息数据进行筛选，以判断所述设备特征信息数据是否属于预置目标设备类别信息数据，并将对应的所述目标金具设备置信度信息数据与所述预置置信度信息数据进行对比，以判断所述设备特征信息数据是否属于预置目标设备类别信息数据。
10.本发明的进一步设置，所述影像信息数据包括机巡图像信息数据，获取所述机巡图像信息数据，从所述机巡图像信息数据中提取proposal区域的设备特征信息数据；获取与所述设备特征信息数据对应的金具设备位置信息数据，将所述设备特征信息数据输入所述红外设备识别模型进行置信度计算，以生成金具识别置信度值信息；将所述金具识别置信度值与预置目标设备类别信息数据进行对比，判断所述设备特征信息数据是否属于目标设备类别信息数据。
11.通过采用上述技术方案，机巡图像信息数据包括红外图像，无人机巡检系统在采集电力杆塔各部位的红外图像后，通过交换设备传输网络将采集到的红外图像输入到设置在总控室的网络文件存储与安全备份系统，在前端操作的用户(生产指挥系统)通过网络数据共享的方式使gpu计算集群请求并共享数据文件并进行智能分析与计算处理。
12.通过采用上述技术方案，通过深度学习目标检测算法cascade
‑
rcnn，使用经过提前训练好的权重文件(红外图像设备识别深度学习模型)对导线的位置、绝缘子等设备的位置进行判断，然后通过影像信息数据中的图像通道值与温度的转换，将目标设备的温度与导线的温度进行对比，从而找到电力杆塔(红外图像)中是否存在异常温升点，从而输出可靠的异常温升点判定结果(在巡检报告信息数据中体现)。
13.本发明的进一步设置，判断所述设备特征温度信息数据是否异常包括如下步骤：若所述设备特征温度信息数据大于所述导线温度信息数据，则确定所述设备特征温度信息数据异常，并输出巡检报告信息数据至生产指挥系统。
14.通过采用上述技术方案，本方案同时作为与生产指挥系统对接的数据处理系统上，通过对设备特征温度异常的判定，生成报告并提交至生产指挥系统的过程中提交的数据结合了电网公司台账等信息，使运维人员能够快速地将识别的结果与现有的系统对接，大大提高了电网运维班组的工作效率。
15.本发明的进一步设置，所述影像信息数据包括红外影像数据；通过基于红外影像的导线提取方法，对所述红外影像数据进行分析提取，以筛选出导线特征信息数据。
16.通过采用上述技术方案，能够利用图像算法进行导线的提取，相比于传统的人工判读方法大大提高了判断的效率与可靠性。
17.本发明的进一步设置，所述基于红外影像的导线提取方法包括如下步骤：预设有预置导线元素长度阈值，对红外影像数据进行图像膨胀、腐蚀、以及去噪的预处理计算，以分割出独立的图像元素；对所述图像元素使用canny算子进行边缘计算；删除远离所述图像元素边缘的离散点；通过hough空间变换以提取获得导线元素，并判断所述导线元素长度是否大于所述预置导线元素长度阈值，以筛选出导线特征信息数据。
18.本发明的进一步设置，通过基于红外影像的温度转换方法对所述影像信息数据进行分析处理，以获取设备特征温度信息数据。
19.本发明的进一步设置，所述设备特征温度信息数据包括温度矩阵信息数据；所述基于红外影像的温度转换方法包括如下步骤：根据所述影像信息数据读取图像矩阵；将所述图像矩阵转换为单通道数据值；将所述单通道数据值代入由距离系数、空气温度系数、湿度系数、辐射系数、反射率系数组成的变换矩阵进行计算，并输出温度矩阵信息数据。
20.通过采用上述技术方案，算法组合上采用基于图像hough变换的导线提取方法、红外影像单通道值与温度的转换、基于深度学习技术的目标设备检测，极大地提高了系统的可靠性。其次，还能够利用红外图像进行温度的提取，有效地反映对应图像的温度情况。
21.本发明的进一步设置，一种输配电线路设备发热缺陷智能判别系统，包括应用有所述一种输配电线路发热缺陷智能判别的算法的无人机飞行巡检系统、和智能分析系统，所述无人机飞行巡检系统与所述智能分析系统通讯连接；所述智能分析系统用于设定红外图像设备识别深度学习模型，所述无人机飞行巡检系统获取影像信息数据并发送至智能分析系统进行分析处理，所述智能分析系统对影像信息数据输入至红外图像设备识别深度学习模型进行识别和计算，对所述影像信息数据进行分析，并将所述导线温度信息数据与设备特征温度信息数据进行对比
22.本发明的进一步设置，包括网络文件存储与安全备份系统和生产指挥系统，所述网络文件存储与安全备份系统分别与无人机飞行巡检系统、智能分析系统、以及生产指挥系统三者通讯连接。
23.通过采用上述技术方案，本发明将一种基于图像处理的导线提取方法(基于红外影像的导线提取方法)、红外影像单通道值与温度的转换(基于红外影像的温度转换方法)、以及基于深度学习技术的设备目标检测(红外图像设备识别深度学习模型)，并且采用无人机飞行巡检系统、gpu计算集群、网络文件存储与安全备份系统、以及基于电网机巡数据缺陷的智能分析系统等技术，以克服现有技术中出现的低可靠性、视频网络传输困难、计算方法鲁棒性低等缺点，进而便于提高红外分析的精度和速度。
24.所述智能分析系统包括gpu计算集群，所述gpu计算集群与无人机飞行巡检系统通讯连接。通过gpu计算集群提取影像信息数据中的设备特征信息数据，设备特征信息数据指代感兴趣的红外图像中设备目标的特征数据提取。
25.通过采用上述技术方案，本方案通过目标检测算法对机巡图像信息数据进行识别，使用目标检测算法cascade r
‑
cnn将红外图像中的目标设备内的目标设备检测出来，同
时，cascade r
‑
cnn检测算法会计算出目标设备类别信息数据在原图像数据(影像信息数据)中的原始坐标和置信度信息数据。
26.通过深度学习目标检测算法可以更精确定位到图像内的金具位置，对识别目标进行深度学习网络计算可以大大提高系统的可靠性、抗干扰性。
27.智能分析系统基于gpu调度技术、容器技术、以及nfs文件管理技术进行开发设计，提高了gpu硬件的运算效率，基于运维业务班组的作业过程开发的前端软件便于运维人员快速的对接现有的生产指挥系统，提高了电力系统日常运维效率。
28.综上所述，本发明具有以下有益效果：
29.1、本方案能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性；
30.2、算法采用高精度的深度学习目标检测级联算法，根据数据特征使用不同检测网络的级联，从而创建针对红外图像中的目标设备数据检测结果最优的算法网络结构；
31.2、结合深度学习目标检测技术、hough变换算法导线提取、温度矩阵转换技术的异常温升点检测方法具有鲁棒性高、适用性好、检测结果准确等特点，大大降低了误判的可能性；
32.4、本方案的深度学习目标检测技术具有鲁棒性高、适用性好等特点，能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性；
33.5、指挥人员无需到现场即可了解线路的运维情况与温度异常的位置、严重等级等情况，能够第一时间指挥与调度现场作业人员进行消缺作业，大大地提高了电网运维班组的工作效率。
34.总的来说本发明，能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性。
附图说明
35.图1是本发明中实施例一的工作流程图；
36.图2是本发明中实施例二的工作流程图；
37.图3是本发明中实施例三的工作流程图；
38.图4是本发明中gpu计算集群的工作流程图。
具体实施方式
39.以下结合附图对本发明作进一步详细说明。
40.实施例一：
41.一种输配电线路发热缺陷智能判别的算法，如图1所示，包括如下步骤：预设有预置目标设备类别信息数据；
42.s1、将影像信息数据输入至红外图像设备识别深度学习模型进行识别和计算，以获取设备特征信息数据，并判断设备特征信息数据是否属于目标设备类别信息数据；
43.s2、若设备特征信息数据属于目标设备类别信息数据，则对设备特征信息数据对
应在影像信息数据中的位置进行温度信息获取，以获取设备特征温度信息数据；
44.s3、对影像信息数据进行分析，以获取导线温度信息数据，并将导线温度信息数据与设备特征温度信息数据进行对比，以判断设备特征温度信息数据是否异常；判断设备特征温度信息数据是否异常包括如下步骤：若设备特征温度信息数据大于导线温度信息数据，则确定设备特征温度信息数据异常，并输出巡检报告信息数据至生产指挥系统；若设备特征温度信息数据小于导线温度信息数据，则删除目标设备类别信息数据和设备特征温度信息数据。
45.本方案能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性。相比于传统的图像算法或者目标检测方法，结合深度学习目标检测技术、hough变换算法导线提取、温度矩阵转换技术的异常温升点检测方法具有鲁棒性高、适用性好、检测结果准确等特点，大大降低了误判的可能性。而且算法采用高精度的深度学习目标检测级联算法，根据设备特征使用不同检测网络的级联，从而创建针对红外图像设备目标数据检测结果最优的算法网络结构。
46.本发明能够通过基于图像hough变换的导线提取方法、红外影像单通道值与温度的转换、基于深度学习技术的设备目标检测，并且采用无人机飞行巡检系统、gpu计算集群、网络文件存储与安全备份系统、以及基于电网机巡数据缺陷的智能分析系统等技术，快速分析红外异常温升点位置并且输出相应的巡检报告。
47.预设有预置置信度信息数据；获取影像信息数据，将影像信息数据输入至红外图像设备识别深度学习模型进行识别和计算获取设备特征信息数据，以获取设备特征信息数据、以及目标金具设备置信度信息数据，对设备特征信息数据进行筛选，以判断设备特征信息数据是否属于预置目标设备类别信息数据，并将对应的目标金具设备置信度信息数据与预置置信度信息数据进行对比，以判断设备特征信息数据是否属于预置目标设备类别信息数据。
48.影像信息数据包括机巡图像信息数据，获取机巡图像信息数据，从机巡图像信息数据中提取proposal区域的设备特征信息数据；获取与设备特征信息数据对应的金具设备位置信息数据，将设备特征信息数据输入红外设备识别模型进行置信度计算，以生成金具识别置信度值信息；将金具识别置信度值与预置目标设备类别信息数据进行对比，判断设备特征信息数据是否属于目标设备类别信息数据。
49.机巡图像信息数据包括红外图像，无人机巡检系统在采集电力杆塔各部位的红外图像后，通过交换设备传输网络将采集到的红外图像输入到设置在总控室的网络文件存储与安全备份系统，在前端操作的用户(生产指挥系统)通过网络数据共享的方式使gpu计算集群请求并共享数据文件并进行智能分析与计算处理。
50.通过深度学习目标检测算法cascade
‑
rcnn，使用经过提前训练好的权重文件(红外图像设备识别深度学习模型)对导线的位置、绝缘子等设备的位置进行判断，然后通过影像信息数据中的图像通道值与温度的转换，将目标设备的温度与导线的温度进行对比，从而找到电力杆塔(红外图像)中是否存在异常温升点，从而输出可靠的异常温升点判定结果(在巡检报告信息数据中体现)。
51.本方案同时作为与生产指挥系统对接的数据处理系统上，通过对设备特征温度异
常的判定，生成报告并提交至生产指挥系统的过程中提交的数据结合了电网公司台账等信息，使运维人员能够快速地将识别的结果与现有的系统对接，大大提高了电网运维班组的工作效率。
52.影像信息数据包括红外影像数据；通过基于红外影像的导线提取方法，对红外影像数据进行分析提取，以筛选出导线特征信息数据，能够利用图像算法进行导线的提取，相比于传统的人工判读方法大大提高了判断的效率与可靠性。
53.通过基于红外影像的温度转换方法对影像信息数据进行分析处理，以获取设备特征温度信息数据。
54.实施例二：
55.如图2所示，于实施例一中的基于红外影像的导线提取方法包括如下步骤：
56.预设有预置导线元素长度阈值；
57.s21、对红外影像数据进行图像膨胀、腐蚀、以及去噪的预处理计算，以分割出独立的图像元素(进行图像的预处理去除噪声影响)；
58.s22、对图像元素使用canny算子进行边缘计算；
59.s23、删除远离图像元素边缘的离散点；
60.s24、根据图像元素，通过hough空间变换以提取获得导线元素，并判断导线元素长度是否大于预置导线元素长度阈值；若导线元素长度大于预置导线元素长度阈值，则确定导线元素为导线，将导线元素于图像元素中的位置信息储存；若导线元素长度小于预置导线元素长度阈值，则确定导线元素为非导线，并将导线元素的数据删除。
61.在gpu计算集群中，导线提取的过程如图4所示：
62.首先，现场作业人员或运维人员的用户端与网络文件存储与安全备份系统传输连接，并发送程序启动指令和任务指令至智能分析系统中的业务软件服务端。
63.然后，业务软件服务端接收任务指令后根据用户等级分为一般任务(现场作业人员，即普通用户)和紧急任务(运维人员，即超级用户)，然后判断算力中心的任务情况；如果是一般任务且算力中心繁忙，则与任务列表中的已有任务随机排布；如果是紧急任务且算力中心繁忙，则将该紧急任务的排序位置提升至任务列表的顶部；否则，无论是一般任务还是紧急任务，都写入任务列表。
64.紧接着，业务软件服务端发送信号至gpu计算集群，以激活agent读取任务列表，判断任务类型：(1)若任务类型为图像实时任务，则预加载创建计算图加载参数，并获得实时任务，通知服务器计算结果，计算后返回结果，并根据结果判断是否结束过程，数据库查询计算结果，并同步结果信息；(2)若任务类型是图像批量任务，则按序列读取任务，紧接着启动本实施例中的s21至s24进行识别，识别结束后通知服务器计算结果，数据库查询计算结果，并同步目标金具缺陷信息数据。
65.当现场作业人员或运维人员的用户端提交结束指令至业务软件服务端，业务软件服务端获得结束指令后，发送控制指令至gpu计算集群。
66.实施例三：
67.如图3所示，于实施例一中的基于红外影像的温度转换方法包括如下步骤：
68.s31、根据影像信息数据读取图像矩阵；
69.s32、将图像矩阵转换为单通道数据值(即转换数据为0～65536数值)；
70.s33、将单通道数据值代入由距离系数、空气温度系数、湿度系数、辐射系数、反射率系数组成的变换矩阵进行计算；
71.s34、输出温度矩阵信息数据。
72.算法组合上采用基于图像hough变换的导线提取方法、红外影像单通道值与温度的转换、基于深度学习技术的目标设备检测，极大地提高了系统的可靠性。其次，还能够利用红外图像进行温度的提取，有效地反映对应图像的温度情况。设备特征温度信息数据包括温度矩阵信息数据
73.实施例四：
74.一种输配电线路设备发热缺陷智能判别系统，包括应用有如实施例一所述的一种输配电线路发热缺陷智能判别的算法的无人机飞行巡检系统、智能分析系统、网络文件存储与安全备份系统、和生产指挥系统，无人机飞行巡检系统与智能分析系统通讯连接；智能分析系统用于设定红外图像设备识别深度学习模型，无人机飞行巡检系统获取影像信息数据并发送至智能分析系统进行分析处理，智能分析系统对影像信息数据输入至红外图像设备识别深度学习模型进行识别和计算，对影像信息数据进行分析，并将导线温度信息数据与设备特征温度信息数据进行对比。网络文件存储与安全备份系统分别与无人机飞行巡检系统、智能分析系统、以及生产指挥系统三者通讯连接。
75.本发明将一种基于图像处理的导线提取方法(基于红外影像的导线提取方法)、红外影像单通道值与温度的转换(基于红外影像的温度转换方法)、以及基于深度学习技术的设备目标检测(红外图像设备识别深度学习模型)，并且采用无人机飞行巡检系统、gpu计算集群、网络文件存储与安全备份系统、以及基于电网机巡数据缺陷的智能分析系统等技术，以克服现有技术中出现的低可靠性、视频网络传输困难、计算方法鲁棒性低等缺点，进而便于提高红外分析的精度和速度。
76.智能分析系统包括gpu计算集群，gpu计算集群与无人机飞行巡检系统通讯连接。通过gpu计算集群提取影像信息数据中的设备特征信息数据，设备特征信息数据指代感兴趣的红外图像中设备目标的特征数据提取。
77.本方案通过目标检测算法对机巡图像信息数据进行识别，使用目标检测算法cascade r
‑
cnn将红外图像中的目标设备内的目标设备检测出来，同时，cascade r
‑
cnn检测算法会计算出目标设备类别信息数据在原图像数据(影像信息数据)中的原始坐标和置信度信息数据。
78.通过深度学习目标检测算法可以更精确定位到图像内的金具位置，对识别目标进行深度学习网络计算可以大大提高系统的可靠性、抗干扰性。
79.智能分析系统基于gpu调度技术、容器技术、以及nfs文件管理技术进行开发设计，提高了gpu硬件的运算效率，基于运维业务班组的作业过程开发的前端软件便于运维人员快速的对接现有的生产指挥系统，提高了电力系统日常运维效率。
80.智能分析系统将温升异常结果(巡检报告信息数据)通过生成电网规定格式的巡检报告，由运维人员上传到电网内部的生产指挥系统，使指挥人员及时获得设备异常温升的判定情况，进行停电检修安排与施工人员调度，运维与指挥人员无需到输电线路机巡作业一线即可快速、及时的进行设备状况的监控，提高电力巡线日常运行管理维护的效率，降低发生事故的概率。
81.本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。