本發明提出了一種基于掩膜區域卷積神經網的變電設備缺陷識別的方法。本發明通過變電站視頻設備采集變電設備圖像，將采集的變電設備圖像通過對抗生成網絡方法得到變電設備圖像數據集；對變電設備圖像數據集中每幅變電設備圖像依次進行人工標定，得到每幅變電設備圖像中多個缺陷標定框以及多個缺陷類型，并得到人工標定后變電設備圖像數據集；構建掩膜區域卷積神經網絡，將人工標定后變電設備圖像數據集作為訓練集，對掩膜區域卷積神經網絡進行訓練得到訓練后掩膜區域卷積神經網絡。本發明提高了變電設備的運維巡檢效率以及變電設備及其缺陷識別的模型精度，且本發明方法識別精度高、缺陷識別效率高。

技術領域

本發明屬于電力設備檢測技術領域,尤其涉及基于掩膜區域卷積神經網絡的變電設備缺陷識別的方法。

背景技術

變電設備的正常運行是保障電力系統連續穩定運行的必要條件，安全可靠、先進有效的變電設備缺陷識別方法有助于實現變電站設備的高效管理，提高變電設備的運維效率，及時消除由于變電設備缺陷對電網安全穩定運行產生的安全威脅，確保電網可靠供電。

現有的變電設備運維巡檢主要依靠人工，由于運維巡檢方式的約束，無法做到有效對變電設備及其缺陷進行監測，存在誤檢、漏檢、監測效率低等缺點。

發明內容

本發明的目的是，為了解決現有人工變電設備運維巡檢中存在的誤檢、漏檢、監測效率低等缺點，利用深度學習卷積神經網絡，提出一種基于掩膜區域卷積神經網絡的變電設備及缺陷識別的方法。

本發明的技術方案如下，一種基于掩膜區域卷積神經網絡的變電設備缺陷識別的方法，其特征在于包括以下步驟：

步驟1：通過變電站視頻設備采集變電設備圖像，將采集的變電設備圖像通過對抗生成網絡方法得到變電設備圖像數據集；

步驟2：對變電設備圖像數據集中每幅變電設備圖像依次進行人工標定，得到每幅變電設備圖像中多個缺陷標定框以及多個缺陷類型，并得到人工標定后變電設備圖像數據集；

步驟3：構建掩膜區域卷積神經網絡，將步驟2所述的人工標定后變電設備圖像數據集作為訓練集，對掩膜區域卷積神經網絡進行訓練得到訓練后掩膜區域卷積神經網絡；

作為優選，步驟1所述變電設備圖像數據集為：

data_k(x,y)

其中，data_k(x,y)為變電設備圖像數據集中第k幅變電設備圖像中第x行第y列點的像素值，k∈[1，L]，x∈[1，M]，y∈[1，N]，L為變電設備圖像數據集中圖像的數量，M為圖像的行數，N為圖像的列數；

作為優選，步驟2所述每幅變電設備圖像中多個缺陷標定框為：

缺陷標定框左上角坐標為：(left_u_k，i，left_v_k，i)；

缺陷標定框右下角坐標為：(right_u_k，i，right_v_k，i)；

其中，k∈[1，L]，L為變電設備圖像數據集中圖像的數量，i∈[1，H_k]，H_k表示變電設備圖像數據集中第k幅圖像中變電設備缺陷標定框的數量，left_u_k，i表示變電設備圖像數據集中第k幅圖像中第i個缺陷標定框左上角坐標的像素行數，left_v_k，i表示變電設備圖像數據集中第k幅圖像中第i個缺陷標定框左上角坐標的像素列數，right_u_k，i表示變電設備圖像數據集中第k幅圖像中第i個缺陷標定框右下角坐標的像素行數，right_v_k，i表示變電設備圖像數據集中第k幅圖像中第i個缺陷標定框右下角坐標的像素列數；

步驟2所述每幅變電設備圖像中多個缺陷類型為：