详情

原文传递一种基于深度学习的变电站设备缺陷识别方法

专利名称：	一种基于深度学习的变电站设备缺陷识别方法
摘要：	本发明公开了一种基于深度学习的变电站设备缺陷识别方法，具体包括以下步骤：S1、当变电站内部设备表面发生破损时，通过监控摄像头拍摄设备表面破损处的图像，并根据图像处理算法对待检测的破损处图像进行处理，获得该破损处图像的灰度统计特征以及定量特征信息；本发明涉及变电站设备技术领域。该基于深度学习的变电站设备缺陷识别方法，本识别方法通过预先建立的基于深度学习网络预先训练模型，可在后续的处理工作中，直接将待识别的图像输入该模型中，即可识别设备的破损程度，并再通过图像匹配与识别算法对破损处的金属锈蚀情况进行判断以及预测其锈蚀倾向性，无需人工判断与检测，提高了检测精度。
专利类型：	发明专利
申请人：	南京悠阔电气科技有限公司
发明人：	马朋;汤桂璇;陈丽;郭江;吴杰;李鸣
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T15:00:00+0805
申请号：	CN201911363030.8
公开号：	CN111157531A
代理机构：	北京联瑞联丰知识产权代理事务所(普通合伙)
代理人：	周超
分类号：	G01N21/88;G06K9/62;G;G01;G06;G01N;G06K;G01N21;G06K9;G01N21/88;G06K9/62
申请人地址：	211100 江苏省南京市江宁经济技术开发区将军大道100号
主权项：	1.一种基于深度学习的变电站设备缺陷识别方法，其特征在于：具体包括以下步骤： S1、当变电站内部设备表面发生破损时，通过监控摄像头拍摄设备表面破损处的图像，并根据图像处理算法对待检测的破损处图像进行处理，获得该破损处图像的灰度统计特征以及定量特征信息； S2、将S1中得到的图像以及灰度统计特征和定量特征信息均发送至模型库内，通过模型库内部的图像识别模块对该处理后的破损处图像进行识别，根据模型库内相应破损度的类型数据，最终得出该设备的破损程度数据； S3、根据S2中得出的该设备破损程度数据，再根据定量特征信息，采用数字图像相关性技术以及模糊数学隶属函数快速判定该设备破损处内部金属的锈蚀状态及锈蚀程度，同时将得到的相应数据信息通过无线传输模块发送至监测中心，供监测人员查看； S4、同时根据S3中获得的设备金属锈蚀状态及锈蚀程度数据，通过图像匹配与识别算法，计算出该破损处的金属锈蚀发展趋势，并根据趋势估计金属锈蚀的发展速度； S5、由S4最终得出的锈蚀趋势以及发展速度，绘制统计表图，并通过存储单元进行存储以及通过备份模块进行备份处理，以防丢失，最终监测人员可在存储单元内进行查看以及处理即可。 2.根据权利要求1所述的一种基于深度学习的变电站设备缺陷识别方法，其特征在于：所述S1中的根据图像处理算法对待检测的破损处图像进行处理，是将破损处图像进行滤波降噪处理，并将该图像转化成256阶灰度图。 3.根据权利要求1所述的一种基于深度学习的变电站设备缺陷识别方法，其特征在于：所述S2中的模型库是预先建立的基于深度学习网络预先训练，从而得到的破损程度数据模型。 4.根据权利要求1所述的一种基于深度学习的变电站设备缺陷识别方法，其特征在于：所述S3中的无线传输模块是利用无线技术进行无线传输的一种模块，主要由发射器、接收器和控制器组成。 5.根据权利要求1所述的一种基于深度学习的变电站设备缺陷识别方法，其特征在于：所述S5中的存储单元可以存放一个字节，存储单元是CPU访问存储器的基本单位。 6.根据权利要求1所述的一种基于深度学习的变电站设备缺陷识别方法，其特征在于：所述S1中的监控摄像头为彩色摄像机。
所属类别：	发明专利