一种变压器渗漏油检测方法、装置、设备及介质与流程

1.本发明属于变压器技术领域，具体涉及一种变压器渗漏油检测方法、装置、设备及介质。


背景技术：

2.现有渗漏油发现多依赖人工巡检，效果依赖人工经验，不可避免的存在疏漏，而且往往一个班组需负责多个变电站的巡视，巡检周期较长，难以及时发现早期问题。为缩短生产安全巡视周期，大量视频监控系统已经进行了广泛的部署，但依靠人查看摄像头仍存在需查看的视频路数太多，难以及时发现处理的问题。
3.生产安全保障的发展，正经历从“安全监控化”到“监控智能化”的转变，借助人工智能对监控视频进行分析，能快速分析大量数据，极大的缩短巡检周期。然而，现在方法多直接对渗漏油图像或视频进行处理，而变电站缩成环境较为复杂，渗漏油在背景中并不显著，往往需要到渗漏油出现较长时间、较大面积后才能发现，难以做到早期发现；为使得渗漏油更加明显，部分方法采用检测荧光的方法，但需要额外部署紫外线荧光灯和可拍摄荧光的摄像头，部署成本较高。
4.目前大量基于检测或分类的计算机视觉方案，需要积累大量的渗漏油异常图片和视频等作为样本进行模型训练，训练好模型后对监控视频做分类识别来完成变压器监护。而实际情况是，渗漏油事件发生的数量不多，积累的图片和视频样本量极小，而且样本的采光、拍摄角度、清晰度等均为事后取证时留存，与监控摄像头部署情况不一致。因此，基于检测分类的算法在理论上可以实现，而实际由于缺乏训练样本导致了模型训练的冷启动困局，难以推广应用。
5.渗漏油早期检测的核心问题在于小面积的渗漏油现象并不明显，渗漏出的油与周围环境相比并无太明显差异，难以发现。
6.在电网生产使用的设备中，变压器的使用非常广泛。变压器事故不但会导致设备自身的损坏，还会中断电力供应，造成巨大的经济损失。对以往变压器异常情况统计表明，大多数为变压器渗漏油异常。如果有快速方便部署的方法，能在渗漏油面积较小的初期，尽早发现、及时处理，将有效的降低事故发生率，更好的保障电网安全运行，尽可能做到防患于未然。


技术实现要素：

7.本发明的目的在于提供一种变压器渗漏油检测方法、装置、设备及介质，以解决变压器漏油早期难以发现，导致变压器损坏的技术问题。
8.为实现上述目的，本发明采用如下技术方案：
9.第一方面，一种变压器渗漏油检测方法，包括以下步骤：
10.s1、采集变压器周围视频数据，并将采集到的视频数据通过边缘ai推理服务器上传到ai训练服务器；
11.s2、在ai训练服务器中，将视频数据分为正常样本和异常样本；
12.对正常样本进行lstm模型训练，得到正常模型轮廓；
13.对异常样本进行改进的遗传算法处理，得到异常模型轮廓；
14.将正常模型轮廓和异常模型轮廓进行合并融合得到变压器渗漏油检测模型；
15.s3、将ai训练服务器建立的变压器渗漏油检测模型发布到边缘ai推理服务器上；
16.s4、对采集的视频数据进行预处理；
17.s5、根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断视频数据是否异常；
18.若判断视频数据非异常，则返回数据预处理；
19.若判断视频数据异常则对视频数据进行图像分割法处理；
20.s6、通过图像分割法处理视频数据，判断是否出现漏油；
21.若图像分割法处理后判断漏油，则进行报警；
22.若判断不漏油则通过变压器渗漏油检测模型对视频数据进行检测；
23.s7、通过变压器渗漏油检测模型对视频数据进行检测时，若检测结果为异常则报警；
24.若检测结果为非异常则结束判断。
25.本发明的进一步改进在于：所述s2中获取异常样本具体包括以下步骤：
26.s21、对视频数据使用基于信息增益的特征选择算法，挑选出特征子集，即渗漏油样本集合d；
27.s22、计算挑选出特征子集，即渗漏油样本集合d的信息熵，渗漏油样本集合d中第k类样本占的比例为pk，k＝1,2，
…
，|y|，则渗漏油样本集合d的信息熵ent()定义公式如下：
[0028][0029]
s23、计算渗漏油样本集合d的信息增益gain(d，a)，设离散的图像特征属性a有v个可能的取值{a1，a2，
……
av}，使用a对渗漏油样本集合d进行划分，则渗漏油样本集合d会产生v个分支节点，其中第v个分支节点包含了d中所有在属性a上取值为av的样本标记为dv，计算dv的信息熵，再考虑到不同的分支节点所包含的样本数可能不同，给分支节点赋予权重|dv|/|d|，计算出用属性a对渗漏油样本集d进行划分所得到的信息增益gain(d，a)：
[0030][0031]
s24、使用信息增益来进行特征的选择，经过预设次数的迭代，得到能够支撑训练样本的渗漏油模拟数据。
[0032]
本发明的进一步改进在于：s4中所述的预处理为对视频数据进行解帧，转化为图片数据。
[0033]
本发明的进一步改进在于：所述s5具体包括以下步骤：
[0034]
s51、根据变压器渗漏油检测模型构建特征向量的集合作为异常特征字典；
[0035]
s52、计算两个触发属性序列seq1和seq2的欧拉距离相似度，
[0036]
[0037]
式中，seq1和seq2为异常特征字典中的两个触发属性序列，n为向量的最大维度，p为当前序列中有效的非空属性维度，attr为序列的属性值；
[0038]
s53、计算seq1和seq2的余弦距离相似度，
[0039][0040]
式中，seq1和seq2的夹角为γ；
[0041]
s54、计算新采集视频数据平滑处理后的特征序列fw(i,dic)；
[0042][0043]
式中，新流入的视频采集流的特征向量为i和j；α为经验取值；正常轮廓字典为dic，时间窗为w；
[0044]
s55、根据fw(i,dic)的判断新采集的视频数据是否漏油。
[0045]
本发明的进一步改进在于：在s6中具体包括以下步骤：
[0046]
s61、对采集的视频数据进行增广预处理；
[0047]
s62、建立卷积网络模型；
[0048]
s63、通过滑动窗口发对卷积网络模型进行测试，测试无误后使用该卷积网络模型检测是否漏油；
[0049]
s64、采用有网格检测法或无网格两种检测法，检测变压器是否漏油。
[0050]
本发明的进一步改进在于：所述增广预处理，包括平移、旋转以及u-net加入随机的弹性形变。
[0051]
本发明的进一步改进在于：所述s7通过变压器渗漏油检测模型对视频数据进行检测时，采用lstm判别法，在图像分割法中没有找到的异常需要再经变压器渗漏油检测模型验证；以预设的频次，进行抽帧采样对持续监控视频进行一次辅助判别。
[0052]
第二方面，一种变压器渗漏油检测装置，包括：
[0053]
若干摄像头、变压器、若干网格贴纸、边缘ai推理服务器和ai训练服务器；
[0054]
若干摄像头布置在变压器周围，变压器四周设有若干网格贴纸，摄像头信号输出端通过变电站内局域网与边缘ai推理服务器信号输入口相连，边缘ai推理服务器通过加密设备与ai训练服务器相连；
[0055]
若干摄像头用于采集变压器周围视频数据，并将采集到的视频数据通过边缘ai推理服务器上传到ai训练服务器；
[0056]
ai训练服务器内设有若干模块，包括：
[0057]
变压器渗漏油检测模型训练模块，用于将视频数据分为正常样本和异常样本；对正常样本进行lstm模型训练，得到正常模型轮廓；对异常样本进行改进的遗传算法处理，得到异常模型轮廓；将正常模型轮廓和异常模型轮廓进行合并融合得到变压器渗漏油检测模型；
[0058]
模型发布模块，用于将ai训练服务器建立的变压器渗漏油检测模型发布到边缘ai推理服务器上；
[0059]
边缘ai推理服务器上设有若干模块，包括：
[0060]
视频数据预处理模块，用于将摄像头采集的视频数据进行解帧转为图片；
[0061]
快速判别模块，用于根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断视频数据是否异常；
[0062]
图像分割模块，用于将快速判别模块判断为异常的视频数据进行图像分割法处理，判断变压器是否漏油；
[0063]
复检模块，用于通过变压器渗漏油检测模型对图像分割模块判别为未漏油的视频数据进行二次判断，确认是否漏油；
[0064]
报警模块：用于在图像分割模块和复检模块的判断为漏油时发出警报。
[0065]
第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述一种变压器渗漏油检测方法。
[0066]
第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述一种变压器渗漏油检测方法。
[0067]
与现有技术相比，本发明至少包括以下有益效果：
[0068]
1、本发明通过采集变压器周围视频数据，并训练渗漏油检测模型自动检测变压器渗漏油，解决变压器漏油早期难以发现，导致变压器损坏。
[0069]
2、本发明通过使用信息增益来进行特征的选择，经过合适的迭代次数，得到能够支撑训练样本的渗漏油模拟数据，解决了渗漏油视频数据少，导致模型训练不准确的问题。
[0070]
3、本发明通过变压器渗漏油检测模型时以预设频率进行一次抽帧采样对持续监控视频进行一次辅助判别，可以有效抓取出缓慢渗漏的情况，对有效提升变压器监护的安全可以提高保障。
附图说明
[0071]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0072]
图1为本发明一种变压器渗漏油检测方法的流程图；
[0073]
图2为本发明一种变压器渗漏油检测装置的结构示意图；
[0074]
图3为本发明一种变压器渗漏油检测方法的网络构架图；
[0075]
图4为本发明一种变压器渗漏油检测方法工作流程图；
[0076]
图5为本发明一种变压器渗漏油检测方法的卷积网络模型示意图。
具体实施方式
[0077]
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0078]
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本发明所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
[0079]
实施例1
[0080]
如图所示1所示，一种变压器渗漏油检测方法，包括以下步骤：
[0081]
s1、通过若干摄像头采集变压器周围视频数据，并将采集到的视频数据通过边缘ai推理服务器上传到ai训练服务器；
[0082]
s2、将视频数据分为正常样本和异常样本；
[0083]
对正常样本进行lstm模型训练，得到正常模型轮廓；
[0084]
对异常样本进行改进的遗传算法处理，得到异常模型轮廓；
[0085]
将正常模型轮廓和异常模型轮廓进行合并融合得到变压器渗漏油检测模型；
[0086]
s3、将ai训练服务器建立的变压器渗漏油检测模型发布到边缘ai推理服务器上；
[0087]
s4、对摄像头采集的视频数据进行预处理；
[0088]
s5、根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断视频数据是否异常；
[0089]
若判断视频数据非异常，则返回数据预处理；
[0090]
若判断视频数据异常则对视频数据进行图像分割法处理；
[0091]
s6、通过图像分割法处理视频数据，判断是否出现漏油；
[0092]
若图像分割法处理后判断漏油，则进行报警；
[0093]
若判断不漏油则通过变压器渗漏油检测模型对视频数据进行检测；
[0094]
s7、通过变压器渗漏油检测模型对视频数据进行检测时，若检测结果为异常则报警；
[0095]
若检测结果为非异常则结束判断。
[0096]
如图2所示，在s2中正常样本数量足够，采用lstm模型进行训练，由于光照、天气、季节变化等因素，每次采样得到的结果会有细小的变化，需要对变压器的正常工作状态建立长短期记忆模型，从而更好地适应各种环境并能监测到逐渐渗漏的小规模变化情况。
[0097]
由于变压器监护摄像头是固定位置的，对监护任务预设多个预置位基本不会变化，所以采集到的图像信息大部分是连续且变化不大的样本，会根据光照、天气等因素而有不同。如果不考虑这些因素去使用传统的计算机视觉方法训练模型，当出现雨雪天气时，很容易造成误判或者将结果漏报。而使用lstm模型可以有效建立长期/短期记忆模型，从而识别出小范围持续渗漏油等非显著场景以及屏蔽天气光线等环境干扰。
[0098]
lstm模型为使用dccn网络进行变体改良的lstm模型，以适应变压器监控视频，调整网络和参数后优化，其网络架构如图3所示。
[0099]
s2中获取异常样本具体包括以下步骤：
[0100]
s21、对视频数据使用基于信息增益的特征选择算法，挑选出特征子集，即渗漏油样本集合d，降低计算的复杂度同时提高检测识别效率和准确率；
[0101]
s22、计算挑选出特征子集，即漏油样本集合d的信息熵，使用信息熵的概念来度量样本集合的纯度，渗漏油样本集合d中第k类样本占的比例为pk(k＝1,2，
…
，|y|)，则样本集合d的信息熵ent()定义公式如下：
[0102][0103]
信息熵ent(d)的值越大，则样本d的纯度越低；
[0104]
s23、计算渗漏油样本集合d的信息增益gain(d，a)，设离散的图像特征属性a有v个
可能的取值{a1，a2，
……
av}，若使用a来对渗漏油样本集合d进行划分，则渗漏油样本集合d会产生v个分支节点，其中第v个分支节点包含了d中所有在属性a上取值为av的样本我们标记为dv，计算dv的信息熵，再考虑到不同的分支节点所包含的样本数可能不同，给分支节点赋予权重|dv|/|d|，也就是说样本数越多的分支节点影响越大，根据下面的公式来计算出用属性a对渗漏油样本集d进行划分所得到的信息增益gain(d，a),
[0105][0106]
信息增益gain(d，a)越大意味着使用属性a来进行划分所得到的纯度提升越大；
[0107]
s24、使用信息增益来进行特征的选择；从异常的渗漏油状态样本中获取纯度在预设值之上的异常样本，对所述预设值之上的异常样本进行迭代计算；
[0108]
异常的渗漏油状态样本，数量稀少，需要进行模拟学习和强化，s2中改良的遗传算法是一种受生物进化和自然选择启发的搜索算法，从一组被称为初代种群的样本(即渗漏油真实样本)开始，通过对样本进行编码，将每一个样本的图像特征表示为该样本的“基因”，然后使用软件的方式使用交叉，即两个样本作为父母交叉组合形成新个体和变异，即数字特征改变一位或者多位来产生新的下一代，即模拟出了与真实渗漏油样本中类似的样本，从而实现少量样本得到大量新样本。最后使用适应度函数计算每个生成样本的适应度，选择适应度最高的样本作为新的父代，迭代反复多次后得到大量的训练样本。
[0109]
经过合适的迭代次数，可以得到能够支撑训练样本的渗漏油模拟数据了，一般内循环迭代设置为500-2000次；外循环设置为128或1024次。(1)选择27＝128个正常变压器工作视频流特征，近似度《1/128作为阈值的异常可以进行判别，理论准确率可以达到1％以内的精度；(2)选择2
10
＝1024个正常变压器工作视频流特征，近似度《1/1024作为阈值的异常可以进行判别，理论准确率可以找到0.1％的精度以上与训练样本不一致的情况。这种不一致未必是渗漏油发生也可能是其他情概况。
[0110]
在s4中对视频数据的预处理为解帧并将视频数据转为图片。
[0111]
如图4所示，首先，获取本地局域网内的视频数据，经过预处理后，进入执行快速判别算法做初步筛选，如果不属于疑似异常的情况就继续执行监控。当监测到疑似异常时，为了降低误报，进入图像分割法再次验证，可以获取渗漏面积、位置、速度等细节，如果超过指定阈值即可启动报警推送模块通知值班人员查看处理了。如果并没有发现异常，将该数据推送到变压器渗漏油检测模型再次验证是否为缓慢逐渐渗漏的异常情况，防止漏报。对于视频数据，进行定期采样抽查，频次可以依据推理服务器性能决定，通常可以设置合理的间隔，如5/10/30秒，1/5/10分钟等。由于图像分割法和变压器渗漏油检测模型判别占用计算资源相对较大，不适宜每时每刻都采取这样复杂的计算方法，而通过快速判别方法和采样后，只对少量数据做判别验证用于降低误报率和保障不漏报是相对合理的选择。
[0112]
计算视频数据与变压器渗漏油检测模型之间的特征序列相似度的常规方法为如下：
[0113][0114]
式中，新采集到的视频数据特征向量表示为seqi，dic为变压器渗漏油检测模型正常工作字典；
[0115]
在s5中，快速判别算法，具体包括以下步骤：
[0116]
s51、根据变压器渗漏油检测模型构建128/1024个特征向量的集合作为异常特征字典，然后计算相似度后做正则化处理，得到的特征参数向量按照自定的数字平均分布；
[0117]
s52、计算两个触发属性序列seq1和seq2的欧拉距离相似度，
[0118][0119]
式中，seq1和seq2为异常特征字典中的两个触发属性序列，n为向量的最大维度，在极限为128/1024个，p为当前序列中有效的非空属性维度，attr为序列的属性值；
[0120]
s53、计算两个视频流特征向量seq1和seq2的余弦距离相似度，
[0121][0122]
式中，两个视频流特征向量seq1和seq2的夹角为γ；
[0123]
s54、基于时间窗做平滑，然后将欧拉距离相似度和余弦距离相似度进行加权，
[0124][0125]
式中，新流入的视频采集流的特征向量为i，j为预设数值，正常轮廓字典为dic，时间窗为w，α经验取值0.22时效果最优；
[0126]
s55、根据fw(i,dic)的判断新采集的视频数据是否漏油。
[0127]
图像分割法，贴纸或涂料会出现明显的颜色变化，使得小面积渗漏油相比直接的油污更明显，使用深度图像分割算法将变色区域与其它区域分割出来，并估算面积。算法模型可使用fcn、u-net或基于u-net的变化如laddernet等网络。通过利用convlution和deconvlution/resize实现下采样和上采样的结合；利用特征逐点相加或特征channel维度拼接，实现多尺度特征融合；通过对每一个像素点进行判断类别获得像素级别的segment map，从而实现精准的图像分割。
[0128]
在s6中图像分割法判断是否漏油具体包括以下步骤：
[0129]
s61、神经网络模型对参数的训练需要大量的样本，而通常渗漏油的图像数据较少，早期渗漏油小面积的图像数据更少；因此，在训练过程中，先对视频数据进行预处理包括平移、旋转等，以及参考u-net加入随机的弹性形变并进行增广；
[0130]
s62、建立卷积网络模型，如图5所示，该卷积网络模型的卷积通道始终为64个，输入数据为3*256*256，为三通道的图像数据，输出数据为1*256*256，保持与输入图片分辨率一致，使用一个通道表示像素类别，以区分割出的像素；损失函数为交叉熵函数：
[0131][0132]
其中i表示类别种类，pi表示真实值的概率，表示模型预测的概率值；
[0133]
s63、通过滑动窗口发对卷积网络模型进行测试，窗口大小固定为256
×
256，滑动步幅为64
[0134]
s64、采用有网格和无网格两种检测方法，检测是否漏油；
[0135]
有网格方法变色为网格线，通过图像分割，可将网格线与其它部分区分开，计算面积时，将每根线在坐标轴极值点，并将所有相邻点连接起来构成的面积；无网格方法，图像分割可将不同颜色色块区分开，直接计算面积。因为渗漏油是个动态过程，渗漏油区域会随时间不断扩展，因此，通过一段连续时间的观察，如果出现图像分割出的区域不断扩大，速度超过阈值，则认为是出现渗漏油。这时则可以启动报警推送模块通知相关人员及时查看。
[0136]
通过变压器渗漏油检测模型对视频数据进行检测时，采用lstm判别法，在图像分割法中没有找到的异常需要再经变压器渗漏油检测模型验证一次；另一方面，为了降低漏报，以适当的频次，例如每1/5/10分钟进行一次抽帧采样对持续监控视频进行一次辅助判别，可以有效抓取出缓慢渗漏的情况，对有效提升变压器监护的安全可以提高保障。
[0137]
选择网状渗漏油检测贴，贴到变压器经常出现渗漏油的可能位置，便于视频采集数据的区分度辨识度提升。
[0138]
安装3个摄像头，分别对准3个检测区域，设置预置位并适当调整角度和焦距至最佳观测结果，采用人工标注方法，标记检测区域在摄像头图片中的位置；标记类型为网状贴纸，以固定时间间隔5/10秒采样贴试纸或刷涂料的区域的视频流一帧并提取成为图片。
[0139]
采集1周每天不同时段的数据作为正常数据，补充前期留存的历史数据，首先对图像进行随机裁剪，得到用于训练的patches；然后对这些patches分别进行水平翻转、垂直翻转、旋转90
°
、180
°
、270
°
；再以此为基础，最后在-10
°
～10
°
范围内随机旋转；使用随机移位向量在3x3的网络上实现平滑的移位，向量来自于10像素标准差的gaussian分布，每个像素的值用双三次线性插值来计算，完成训练数据集进行扩充。使用80％数据用于训练集，20％数据用于测试集。本部分获取到的数据主要发送给lstm模型和图像分割法进行建模，以及相关的测试验证环节使用。
[0140]
收集尽可能多的渗漏油事件样本的图片或视频，用于异常样本训练。通过改进的遗传算法，对这些图像和视频做特征提取之后按照算法进行模拟迭代，以生成更多的近似样本，标记后留做模型测试验证使用。
[0141]
变压器渗漏油检测模型训练后，部署到推理服务器，输入数据接入实际监控摄像头的镜像，进一步优化与适配模型。
[0142]
将摄像头采集到的数据进行镜像备份，随机打乱数据，并掺入通过改进的遗传算法产生的已标记异常样本，发送给推理服务器，模拟测试。通过快速判别法，初筛准确率约为82％。然后将标记的疑似渗漏油图像发送给图像分割模块和变压器渗漏油检测模型进一步检测。
[0143]
图像分割和变压器渗漏油检测模型中的网络中的权重与偏差参数采用xavier方法进行初始化；模型训练的batch size设定为64；采用adam算法对目标函数进行优化，整个训练迭代2000个epoch，前100个epoch的学习率设为0.0005，后100个的学习率设为0.0001。
[0144]
以10分钟为采样周期，模拟监控数据中也掺杂改进的遗传算法标记的真实渗漏油情况发给变压器渗漏油检测模型。
[0145]
测试完成，设置预训练模型样本1000个，在现场实际环境取得的测试数据上评测结果准确率达到96.6％，实际误报率为3.3％，漏报率为0.1％。漏报图片经核实与雨水效果相似，肉眼难以区别，本方法已经达到了和人工监护基本一致的效果。
[0146]
实施例2：
[0147]
如图2所示，一种变压器渗漏油检测装置，包括：
[0148]
若干摄像头、变压器、若干网格贴纸、边缘ai推理服务器和ai训练服务器；
[0149]
若干摄像头布置在变压器周围，变压器四周设有若干网格贴纸，摄像头信号输出端通过变电站内局域网与边缘ai推理服务器信号输入口相连，边缘ai推理服务器通过加密设备与ai训练服务器相连；
[0150]
若干摄像头用于采集变压器周围视频数据，并将采集到的视频数据通过边缘ai推理服务器上传到ai训练服务器；
[0151]
ai训练服务器内设有若干模块，包括：
[0152]
变压器渗漏油检测模型训练模块，用于将视频数据分为正常样本和异常样本；对正常样本进行lstm模型训练，得到正常模型轮廓；对异常样本进行改进的遗传算法处理，得到异常模型轮廓；将正常模型轮廓和异常模型轮廓进行合并融合得到变压器渗漏油检测模型；
[0153]
模型发布模块，用于将ai训练服务器建立的变压器渗漏油检测模型发布到边缘ai推理服务器上；
[0154]
边缘ai推理服务器上设有若干模块，包括：
[0155]
视频数据预处理模块，用于将摄像头采集的视频数据进行解帧转为图片；
[0156]
快速判别模块，用于根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断视频数据是否异常；
[0157]
图像分割模块，用于将快速判别模块判断为异常的视频数据进行图像分割法处理，判断变压器是否漏油；
[0158]
复检模块，用于通过变压器渗漏油检测模型对图像分割模块判别为未漏油的视频数据进行二次判断，确认是否漏油；
[0159]
报警模块：用于在图像分割模块和复检模块的判断为漏油时发出警报。
[0160]
实施例3
[0161]
本发明还提供一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现实施例1中的一种变压器渗漏油检测方法。
[0162]
实施例4
[0163]
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现实施例1中的一种变压器渗漏油检测方法。
[0164]
由技术常识可知，本发明可以通过其它的不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
[0165]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0166]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程
图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0167]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0168]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0169]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.一种变压器渗漏油检测方法，其特征在于，包括以下步骤：s1、采集变压器周围视频数据，并将采集到的视频数据通过边缘ai推理服务器上传到ai训练服务器；s2、在ai训练服务器中，将视频数据分为正常样本和异常样本；对正常样本进行lstm模型训练，以得到正常模型轮廓；对异常样本进行改进的遗传算法处理，以得到异常模型轮廓；将正常模型轮廓和异常模型轮廓进行合并融合得到变压器渗漏油检测模型；s3、将ai训练服务器建立的变压器渗漏油检测模型发布到边缘ai推理服务器上；s4、对采集的视频数据进行预处理；s5、根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断预处理后的视频数据是否异常；若判断视频数据非异常，则返回数据预处理；若判断视频数据异常则对视频数据进行图像分割法处理；s6、通过图像分割法处理视频数据，判断是否出现漏油；若图像分割法处理后判断漏油，则进行报警；若判断不漏油则通过变压器渗漏油检测模型对视频数据进行检测；s7、通过变压器渗漏油检测模型对视频数据进行检测时，若检测结果为异常则报警；若检测结果为非异常则结束判断。2.根据权利要求1所述的一种变压器渗漏油检测方法，其特征在于，所述s2中获取异常样本具体包括以下步骤：s21、对视频数据使用基于信息增益的特征选择算法，挑选出特征子集，即渗漏油样本集合d；s22、计算挑选出特征子集，即渗漏油样本集合d的信息熵，渗漏油样本集合d中第k类样本占的比例为p
k
，k＝1,2，
…
，|y|，则渗漏油样本集合d的信息熵ent()定义公式如下：s23、计算渗漏油样本集合d的信息增益gain(d，a)，设离散的图像特征属性a有v个可能的取值{a1，a2，
……
av}，使用a对渗漏油样本集合d进行划分，则渗漏油样本集合d会产生v个分支节点，其中第v个分支节点包含了d中所有在属性a上取值为av的样本标记为d
v
，计算d
v
的信息熵，给分支节点赋予权重|d
v
|/|d|，计算出用属性a对渗漏油样本集d进行划分所得到的信息增益gain(d，a)：s24、使用信息增益来进行特征的选择，经过预设次数的迭代，得到能够支撑训练样本的渗漏油模拟数据。3.根据权利要求1所述的一种变压器渗漏油检测方法，其特征在于，s4中所述的预处理为对视频数据进行解帧，转化为图片数据。4.根据权利要求2所述的一种变压器渗漏油检测方法，其特征在于，所述s5具体包括以下步骤：
s51、根据变压器渗漏油检测模型构建特征向量的集合作为异常特征字典；s52、计算两个触发属性序列seq1和seq2的欧拉距离相似度，式中，seq1和seq2为异常特征字典中的两个触发属性序列，n为向量的最大维度，p为当前序列中有效的非空属性维度，attr为序列的属性值；s53、计算seq1和seq2的余弦距离相似度，式中，seq1和seq2的夹角为γ；s54、计算新采集视频数据平滑处理后的特征序列f
w
(i,dic)；式中，新流入的视频采集流的特征向量为i和j；α为经验取值；正常轮廓字典为dic，时间窗为w；s55、根据f
w
(i,dic)的判断新采集的视频数据是否漏油。5.根据权利要求2所述的一种变压器渗漏油检测方法，其特征在于，在s6中具体包括以下步骤：s61、对采集的视频数据进行增广预处理；s62、建立卷积网络模型；s63、通过滑动窗口发对卷积网络模型进行测试，测试无误后使用该卷积网络模型检测是否漏油；s64、采用有网格检测法或无网格两种检测法，检测变压器是否漏油。6.根据权利要求1所述的一种变压器渗漏油检测方法，其特征在于，所述增广预处理，包括平移、旋转以及u-net加入随机的弹性形变。7.根据权利要求1所述的一种变压器渗漏油检测方法，其特征在于，所述s7通过变压器渗漏油检测模型对视频数据进行检测时，采用lstm判别法，在图像分割法中没有找到的异常需要再经变压器渗漏油检测模型验证；以预设的频次，进行抽帧采样对持续监控视频进行一次辅助判别。8.如图2所示，一种变压器渗漏油检测装置，其特征在于，包括：若干摄像头、变压器、若干网格贴纸、边缘ai推理服务器和ai训练服务器；若干摄像头布置在变压器周围，变压器四周设有若干网格贴纸，摄像头信号输出端通过变电站内局域网与边缘ai推理服务器信号输入口相连，边缘ai推理服务器通过加密设备与ai训练服务器相连；若干摄像头用于采集变压器周围视频数据，并将采集到的视频数据通过边缘ai推理服务器上传到ai训练服务器；ai训练服务器内设有若干模块，包括：变压器渗漏油检测模型训练模块，用于将视频数据分为正常样本和异常样本；对正常
样本进行lstm模型训练，得到正常模型轮廓；对异常样本进行改进的遗传算法处理，得到异常模型轮廓；将正常模型轮廓和异常模型轮廓进行合并融合得到变压器渗漏油检测模型；模型发布模块，用于将ai训练服务器建立的变压器渗漏油检测模型发布到边缘ai推理服务器上；边缘ai推理服务器上设有若干模块，包括：视频数据预处理模块，用于将摄像头采集的视频数据进行解帧转为图片；快速判别模块，用于根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断视频数据是否异常；图像分割模块，用于将快速判别模块判断为异常的视频数据进行图像分割法处理，判断变压器是否漏油；复检模块，用于通过变压器渗漏油检测模型对图像分割模块判别为未漏油的视频数据进行二次判断，确认是否漏油；报警模块：用于在图像分割模块和复检模块的判断为漏油时发出警报。9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任一项所述一种变压器渗漏油检测方法。10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-7任一项所述一种变压器渗漏油检测方法。

技术总结
本发明属于变压器技术领域，具体涉及一种变压器渗漏油检测方法、装置、设备及介质。包括以下步骤：S1、通过若干摄像头采集变压器周围视频数据，并通过边缘AI推理服务器上传到AI训练服务器；S2、将视频数据分为正常样本和异常样本；得到正常和异常模型轮廓；再将二者融合得到变压器渗漏油检测模型；S3、将变压器渗漏油检测模型发布到边缘AI推理服务器上；S4、对摄像头采集的视频数据进行预处理；S5、根据变压器渗漏油检测模型建立快速判别算法，根据快速判别算法判断视频数据是否异常；S6-7、通过图像分割法和变压器渗漏油检测模型判断是否出现漏油，本发明通过采集变压器周围视频数据，自动检测变压器渗漏油，解决漏油早期难发现，导致变压器损坏。导致变压器损坏。导致变压器损坏。


技术研发人员：高明亮 张慈杭 许崇耀 高际惟 闫靖 高麒 许德阳
受保护的技术使用者：国家电网有限公司
技术研发日：2021.12.03
技术公布日：2022/3/8