一种基于灰度规则的电力缺陷设备紧急程度检测方法与流程

1.本发明涉及缺陷设备检测方法的技术领域，尤其涉及一种基于灰度规则的电力缺陷设备紧急程度检测方法。


背景技术：

2.近年来居民和企业用电需求快速增长，部分地区电力供应出现紧张，电力系统频繁出现问题，给电力系统带来了新的挑战；因此，实时监测、定期巡检、及时排除故障以保证电力设备安全稳定运行变得即为关键，不少电力安装了远程监控系统，以实现监控现场设备、控制摄像机录像等功能；然而，在上述过程中获取的大量图片很难通过人工查看的方式满足准确性、实时性和紧急程度的要求，无法实现资源的合理调配。


技术实现要素：

3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
4.鉴于上述现有存在的问题，提出了本发明。
5.因此，本发明提供了一种基于灰度规则的电力缺陷设备紧急程度检测方法，能够满足准确性、实时性和紧急程度的要求，实现人员的合理配置。
6.为解决上述技术问题，本发明提供如下技术方案：包括，通过采集仪采集电力缺陷设备的图片数据；将所述电力缺陷设备的图片数据输入到分辨模型，并根据灰度相似度对所述电力缺陷设备的图片数据进行分割；通过权重系数对分割后的电力缺陷设备的图片数据进行融合；利用灰度分类模型将融合的图片数据划分为一类维修、二类维修和三类维修；其中，所述一类维修为紧急维修，所述二类维修为日常维修，所述三类维修为日常损耗。
7.作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选方案，其中：所述采集仪包括固定采集设备或移动采集设备，所述固定采集设备包括：所述采集仪包括固定采集设备或移动采集设备，所述固定采集设备包括：红外型固定摄像头、红外夜视防水型摄像头、红外型球形摄像头；所述移动采集设备包括：无人巡逻车型红外摄像头、无人机型红外摄像头。
8.作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选方案，其中：所述分辨模型包括预处理端、检测端和数据输出端；通过所述预处理端对所述电力缺陷设备的图片数据进行清洗、特征标记、筛选处理和灰度特征分析；通过所述检测端接收所述预处理端获得的灰度特征，并根据所述灰度特征计算电力缺陷设备的图片数据的灰度相似度，根据所述灰度相似度对所述电力缺陷设备的图片数据进行分割，将所述分割后的电力缺陷设备的图片数据通过权重系数进行融合；利用所述输出端将所述融合的图片数据输出。
9.作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选
方案，其中：所述灰度相似度包括，
[0010][0011]
其中，s为所述灰度相似度，p为待检测点，a为p点最近的任一像素点，c(i)为电力设备的图片数据的集合，x(g)为与基于最大阈值的g周边的灰度值的合集，g为灰度区域，l
pm
为电力设备的图片中p点与周边最近点m相似度值，b
am
为电力设备的图片中a点与周边最近点m相似度值；通过所述分辨模型对灰度相似度处于[0.5，1]范围的所述电力缺陷设备的图片数据进行分割。
[0012]
作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选方案，其中：所述分辨模型的权重系数包括，
[0013][0014]
将β值大于0.3且小于0.9的图片数据进行融合得到所述融合的图片数据；其中，β为分辨模型的权重系数，h为需要融合的模型，round为取整符号，m为样本数量。
[0015]
作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选方案，其中：所述灰度分类模型包括，
[0016]
将灰度相似度s大于47％的电力缺陷设备的图片数据作为数据集a；将灰度相似度s大于3％且小于等于47％的电力缺陷设备的图片数据作为数据集b；将灰度相似度s小于等于3％的电力缺陷设备的图片数据作为数据集c；将所述数据集a、数据集b和数据集c分别作为k-nn算法的参考集a、参考集b和参考集c，而后通过各参考集对所述融合的图片数据进行近邻分类，进而将所述融合的图片数据划分为一类维修、二类维修和三类维修。
[0017]
作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选方案，其中：还包括，
[0018]
若融合的图片数据为所述一类维修，则派遣的维修人数大于6人；若融合的图片数据为所述二类维修，则派遣的维修人数为2～5人。
[0019]
作为本发明所述的基于灰度规则的电力缺陷设备紧急程度检测方法的一种优选方案，其中：还包括，
[0020]
若融合的图片数据为所述三类维修，则派遣的维修人数为1人。
[0021]
本发明的有益效果：本发明能够实时、准确的检测设备是否正常工作，并区分电站缺陷设备紧急程度，安排合适的人数进行故障维修和维护。
附图说明
[0022]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0023]
图1为本发明第一个实施例所述的基于灰度规则的电力缺陷设备紧急程度检测方法的流程示意图；
[0024]
图2为本发明第一个实施例所述的基于灰度规则的电力缺陷设备紧急程度检测方法的灰度分类模型划分示意图。
具体实施方式
[0025]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0026]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0027]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0028]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0029]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0030]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0031]
实施例1
[0032]
参照图1～图2，为本发明的第一个实施例，该实施例提供了一种基于灰度规则的电力缺陷设备紧急程度检测方法，包括：
[0033]
s1：通过采集仪采集电力缺陷设备的图片数据。
[0034]
采集仪包括固定采集设备或移动采集设备，其中需要说明的是，固定采集设备包括：红外型固定摄像头、红外夜视防水型摄像头、红外型球形摄像头；移动采集设备包括：无人巡逻车型红外摄像头、无人机型红外摄像头；由于电力设备有易损区域和不易损区域的区别，所以易损区域通过固定采集设备进行采集图片数据，不易损区域通过移动采集设备进行采集图片数据。
[0035]
s2：将电力缺陷设备的图片数据输入到分辨模型，并根据灰度相似度对电力缺陷设备的图片数据进行分割。
[0036]
其中，分辨模型包括预处理端、检测端和数据输出端；
[0037]
(1)通过预处理端对电力缺陷设备的图片数据进行清洗、特征标记、筛选处理和灰
度特征分析；
[0038]
(2)通过检测端接收预处理端获得的灰度特征，并根据灰度特征计算电力缺陷设备的图片数据的灰度相似度，根据灰度相似度对电力缺陷设备的图片数据进行分割；
[0039]
电力缺陷设备的图片数据的灰度相似度为：
[0040][0041]
其中，s为灰度相似度，p为待检测点，a为p点最近的任一像素点，c(i)为电力设备的图片数据的集合，x(g)为与基于最大阈值的g周边的灰度值的合集，g为灰度区域，l
pm
为电力设备的图片中p点与周边最近点m相似度值，b
am
为电力设备的图片中a点与周边最近点m相似度值；
[0042]
通过分辨模型对灰度相似度处于[0.5，1]范围的电力缺陷设备的图片数据进行分割。
[0043]
(3)通过分辨模型的权重系数对分割后的电力缺陷设备的图片数据进行融合。
[0044]
分辨模型的权重系数为：
[0045][0046]
将β值大于0.3且小于0.9的图片数据进行融合得到融合的图片数据；其中，β为权重系数，h为需要融合的模型，round为取整符号，k为样本数量。
[0047]
(4)利用输出端将融合的图片数据输出。
[0048]
s3:利用灰度分类模型将融合的图片数据划分为一类维修、二类维修和三类维修。
[0049]
参考图2，灰度分类模型利用k-nn算法将融合的图片数据划分为一类维修、二类维修和三类维修，具体的：
[0050]
设定灰度相似度阈值范围，根据灰度相似度阈值范围划分为不同的数据集，本实施例根据近邻分类精确度，分别选取两个相似度阈值范围(1％～5％、45％～48％)进行数据集的划分，经过实验论证在该阈值范围内的图片分类误差为0.5～10％，进一步的，针对不同灰度相似度完成近邻分类的任务可得到以3％和47％为界限划分电力缺陷设备的图片误差率在1％以内，分类精度最高。
[0051]
因此，(1)将灰度相似度s大于47％的电力缺陷设备的图片数据作为数据集a；
[0052]
(2)将灰度相似度s大于3％且小于等于47％的电力缺陷设备的图片数据作为数据集b；
[0053]
(3)将灰度相似度s小于等于3％的电力缺陷设备的图片数据作为数据集c；
[0054]
(4)将数据集a、数据集b和数据集c分别作为k-nn算法的参考集a、参考集b和参考集c，而后通过各参考集对融合的图片数据进行近邻分类，进而将融合的图片数据划分为一类维修、二类维修和三类维修；
[0055]
进一步的，近邻分类的计算步骤如下：
[0056]
①
算距离：利用电力缺陷设备的图片数据，计算它与参考集中的每个对象的距离；其中，距离为几何距离；
[0057]
②
找邻居：圈定3种灰度相似度为3类参考集(参考集a、参考集b和参考集c)，将3类
参考集(参考集a、参考集b和参考集c)作为待检测电力缺陷设备的图片数据的3个近邻；
[0058]
③
做分类：根据这3个近邻归属的主要类别，来对电力缺陷设备的图片数据进行分类。
[0059]
s4：一类维修为紧急维修，二类维修为日常维修，三类维修为日常损耗。
[0060]
其中需要说明的是，若融合的图片数据为一类维修，则派遣的维修人数大于6人；若融合的图片数据为二类维修，则派遣的维修人数为2～5人；若融合的图片数据为三类维修，则派遣的维修人数为1人。
[0061]
实施例2
[0062]
为了对本方法中采用的技术效果加以验证说明，本实施例选择传统的缺陷设备人工检测方法和本方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。
[0063]
传统的缺陷设备人工检测方法预测范围不全面、误差影响较大、不准确，为验证本发明方法相对于传统的缺陷设备人工检测方法具有较高的预测精度、较全面的预测范围，本实施例中将采用传统的缺陷设备人工检测方法和本发明方法分别对某一地区的十个缺陷设备数据进行测试对比。
[0064]
测试环境：(1)传统的缺陷设备人工检测方法和本发明方法均采用红外设备采集图片数据；
[0065]
(2)传统的缺陷设备人工检测方法采用肉眼标记灰度，本发明方法采用分辨模型和灰度分类模型识别灰度；
[0066]
(3)两种方法均采用python编写程序，获得资源调度情况并记录。
[0067]
表1：数据对比表。
[0068][0069]
参照表1，能够直观的看出本发明方法相对于传统的缺陷设备人工检测方法具有更高的准确度，同时人员调配更加合理。
[0070]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存
储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0071]
此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0072]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0073]
如在本技术所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。
[0074]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.一种基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：包括，通过采集仪采集电力缺陷设备的图片数据；将所述电力缺陷设备的图片数据输入到分辨模型，并根据灰度相似度对所述电力缺陷设备的图片数据进行分割；通过分辨模型的权重系数对分割后的电力缺陷设备的图片数据进行融合；利用灰度分类模型将融合的图片数据划分为一类维修、二类维修和三类维修；其中，所述一类维修为紧急维修，所述二类维修为日常维修，所述三类维修为日常损耗。2.如权利要求1所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：所述采集仪包括固定采集设备和移动采集设备；所述固定采集设备包括：红外型固定摄像头、红外夜视防水型摄像头、红外型球形摄像头；所述移动采集设备包括：无人巡逻车型红外摄像头、无人机型红外摄像头。3.如权利要求1所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：所述分辨模型包括预处理端、检测端和数据输出端；通过所述预处理端对所述电力缺陷设备的图片数据进行清洗、特征标记、筛选处理和灰度特征分析；通过所述检测端接收所述预处理端获得的灰度特征，并根据所述灰度特征计算电力缺陷设备的图片数据的灰度相似度，根据所述灰度相似度对所述电力缺陷设备的图片数据进行分割，将所述分割后的电力缺陷设备的图片数据通过权重系数进行融合；利用所述输出端将所述融合的图片数据输出。4.如权利要求3所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：所述灰度相似度包括，其中，s为所述灰度相似度，p为待检测点，a为p点最近的任一像素点，c(i)为电力设备的图片数据的集合，x(g)为与基于最大阈值的g周边的灰度值的合集，g为灰度区域，l
pm
为电力设备的图片中p点与周边最近点m相似度值，b
am
为电力设备的图片中a点与周边最近点m相似度值；通过所述分辨模型对灰度相似度处于[0.5，1]范围的所述电力缺陷设备的图片数据进行分割。5.如权利要求3或4所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：所述分辨模型的权重系数包括，将β值大于0.3且小于0.9的图片数据进行融合得到所述融合的图片数据；其中，β为分辨模型的权重系数，h为需要融合的模型，round为取整符号，m为样本数量。
6.如权利要求5所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：所述灰度分类模型包括，将灰度相似度s大于47％的电力缺陷设备的图片数据作为数据集a；将灰度相似度s大于3％且小于等于47％的电力缺陷设备的图片数据作为数据集b；将灰度相似度s小于等于3％的电力缺陷设备的图片数据作为数据集c；将所述数据集a、数据集b和数据集c分别作为k-nn算法的参考集a、参考集b和参考集c，而后通过各参考集对所述融合的图片数据进行近邻分类，进而将所述融合的图片数据划分为一类维修、二类维修和三类维修。7.如权利要求6所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：还包括，若融合的图片数据为所述一类维修，则派遣的维修人数大于6人；若融合的图片数据为所述二类维修，则派遣的维修人数为2～5人。8.如权利要求7所述的基于灰度规则的电力缺陷设备紧急程度检测方法，其特征在于：还包括，若融合的图片数据为所述三类维修，则派遣的维修人数为1人。

技术总结
本发明公开了一种基于灰度规则的电力缺陷设备紧急程度检测方法，包括，通过采集仪采集电力缺陷设备的图片数据；将电力缺陷设备的图片数据输入到分辨模型，并根据设定的灰度相似度阈值对电力缺陷设备的图片数据进行分割；得到分割后的电力缺陷设备的图片数据，通过权重系数对分割后的电力缺陷设备的图片数据进行融合；利用灰度分类模型将融合的图片数据划分为一类维修、二类维修和三类维修；其中，一类维修为紧急维修，二类维修为日常维修，三类维修为日常损耗；本发明能够实时、准确的检测设备是否正常工作，并区分电站缺陷设备紧急程度，安排合适的人数进行故障维修和维护。安排合适的人数进行故障维修和维护。安排合适的人数进行故障维修和维护。


技术研发人员：徐伟 陈金刚 杨靖玮 苗振林 张鲲鹏 陈炜强 董丽艳 杨钱江 陈耀君 杨燕华
受保护的技术使用者：嘉兴市恒光电力建设有限责任公司南湖分公司
技术研发日：2021.11.11
技术公布日：2022/3/8