本技術(shù)涉及設(shè)備識別的，尤其是涉及一種基于深度學(xué)習(xí)的電力設(shè)備智能識別方法及系統(tǒng)。

背景技術(shù)：

1、在電力系統(tǒng)的日常運(yùn)維管理中，電力設(shè)備的準(zhǔn)確識別是保障電網(wǎng)安全穩(wěn)定運(yùn)行的關(guān)鍵環(huán)節(jié)。隨著電力網(wǎng)絡(luò)的不斷擴(kuò)張和復(fù)雜化，電力設(shè)備的種類和數(shù)量日益增多，分布范圍也愈發(fā)廣泛。傳統(tǒng)的人工巡檢方式不僅效率低下，需要耗費(fèi)大量的人力、物力和時間，而且由于人工判斷存在主觀性和局限性，容易出現(xiàn)漏檢、誤檢等問題，難以滿足現(xiàn)代電力系統(tǒng)對設(shè)備識別準(zhǔn)確性和及時性的高要求。因此，實(shí)現(xiàn)電力設(shè)備的高效、精準(zhǔn)智能識別成為電力行業(yè)亟待解決的重要問題，對于提升電力系統(tǒng)的運(yùn)維管理水平、保障電力供應(yīng)的可靠性具有至關(guān)重要的意義。

2、為解決電力設(shè)備識別問題，目前已有多種技術(shù)手段被提出和應(yīng)用。其中，基于圖像處理的傳統(tǒng)方法是一類常見的技術(shù)。這類方法主要通過對電力設(shè)備圖像進(jìn)行特征提取，如顏色、形狀、紋理等特征，然后利用模式識別算法對提取的特征進(jìn)行分析和分類，從而實(shí)現(xiàn)對電力設(shè)備的識別。此外，隨著人工智能技術(shù)的快速發(fā)展，基于機(jī)器學(xué)習(xí)的方法也逐漸應(yīng)用于電力設(shè)備識別領(lǐng)域。一些研究采用傳統(tǒng)的機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（svm）、決策樹等，構(gòu)建分類模型對電力設(shè)備圖像進(jìn)行分類識別。

3、近年來，深度學(xué)習(xí)技術(shù)的興起為電力設(shè)備識別帶來了新的思路和方法。深度學(xué)習(xí)算法具有強(qiáng)大的特征學(xué)習(xí)和表達(dá)能力，能夠自動從大量圖像數(shù)據(jù)中學(xué)習(xí)到有效的特征表示，但在訓(xùn)練數(shù)據(jù)獲取和處理上存在不足，而獲取大量高質(zhì)量且標(biāo)注準(zhǔn)確的電力設(shè)備圖像數(shù)據(jù)較為困難，增加了數(shù)據(jù)收集的成本和時間。

技術(shù)實(shí)現(xiàn)思路

1、為了能夠在訓(xùn)練樣本有限的情況下，提高對電力設(shè)備識別結(jié)果的準(zhǔn)確性，本技術(shù)提供了一種基于深度學(xué)習(xí)的電力設(shè)備智能識別方法及系統(tǒng)。

2、第一方面，本技術(shù)提供了一種基于深度學(xué)習(xí)的電力設(shè)備智能識別方法，采用如下的技術(shù)方案：

3、一種基于深度學(xué)習(xí)的電力設(shè)備智能識別方法，包括以下步驟：

4、采集電力設(shè)備的實(shí)時圖像和歷史圖像，對歷史圖像進(jìn)行拼接處理，獲得拼接圖像，在拼接圖像中隨機(jī)截取與歷史圖像大小相同的子圖，為歷史圖像和子圖添加訓(xùn)練標(biāo)簽，獲得訓(xùn)練數(shù)據(jù)；

5、利用深度學(xué)習(xí)算法構(gòu)建分類模型，采用訓(xùn)練數(shù)據(jù)對分類模型進(jìn)行訓(xùn)練，獲得訓(xùn)練后的分類模型，將實(shí)時圖像輸入訓(xùn)練后的分類模型，輸出分類結(jié)果。

6、本技術(shù)通過對歷史圖像進(jìn)行拼接，獲取拼接圖像，以及在拼接圖像中截取子圖等操作，有效擴(kuò)充了訓(xùn)練數(shù)據(jù)集，增加了數(shù)據(jù)的多樣性和豐富度，有助于分類模型學(xué)習(xí)到更全面的圖像特征，提高分類模型的分類準(zhǔn)確率和泛化能力，使其在面對不同場景、不同狀態(tài)的電力設(shè)備圖像時都能做到準(zhǔn)確分類。本技術(shù)構(gòu)建的分類模型能夠?qū)Σ杉碾娏υO(shè)備的實(shí)時圖像進(jìn)行快速分類，實(shí)現(xiàn)了對電力設(shè)備狀態(tài)的實(shí)時監(jiān)測。通過及時輸出分類結(jié)果，本技術(shù)可以幫助運(yùn)維人員迅速了解電力設(shè)備的運(yùn)行狀況，及時發(fā)現(xiàn)潛在問題，為電力設(shè)備的維護(hù)和管理提供有力支持，有助于提高電力系統(tǒng)的穩(wěn)定性和可靠性。

7、可選地，電力設(shè)備包含有多個設(shè)備部件，在拼接圖像中隨機(jī)截取與歷史圖像大小相同的子圖之后，所述方法還包括：

8、采用預(yù)先構(gòu)建的yolov8s模型標(biāo)注拼接圖像中電力設(shè)備的整體邊界框，獲得標(biāo)注有整體邊界框的拼接圖像，對標(biāo)注有整體邊界框的拼接圖像進(jìn)行語義分割處理，獲得設(shè)備部件的分割掩碼，在分割掩碼中提取部件輪廓，根據(jù)部件輪廓計(jì)算最小外接矩形；

9、構(gòu)建坐標(biāo)系，確定最小外接矩形的坐標(biāo)范圍和子圖的坐標(biāo)范圍，基于最小外接矩形的坐標(biāo)范圍和子圖的坐標(biāo)范圍，刪除包含有不完整的最小外接矩形的子圖。

10、本技術(shù)通過保留包含完整設(shè)備部件的子圖，使得訓(xùn)練數(shù)據(jù)更加聚焦于有效的設(shè)備部件，有助于分類模型更好地學(xué)習(xí)設(shè)備部件的特征模式，提高分類模型的訓(xùn)練效率和分類準(zhǔn)確性。在刪除部分子圖后，減少了分類模型的訓(xùn)練過程中需要處理的數(shù)據(jù)量，減少了對計(jì)算資源的消耗，提高了訓(xùn)練速度。

11、可選地，yolov8s模型包括用于特征提取的主干網(wǎng)絡(luò)、用于特征融合的頸部網(wǎng)絡(luò)和用于預(yù)測整體邊界框的檢測頭，采用預(yù)先構(gòu)建的yolov8s模型標(biāo)注拼接圖像中所包含電力設(shè)備的整體邊界框之前，所述方法還包括：

12、生成標(biāo)簽：獲取imagenet-x數(shù)據(jù)集所包含的電力設(shè)備的圖像，記為目標(biāo)圖像，使用標(biāo)注工具標(biāo)注目標(biāo)圖像所包含電力設(shè)備的整體邊界框，生成yolo格式標(biāo)簽；

13、預(yù)訓(xùn)練：采用帶有yolo格式標(biāo)簽的目標(biāo)圖像對預(yù)先構(gòu)建的yolov8s模型進(jìn)行預(yù)訓(xùn)練，獲得預(yù)訓(xùn)練后的yolov8s模型；

14、微調(diào)：凍結(jié)預(yù)訓(xùn)練后的yolov8s模型中主干網(wǎng)絡(luò)的前m層的參數(shù)以及頸部網(wǎng)絡(luò)的下采樣路徑的參數(shù)，獲取n張標(biāo)注有整體邊界框的拼接圖像作為訓(xùn)練集，采用訓(xùn)練集微調(diào)預(yù)訓(xùn)練后的yolov8s模型中未凍結(jié)部分的參數(shù)，獲得遷移訓(xùn)練后的yolov8s模型；

15、模型更新：將遷移訓(xùn)練后的yolov8s模型更新為預(yù)先構(gòu)建的yolov8s模型。

16、本技術(shù)使用標(biāo)注工具對imagenet?-?x數(shù)據(jù)集中的電力設(shè)備圖像標(biāo)注整體邊界框并生成yolo格式標(biāo)簽，為模型訓(xùn)練提供了明確的目標(biāo)信息，yolo格式標(biāo)簽簡潔且便于yolov8s模型分析，能使yolov8s模型快速理解圖像中電力設(shè)備的位置，從而有針對性地學(xué)習(xí)特征與邊界框位置之間的映射關(guān)系，有助于yolov8s模型在訓(xùn)練初期快速收斂。imagenet-?x數(shù)據(jù)集包含大量不同場景、不同角度、不同光照條件下的電力設(shè)備圖像。本技術(shù)通過利用該數(shù)據(jù)集生成yolo格式標(biāo)簽，能夠使yolov8s模型接觸到多樣化的電力設(shè)備圖像樣本，學(xué)習(xí)到更廣泛的特征表示，增強(qiáng)yolov8s模型對各種復(fù)雜情況的適應(yīng)能力，提高yolov8s模型的泛化性。

17、本技術(shù)采用帶有yolo格式標(biāo)簽的目標(biāo)圖像對預(yù)先構(gòu)建的yolov8s模型進(jìn)行預(yù)訓(xùn)練，使yolov8s模型在正式訓(xùn)練前已經(jīng)學(xué)習(xí)到了一些關(guān)于電力設(shè)備的基本特征和模式。在后續(xù)的訓(xùn)練過程中，yolov8s模型可以基于這些已有的知識進(jìn)行更高效的學(xué)習(xí)，減少訓(xùn)練迭代次數(shù)，加速收斂速度，節(jié)省訓(xùn)練時間和計(jì)算資源。在微調(diào)的步驟中，本技術(shù)通過使用標(biāo)注有整體邊界框的拼接圖像作為訓(xùn)練集，yolov8s模型可以學(xué)習(xí)到拼接圖像中電力設(shè)備的獨(dú)特特征和邊界框分布規(guī)律，提高模型在拼接圖像上的標(biāo)注準(zhǔn)確性。

18、可選地，在執(zhí)行生成標(biāo)簽的步驟之后，執(zhí)行預(yù)訓(xùn)練的步驟之前，所述方法還包括：

19、對每個目標(biāo)圖像進(jìn)行simclr風(fēng)格的增強(qiáng)處理，獲得每個目標(biāo)圖像的增強(qiáng)圖像對；

20、構(gòu)建對比學(xué)習(xí)模型，所述對比學(xué)習(xí)模型包括編碼器和投影頭，所述編碼器為yolov8s模型的主干網(wǎng)絡(luò)，所述投影頭包括2層mlp，采用增強(qiáng)圖像對迭代訓(xùn)練對比學(xué)習(xí)模型，直至滿足預(yù)設(shè)停止條件后，停止訓(xùn)練，輸出主干網(wǎng)絡(luò)的參數(shù)，將主干網(wǎng)絡(luò)參數(shù)更新至預(yù)先構(gòu)建的yolov8s模型中，執(zhí)行預(yù)訓(xùn)練的步驟。

21、本技術(shù)對每個目標(biāo)圖像進(jìn)行simclr風(fēng)格的增強(qiáng)處理，生成增強(qiáng)圖像對，從而能夠創(chuàng)造出與原始圖像相似但又具有差異的新圖像。在實(shí)際應(yīng)用中，電力設(shè)備的圖像可能會受到各種因素的影響，如光照變化、拍攝角度不同、設(shè)備表面污漬等。simclr風(fēng)格的增強(qiáng)處理可以模擬這些真實(shí)場景中的變化，讓yolov8s模型在訓(xùn)練過程中接觸到更多類似實(shí)際情況的圖像樣本。本技術(shù)通過生成增強(qiáng)圖像對，增加了數(shù)據(jù)的多樣性，有助于yolov8s模型學(xué)習(xí)到更具泛化性的特征，盡量避免yolov8s模型過擬合于特定的圖像特征，使yolov8s模型能夠更好地適應(yīng)不同場景和條件下的電力設(shè)備圖像。

22、本技術(shù)構(gòu)建的對比學(xué)習(xí)模型以yolov8s模型的主干網(wǎng)絡(luò)作為編碼器，通過訓(xùn)練對比學(xué)習(xí)模型，能夠使主干網(wǎng)絡(luò)學(xué)習(xí)到更具區(qū)分性的特征表示，對比學(xué)習(xí)是一種無監(jiān)督學(xué)習(xí)方法，不需要人工標(biāo)注額外的信息，只需要利用增強(qiáng)圖像對之間的相似性和不相似性進(jìn)行訓(xùn)練，在一定程度上減少了人工標(biāo)注的工作量和成本，本技術(shù)利用大量未標(biāo)注的電力設(shè)備的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，進(jìn)一步豐富對比學(xué)習(xí)模型的學(xué)習(xí)樣本，提高對比學(xué)習(xí)模型的性能。

23、本技術(shù)通過對比學(xué)習(xí)提升了主干網(wǎng)絡(luò)的特征提取能力，進(jìn)而為整個yolov8s模型的邊界框標(biāo)注任務(wù)提供了更優(yōu)質(zhì)的特征輸入。在后續(xù)的預(yù)訓(xùn)練和微調(diào)過程中，yolov8s模型可以更好地利用這些特征進(jìn)行邊界框預(yù)測，從而提高yolov8s模型在標(biāo)注拼接圖像中電力設(shè)備整體邊界框任務(wù)上的準(zhǔn)確性和魯棒性。

24、可選地，所述方法還包括：將主干網(wǎng)絡(luò)參數(shù)更新至預(yù)先構(gòu)建的yolov8s模型中之后，在執(zhí)行預(yù)訓(xùn)練的步驟時，凍結(jié)預(yù)先構(gòu)建的yolov8s模型中主干網(wǎng)絡(luò)的參數(shù)。

25、本技術(shù)通過simclr風(fēng)格的對比學(xué)習(xí)對主干網(wǎng)絡(luò)進(jìn)行了訓(xùn)練，使其學(xué)習(xí)到了具有良好區(qū)分性的特征表示，凍結(jié)主干網(wǎng)絡(luò)參數(shù)可以使得在預(yù)訓(xùn)練階段，在對比學(xué)習(xí)中獲得的優(yōu)質(zhì)特征不會被后續(xù)的訓(xùn)練過程破壞或改變。凍結(jié)主干網(wǎng)絡(luò)的參數(shù)意味著在預(yù)訓(xùn)練階段只需要對頸部網(wǎng)絡(luò)和檢測頭的參數(shù)進(jìn)行更新，減少了需要訓(xùn)練的參數(shù)數(shù)量，加速了預(yù)訓(xùn)練的收斂速度，節(jié)省了訓(xùn)練時間和計(jì)算資源，而且在預(yù)訓(xùn)練的反向傳播過程中，梯度只需要傳遞到頸部網(wǎng)絡(luò)和檢測頭，梯度傳播的路徑更加穩(wěn)定和直接，有助于yolov8s模型更快地調(diào)整頸部網(wǎng)絡(luò)和檢測頭的參數(shù)，使yolov8s模型能夠更好地適應(yīng)預(yù)訓(xùn)練數(shù)據(jù)集，加速整個yolov8s模型的收斂過程。

26、可選地，在確定最小外接矩形的坐標(biāo)范圍和子圖的坐標(biāo)范圍之后，所述方法還包括：

27、為每個最小外接矩形設(shè)置初始的置信度，采用區(qū)域分割算法對標(biāo)注有整體邊界框的拼接圖像進(jìn)行圖像分割，篩選包含有設(shè)備部件的圖像塊，獲取每個圖像塊的坐標(biāo)范圍；

28、判斷第i個圖像塊的坐標(biāo)范圍是否落入對應(yīng)的最小外接矩形的坐標(biāo)范圍，若是，則增加第i個圖像塊所屬最小外接矩形的置信度；若否，則減小第i個圖像塊所屬最小外接矩形的置信度，刪除置信度小于預(yù)設(shè)置信度閾值的最小外接矩形。

29、本技術(shù)采用區(qū)域分割算法對標(biāo)注有整體邊界框的拼接圖像進(jìn)行分割，進(jìn)而篩選出包含設(shè)備部件的圖像塊，將原本可能包含多個設(shè)備部件或背景干擾的整體邊界框區(qū)域，進(jìn)一步劃分為更精確的設(shè)備部件所在圖像塊。

30、本技術(shù)通過判斷圖像塊坐標(biāo)范圍與最小外接矩形坐標(biāo)范圍的關(guān)系，動態(tài)增加或減小最小外接矩形的置信度，當(dāng)圖像塊坐標(biāo)范圍落入最小外接矩形內(nèi)時，說明該最小外接矩形可能準(zhǔn)確包含了該設(shè)備部件，增加其置信度；反之則減小置信度，上述方案能夠根據(jù)實(shí)際的圖像分割結(jié)果，對最小外接矩形進(jìn)行篩選和優(yōu)化，刪除置信度小于預(yù)設(shè)置信度閾值的最小外接矩形，從而去除那些可能包含錯誤標(biāo)注或無關(guān)區(qū)域的邊界框，提高最終標(biāo)注結(jié)果的準(zhǔn)確性。

31、可選地，若子圖中存在重疊的最小外接矩形，所述方法還包括：保留置信度最大的最小外接矩形，將剩余的最小外接矩形更新為部件輪廓的形狀。

32、當(dāng)兩個部件的最小外接矩形交疊時，可能會產(chǎn)生錯誤的標(biāo)注信息，干擾對目標(biāo)部件的識別和分析，本技術(shù)通過保留置信度大的矩形框，有效減少了誤標(biāo)注的可能性。交疊的矩形框可能會使目標(biāo)范圍的定義變得模糊，影響對子圖內(nèi)容的準(zhǔn)確理解。減少交疊后，可以更精確地確定每個目標(biāo)的最小外接矩形，從而準(zhǔn)確判斷子圖是否包含了這些完整的目標(biāo)范圍，因?yàn)榕袛嘧訄D是否包含完整最小外接矩形需要進(jìn)行一系列的計(jì)算和比較操作，如判斷矩形框的頂點(diǎn)坐標(biāo)是否在子圖范圍內(nèi)等。當(dāng)存在大量交疊矩形框時，計(jì)算過程會變得復(fù)雜且耗時。減少交疊矩形框后，需要處理的矩形框數(shù)量減少，計(jì)算量也相應(yīng)降低，從而提高了判斷的效率。

33、可選地，將拼接圖像所包含的歷史圖像記為第一圖像，所述方法還包括：

34、采用sift算法提取第一圖像中的關(guān)鍵點(diǎn)和sift描述符，基于關(guān)鍵點(diǎn)和sift描述符，通過最近鄰匹配策略生成初始匹配點(diǎn)對；

35、利用ransac算法篩選初始匹配點(diǎn)對中的內(nèi)點(diǎn)，獲得第一圖像之間的單應(yīng)性矩陣，根據(jù)單應(yīng)性矩陣對第一圖像進(jìn)行透視變換，獲得新的第一圖像，將新的第一圖像進(jìn)行拼接處理，獲得新的拼接圖像。

36、sift算法能夠檢測出圖像中具有尺度不變性和旋轉(zhuǎn)不變性的關(guān)鍵點(diǎn)，sift描述符能夠有效地描述關(guān)鍵點(diǎn)周圍的局部特征信息，由于sift描述符具有較高的獨(dú)特性，因此能夠減少誤匹配的發(fā)生，提高初始匹配點(diǎn)對的準(zhǔn)確性。最近鄰匹配策略通過計(jì)算關(guān)鍵點(diǎn)描述符之間的距離，快速找到最相似的匹配點(diǎn)對，從而能夠在大量關(guān)鍵點(diǎn)中快速篩選出潛在的匹配點(diǎn)。ransac算法通過隨機(jī)采樣和模型驗(yàn)證的方式，能夠準(zhǔn)確地估計(jì)出第一圖像之間的單應(yīng)性矩陣，提高了幾何變換的準(zhǔn)確性，本技術(shù)根據(jù)ransac算法估計(jì)出的單應(yīng)性矩陣對第一圖像進(jìn)行透視變換，能夠?qū)⒉煌暯桥臄z的圖像準(zhǔn)確地對齊，通過上述方案生成的拼接圖像在視覺上更加自然，無明顯拼接痕跡，能夠保留原始的第一圖像的細(xì)節(jié)和特征。

37、可選地，所述方法還包括：

38、利用sobel算子分別計(jì)算新的第一圖像的梯度場，以梯度場為約束條件，構(gòu)建泊松方程，通過最小二乘法優(yōu)化拼接邊界區(qū)域的像素值。

39、sobel算子能有效計(jì)算圖像的梯度場，它通過分別在水平和垂直方向上對圖像進(jìn)行卷積運(yùn)算，得到新的第一圖像在兩個方向上的梯度信息，進(jìn)而構(gòu)建出完整的梯度場，本技術(shù)以該梯度場為約束構(gòu)建泊松方程，并使用最小二乘法優(yōu)化拼接邊界區(qū)域的像素值，可以使拼接邊界兩側(cè)的像素值實(shí)現(xiàn)平滑過渡。

40、第二方面，本技術(shù)提供了一種基于深度學(xué)習(xí)的電力設(shè)備智能識別系統(tǒng)，采用如下的技術(shù)方案：

41、一種基于深度學(xué)習(xí)的電力設(shè)備智能識別系統(tǒng)，包括：存儲器和處理器，

42、所述存儲器內(nèi)存儲有計(jì)算機(jī)可讀存儲介質(zhì)；

43、所述處理器處理所述計(jì)算機(jī)可讀存儲介質(zhì)上存儲的計(jì)算機(jī)程序時，以實(shí)現(xiàn)如第一方面所述的方法。

44、綜上所述，本技術(shù)包括以下至少一種有益技術(shù)效果：

45、1.本技術(shù)通過對歷史圖像進(jìn)行拼接，獲得拼接圖像，以及在拼接圖像中截取子圖等操作，有效擴(kuò)充了訓(xùn)練數(shù)據(jù)集，增加了數(shù)據(jù)的多樣性和豐富度，有助于分類模型學(xué)習(xí)到更全面的圖像特征，提高分類模型的分類準(zhǔn)確率和泛化能力，使其在面對不同場景、不同狀態(tài)的電力設(shè)備圖像時都能做出準(zhǔn)確分類。

46、2.本技術(shù)構(gòu)建的分類模型能夠?qū)Σ杉碾娏υO(shè)備的圖像進(jìn)行快速分類，實(shí)現(xiàn)了對電力設(shè)備狀態(tài)的實(shí)時監(jiān)測。通過及時輸出分類結(jié)果，本技術(shù)可以幫助運(yùn)維人員迅速了解設(shè)備的運(yùn)行狀況，及時發(fā)現(xiàn)潛在問題，為電力設(shè)備的維護(hù)和管理提供有力支持，有助于提高電力系統(tǒng)的穩(wěn)定性和可靠性。

47、3.本技術(shù)對每個目標(biāo)圖像進(jìn)行simclr風(fēng)格的增強(qiáng)處理，生成增強(qiáng)圖像對，從而能夠創(chuàng)造出與原始圖像相似但又具有差異的新圖像。在實(shí)際應(yīng)用中，電力設(shè)備的圖像可能會受到各種因素的影響，如光照變化、拍攝角度不同、設(shè)備表面污漬等。simclr風(fēng)格的增強(qiáng)處理可以模擬這些真實(shí)場景中的變化，讓yolov8s模型在訓(xùn)練過程中接觸到更多類似實(shí)際情況的圖像樣本。本技術(shù)通過生成增強(qiáng)圖像對，增加了數(shù)據(jù)的多樣性，有助于yolov8s模型學(xué)習(xí)到更具泛化性的特征，盡量避免yolov8s模型過擬合于特定的圖像特征，使yolov8s模型能夠更好地適應(yīng)不同場景和條件下的圖像。本技術(shù)通過對比學(xué)習(xí)提升了主干網(wǎng)絡(luò)的特征提取能力，進(jìn)而為整個yolov8s模型的邊界框標(biāo)注任務(wù)提供了更優(yōu)質(zhì)的特征輸入。在后續(xù)的預(yù)訓(xùn)練和微調(diào)過程中，yolov8s模型可以更好地利用這些特征進(jìn)行邊界框預(yù)測，從而提高yolov8s模型在標(biāo)注拼接圖像中電力設(shè)備整體邊界框任務(wù)上的準(zhǔn)確性和魯棒性。