基于计算机视觉的变频负荷系统隐患检测方法与流程

本发明涉及计算机视觉领域，具体是指基于计算机视觉的变频负荷系统隐患检测方法。

背景技术：

1、变频负荷系统隐患检测是确保电力系统稳定运行和防止设备损坏的重要环节，旨在及时发现和识别变频负荷系统中可能存在的各种隐患，如设备过热、电气参数异常、绝缘老化等，从而采取相应措施进行维修和保养，确保系统的安全稳定运行。目前，一些检测方法仍然依赖于人工巡检和传统的物理参数监测，需耗费大量的人力和物力资源，且容易受到人为因素影响，难以实现对系统的全面实时监测；存在无法全面理解和充分利用丰富的图像数据，不能准确识别复杂的和大规模的图像数据，更容易受到噪声和干扰的影响，使性能下降的问题；同时，在识别过程中获取的信息量和种类不够全面，无法很好地适应不同的情况和场景，存在误报和漏报情况。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了基于计算机视觉的变频负荷系统隐患检测方法，针对传统方法仍然依赖于人工巡检和传统的物理参数监测，需耗费大量的人力和物力资源，且容易受到人为因素影响，难以实现对系统的全面实时监测的问题，本发明通过计算机视觉技术在不接触设备的情况下对变频负荷系统中的隐患进行智能识别，能更客观、更准确地识别隐患，同时能快速处理图像数据，迅速响应潜在隐患，减少了故障发生的时间和范围；针对传统方法中，存在无法全面理解和充分利用丰富的图像数据，不能准确识别复杂的和大规模的图像数据，更容易受到噪声和干扰的影响，使性能下降的问题，本发明通过ggz算法和lpq算法对变频负荷系统图像进行多尺度分割，有助于更全面地分析图像内容，捕捉图像中的细节，能更好地适应不同大小、形状和复杂度的隐患，提高faster r-cnn模型的感知能力；针对在识别过程中获取的信息量和种类不够全面，无法很好地适应不同的情况和场景，存在误报和漏报情况的问题，本发明通过faster r-cnn模型对变频负荷系统图像的全局特征和局部特征进行多粒度学习，能捕捉到不同粒度下的变频负荷系统图像的规律，可以获得更丰富的特征表示，提高faster r-cnn模型的泛化能力和鲁棒性，更准确的识别变频负荷系统中的隐患。

2、本发明采取的技术方案如下：本发明提供了基于计算机视觉的变频负荷系统隐患检测方法，具体包括以下步骤：

3、步骤s1：获取变频负荷系统图像，使用摄像头获取变频负荷系统视频，将变频负荷系统视频分解为变频负荷系统图像；

4、步骤s2：对变频负荷系统图像进行多尺度分割，得到全局拼接图像和局部拼接图像；

5、步骤s3：多粒度检测，使用faster r-cnn检测模型分别捕获全局拼接图像和局部拼接图像中的隐患目标，得到全局识别和局部识别；

6、步骤s4：协作融合，将全局识别和局部识别进行逻辑融合，得到融合识别结果，当融合识别结果中存在隐患目标时，发出警报信息。

7、进一步地，在步骤s2，对变频负荷系统图像进行多尺度分割，具体包括以下步骤：

8、步骤s21：利用变频负荷系统图像的频域纹理信息将变频负荷系统图像转换为灰度级，得到系统灰度图像，使用clahe方法对系统灰度图像进行自适应直方图均衡化，得到灰度增强图像；

9、步骤s22：使用gabor变换将灰度增强图像映射到不同的方向并进行gabor变换，得到滤波图像；

10、步骤s23：将离散形式的泽尼克矩应用于滤波图像，得到滤波图像的全局特征，所用公式如下：

11、，

12、式中，是第个方向的滤波图像的全局特征，是滤波图像的边长，是归一化因子，，是像素坐标，是第个方向的滤波图像，是泽尼克多项式，是的径向距离，是的阶数，是中方位角角度的重复次数，是虚数单位，是的相位角；

13、步骤s24：设置切块尺度因子，从灰度增强图像中选取初始像素，在以初始像素为中心的局部邻域进行短时傅里叶变换，得到傅里叶系数；

14、步骤s25：以初始像素为中心，预设非负整数，提取局部邻域内的四个频率点的傅里叶系数的实部和虚部，将四个频率点的实部和虚部分别排列，形成局部特征向量；

15、步骤s26：对局部特征向量进行白化变换，得到白化向量，对白化向量的分量进行量化，将大于等于0的分量记为1，小于0的分量记为0，得到量化系数；

16、步骤s27：将量化系数转换为十进制整数形式，作为局部特征；

17、步骤s28：将全局特征和局部特征分别按照特征维度与变频负荷系统图像拼接，得到全局拼接图像和局部拼接图像。

18、进一步地，在步骤s3，多粒度检测，具体包括以下步骤：

19、步骤s31：采集变频负荷系统隐患图像集，所述变频负荷系统隐患图像集包括增强隐患图像和对应的隐患目标框，将变频负荷系统隐患图像集按照3：1的比例划分为训练集和测试集；

20、步骤s32：建立并初始化faster r-cnn检测模型，将训练集输入到faster r-cnn检测模型中，训练faster r-cnn检测模型捕获对应的隐患目标，faster r-cnn检测模型使用隐患预测框对隐患目标进行捕获；

21、步骤s33：定义卷积层的损失函数，所用公式如下：

22、，

23、式中，是求解卷积层的损失函数的结果，是核参数，，是核参数中的第个值，是核参数的个数，是输入的第个增强隐患图像，，是中的第个值，是变频负荷系统隐患图像集的维度，是从1遍历至的累计和，是第个增强隐患图像对应的隐患目标框，是卷积乘法，是正则化惩罚因子，是从1遍历至的累计和；

24、步骤s34：定义池化层的损失函数，计算池化误差，所用公式如下：

25、，

26、式中，是求解池化层的损失函数的结果，是池化参数，，是池化参数中的第个值，是池化参数总数，是从1遍历至的累计和；

27、步骤s35：在分类器层，使用softmax函数计算包含隐患目标的概率，在回归层，以iou作为衡量隐患预测框精度的指标，对隐患预测框的边缘进行调整；

28、步骤s36：将测试集输入到faster r-cnn检测模型中，计算隐患预测框与隐患目标框之间的误差，所用公式如下：

29、，

30、式中，是求解隐患预测框与隐患目标框之间的误差的结果，和是隐患目标框的中心点的坐标，和是隐患预测框的中心点的坐标，和分别是隐患目标框的宽度和高度，和分别是隐患预测框的宽度和高度；

31、步骤s37：定义损失函数，所用公式如下：

32、，

33、式中，是求解损失函数的结果，是测试集中第个增强隐患图像的误差，是卷积层和池化层输出的特征向量，是训练faster r-cnn检测模型得到的系数，是测试集中增强隐患图像的总数，是从1遍历至的累计和；

34、步骤s38：将全局拼接图像和局部拼接图像输入到训练好的faster r-cnn检测模型中进行识别，分别得到全局识别和局部识别。

35、采用上述方案本发明取得的有益效果如下：

36、（1）本发明通过计算机视觉技术在不接触设备的情况下对变频负荷系统中的隐患进行智能识别，能更客观、更准确地识别隐患，同时能快速处理图像数据，迅速响应潜在隐患，减少了故障发生的时间和范围；

37、（2）本发明通过ggz算法和lpq算法对变频负荷系统图像进行多尺度分割，有助于更全面地分析图像内容，捕捉图像中的细节，能更好地适应不同大小、形状和复杂度的隐患，提高faster r-cnn模型的感知能力；

38、（3）本发明通过faster r-cnn模型对变频负荷系统图像的全局特征和局部特征进行多粒度学习，能捕捉到不同粒度下的变频负荷系统图像的规律，可以获得更丰富的特征表示，提高faster r-cnn模型的泛化能力和鲁棒性，更准确的识别变频负荷系统中的隐患。