一种配电站异物入侵识别检测方法、装置、设备及介质与流程

本发明涉及电力系统安全监控与自动化，特别涉及一种配电站异物入侵识别检测方法、装置、设备及介质。

背景技术：

1、随着电力系统的不断发展，配电站作为电网的重要组成部分，其安全运行对于整个电网的稳定性至关重要。然而，由于配电站通常处于开放或半开放环境，容易受到各种异物入侵的威胁，如飘落的塑料薄膜、气球、风筝等飘荡物，以及闯入的蛇、鼠、虫等小型动物。这些异物一旦进入配电站内部，可能引发电气故障、设备损坏甚至火灾等严重事故，对电力系统的安全稳定运行构成重大威胁。传统的配电站异物入侵检测方法主要依赖人工巡检或安装防护网等物理手段，但这些方法存在诸多不足，人工巡检不仅效率低下，而且难以做到实时监控，容易存在漏检情况。而防护网等物理手段虽然能起到一定的防护作用，但对于体型较小或能够穿越防护网的异物则束手无策。

2、由上可见，如何实现对配电站进行实时的异物入侵识别检测，提高配电站异物入侵识别检测的准确性和效率，提升配电站安全性和稳定性是本领域有待解决的问题。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种配电站异物入侵识别检测方法、装置、设备及介质，能够实现对配电站进行实时的异物入侵识别检测，提高配电站异物入侵识别检测的准确性和效率，提升配电站安全性和稳定性。其具体方案如下：

2、第一方面，本技术公开了一种配电站异物入侵识别检测方法，包括：

3、获取实时采集的配电站的场景图像，对所述场景图像进行预处理，以得到预处理后的所述场景图像，采用深度学习算法构建初始配电站异物识别模型，并对所述初始配电站异物识别模型进行训练，以得到目标配电站异物识别模型；

4、将预处理后的所述场景图像输入至所述目标配电站异物识别模型中进行异物识别检测、特征提取及匹配操作，以输出第一异物类别信息，判断预设的所有的异物入侵类别中是否存在与所述第一异物类别信息一致的异物入侵类别；

5、若预设的所有的异物入侵类别中存在与所述第一异物类别信息一致的异物入侵类别，则触发链式识别机制并跳转至所述获取实时采集的配电站的场景图像的步骤，以得到第二异物类别信息，若所有的所述异物入侵类别中存在与所述第二异物类别信息一致的异物入侵类别，则生成并发送报警信息至客户端。

6、可选的，所述获取实时采集的配电站的场景图像，包括：

7、从覆盖所述配电站的各关键区域的多组采集设备中获取实时采集的各场景图像；

8、基于各所述场景图像构建图像集，将所述图像集发送至预设的处理单元。

9、可选的，所述对所述场景图像进行预处理，以得到预处理后的所述场景图像，包括：

10、利用所述处理单元对所述图像集中的各所述场景图像进行背景扣除处理、图像灰度化处理、噪声去除处理、对比度增强处理以及背景像素值归一化处理，以得到预处理后的所述场景图像。

11、可选的，所述采用深度学习算法构建初始配电站异物识别模型，并对所述初始配电站异物识别模型进行训练，以得到目标配电站异物识别模型，包括：

12、采用深度学习算法构建初始配电站异物识别模型，确定用于训练所述初始配电站异物识别模型的权重系数；

13、按照所述权重系数对所述初始配电站异物识别模型进行训练，以得到目标配电站异物识别模型。

14、可选的，所述若预设的所有的异物入侵类别中存在与所述第一异物类别信息一致的异物入侵类别，则触发链式识别机制并跳转至所述获取实时采集的配电站的场景图像的步骤，以得到第二异物类别信息，包括：

15、引入多组采集设备数据互相监督和指导策略并结合循环神经网络技术构建链式识别机制，若预设的所有的异物入侵类别中存在与所述第一异物类别信息一致的异物入侵类别，则确定与所述第一异物类别信息对应的异物入侵场景图像，并确定采集所述异物入侵场景图像的采集设备；

16、触发所述链式识别机制并跳转至所述获取实时采集的配电站的场景图像的步骤，以获取所述采集设备相邻的目标采集设备发送的当前场景图像，得到第二异物类别信息。

17、可选的，所述的配电站异物入侵识别检测方法，还包括：

18、采用网格化分析方法以及标注方法，并按照色彩冷暖度、色彩表现、特征变化以及色彩采集信息对预处理后的所述场景图像进行网格划分，以划分出重点区域、一般区域以及无效区域；

19、对所述重点区域、所述一般区域以及所述无效区域中的色彩信息和视觉感知属性进行识别及状态评估分析，以便直接生成并发送识别及状态评估分析结果至客户端。

20、可选的，所述的配电站异物入侵识别检测方法，还包括：

21、获取实际误报及漏报信息；

22、基于所述实际误报及漏报信息对所述目标配电站异物识别模型中的模型参数以及权重进行调整及分配，以实现对所述目标配电站异物识别模型的优化更新。

23、第二方面，本技术公开了一种配电站异物入侵识别检测装置，包括：

24、模型构建训练模块，用于获取实时采集的配电站的场景图像，对所述场景图像进行预处理，以得到预处理后的所述场景图像，采用深度学习算法构建初始配电站异物识别模型，并对所述初始配电站异物识别模型进行训练，以得到目标配电站异物识别模型；

25、异物识别检测模块，用于将预处理后的所述场景图像输入至所述目标配电站异物识别模型中进行异物识别检测、特征提取及匹配操作，以输出第一异物类别信息，判断预设的所有的异物入侵类别中是否存在与所述第一异物类别信息一致的异物入侵类别；

26、异物入侵报警模块，用于若预设的所有的异物入侵类别中存在与所述第一异物类别信息一致的异物入侵类别，则触发链式识别机制并跳转至所述获取实时采集的配电站的场景图像的步骤，以得到第二异物类别信息，若所有的所述异物入侵类别中存在与所述第二异物类别信息一致的异物入侵类别，则生成并发送报警信息至客户端。

27、第三方面，本技术公开了一种电子设备，包括：

28、存储器，用于保存计算机程序；

29、处理器，用于执行所述计算机程序，以实现前述的配电站异物入侵识别检测方法。

30、第四方面，本技术公开了一种计算机存储介质，用于保存计算机程序；其中，所述计算机程序被处理器执行时实现前述公开的配电站异物入侵识别检测方法的步骤。

31、可见，本技术提供了一种配电站异物入侵识别检测方法，包括获取实时采集的配电站的场景图像，对所述场景图像进行预处理，以得到预处理后的所述场景图像，采用深度学习算法构建初始配电站异物识别模型，并对所述初始配电站异物识别模型进行训练，以得到目标配电站异物识别模型；将预处理后的所述场景图像输入至所述目标配电站异物识别模型中进行异物识别检测、特征提取及匹配操作，以输出第一异物类别信息，判断预设的所有的异物入侵类别中是否存在与所述第一异物类别信息一致的异物入侵类别；若预设的所有的异物入侵类别中存在与所述第一异物类别信息一致的异物入侵类别，则触发链式识别机制并跳转至所述获取实时采集的配电站的场景图像的步骤，以得到第二异物类别信息，若所有的所述异物入侵类别中存在与所述第二异物类别信息一致的异物入侵类别，则生成并发送报警信息至客户端。本技术通过采集并处理场景图像，从而优化图像质量并突出关键特征，将深度学习算法与配电站内异物入侵识别检测结合，构建并训练目标配电站异物识别模型，提高配电站异物入侵识别检测的准确性，利用目标配电站异物识别模型进行异物识别检测、特征提取及匹配操作，从而实现对配电站进行实时的异物入侵识别检测，解决传统技术方案中的依赖人工巡检或安装防护网等物理手段的不足，避免出现漏检情况，并且提高异物入侵识别检测的效率，若检测到与第一异物类别信息一致的异物入侵类别，则触发链式识别机制再次重复进行异物识别检测、特征提取及匹配操作，若还是检测到与第二异物类别信息一致的异物入侵类别，则生成并发送报警信息至客户端，本技术对配电站进行实时的异物入侵识别检测的过程自动化程度较高，无需人工干预，实现自动化检测与报警，提高工作效率，降低了人工巡检成本，并且能够及时发现并处理异物入侵情况，能够有效避免配电站发生安全事故，保障人员和设备的安全，从而提升配电站安全性和稳定性。