本发明属于电力输电领域，具体涉及一种电力设备故障智能识别方法及识别系统。
背景技术：
在电力输电系统中，为了保证输电的稳定和距离，需要使用数量众多的电力设备进行辅助，而电力设备常见的故障中，因为设备老化或者连接件老化导致温度升高，进而引发供电故障的情况尤为多见。
而传统的针对过温检测的方式通常是通过在关键位置布置温度传感器，或者利用红外热成像仪通过远程视频监控、人工现场巡查或者巡检机器人巡视的方式进行查看，需要大量的人力参与进来。现有的一种识别方法是利用深度学习算法对输入的红外图像进行深度特征挖掘，不依赖于手工提取特征参数，能够有效的并准确的识别并定位各类电力主干设备的区域和位置，从而在一定程度上，缩减人工劳动量。但是红外图像对比度和清晰度较差，包含电力设备的细节较少，容易导致电力设备故障识别率低。
技术实现要素：
本发明实施例所要解决的技术问题在于，提供一种可以有效提高电力设备故障检测识别成功率的电力设备故障智能识别方法及识别系统。
为解决上述技术问题，本发明提供一种电力设备故障智能识别方法，包括：
步骤s1，获取电力设备的可见光图像；
步骤s2，利用预先训练的可见光图像识别模型识别所述可见光图像中的电力设备，并在所述可见光图像中标记所述电力设备的类型以及第一待测温位置；
步骤s3，获取所述电力设备与所述可见光图像对应的红外光图像；
步骤s4，在所述红外光图像中标记与所述第一待测温位置相对应的第二待测温位置；
步骤s5，在所述红外光图像中测量所述第二待测温位置的温度，并在测量的温度超过预设的阈值时，进行特征标记，以示所述电力设备发生故障。
进一步地，所述可见光图像识别模型采用目标检测算法进行训练，并验证所述可见光图像识别模型的识别准确率超过预设的第一门限值
进一步地，所述目标检测算法包括maskr-cnn算法、fasterr-cnn算法或fastr-cnn算法。
进一步地，所述可见光图像与所述红外光图像的视角相同。
进一步地，所述步骤s2中，还包括：标记所述电力设备的型号。
一种电力设备故障智能识别系统，包括：
可见光图像摄像单元，用于获取电力设备的可见光图像；
可见光图像处理单元，用于利用预先训练的可见光图像识别模型识别所述可见光图像中的电力设备，并在所述可见光图像中标记所述电力设备的类型以及第一待测温位置；
红外光图像摄像单元，用于获取所述电力设备与所述可见光图像对应的红外光图像；
红外光图像处理单元，用于在所述红外光图像中标记与所述第一待测温位置相对应的第二待测温位置；
故障识别单元，在所述红外光图像中测量所述第二待测温位置的温度，并在测量的温度超过预设的阈值时，进行特征标记，以示所述电力设备发生故障。
进一步地，所述可见光图像识别模型采用目标检测算法进行训练，并验证所述可见光图像识别模型的识别准确率超过预设的第一门限值。
进一步地，所述目标检测算法包括maskr-cnn算法、fasterr-cnn算法或fastr-cnn算法。
进一步地，所述电力设备故障智能识别系统还包括拍摄视角调整单元，用于调整所述可见光图像与所述红外光图像的拍摄视角，使所述可见光图像与所述红外光图像的视角相同。
进一步地，所述可见光图像处理单元，还用于标记所述电力设备的型号。
实施本发明实施例，具有如下有益效果：本发明利用了可见光照片高清晰度能够识别电力设备的更多细节的特点进行电力设备在待测可见光图像中位置的提取，相较于传统的直接利用红外图像进行提取，正确率更高，避免了对电力设备的误判或漏检，同时对待测温度区域进行标记，可以极大的减少温度检测的范围，有效的提高了检测的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一的电力设备故障智能识别方法的流程示意图；
具体实施方式
以下各实施例的说明是参考附图，用以示例本发明可以用以实施的特定实施例。
请参照图1所示，本发明实施例一提供一种电力设备故障智能识别方法，包括：
步骤s1，获取电力设备的可见光图像。
可见光图像可以通过可见光摄像头拍摄，具体可以采用无人机搭载可见光摄像头进行自动拍摄获取，可以节省人力。
步骤s2，利用预先训练的可见光图像识别模型识别所述可见光图像中的电力设备，并在所述可见光图像中标记所述电力设备的类型以及第一待测温位置。
具体地，可以事先训练一个可见光图像识别模型来自动识别获取的可见光图像中的设备。训练用的可见光图像可以通过拍摄，也可以直接利用现有的图像，例如服务器上之前存储的素材或从网络上下载的图片。为了训练出准确的可见光图像识别模型，训练用可见光图像的数量大于8万张。
可以采用目标检测算法训练可见光图像识别模型，例如maskr-cnn算法、fasterr-cnn算法或fastr-cnn算法等等。此外要保证可见光图像识别模型的识别准确率超过预设的第一门限值(比如90％)才认为训练的可见光图像识别模型合格。
构建可见光图像识别模型后，将当前采集到的设备的可见光图像输入至可见光图像识别模型，从而可以识别出可见光图像中的设备，至少包括设备种类信息，以及该种设备的待测温度位置区域。由于不同的设备例如变压器、隔离开关等产生温度异常的区域不一样，可见光图像识别后，对待测温度位置区域进行标记。此外，由于同一种设备，由于型号的不同，温度限制可能不一样，优选的，同时还可以对该种设备的型号进行识别。
步骤s3，获取所述电力设备与所述可见光图像对应的红外光图像。
具体地，可以采用红外热成像设备采集待测电力设备的红外光图像，红外光图像与上述可见光图像相对应。优选的，可见光图像与红外光图像的视角相同。为了简化后续的运算过程，可以从物理结构方面便对可见光图像采集设备和红外热成像设备的采集角度进行调整和限制，让待测电力设备的可见光图像和红外光图像的画面尽可能一致，从而可以确保温度检测的准确性
步骤s4，在所述红外光图像中标记与所述第一待测温位置相对应的第二待测温位置。
由于红外光图像与可见光图像相对应，从而可以利用可见光图像中标记的第一待测温位置，在红外光图像中标记与第一待测温位置的位置相同的第二待测温位置，第二待测温位置即对应着电力设备的待测温区域。本发明通过可见光图像来准确确定电力设备的待测温区域，然后再在红外图像中测量电力设备对应位置的温度，可见光图像由于包含了电力设备的各种细节，识别待测温位置的准确率高。
步骤s5，在所述红外光图像中测量所述第二待测温位置的温度，并在测量的温度超过预设的阈值时，进行特征标记，以示所述电力设备发生故障。
具体地，可以预先构建电力设备预警表，电力设备预警表中包括可见光图像识别模型可识别的所有电力设备的类型及型号，以及根据电力设备的类型及型号对应预设的温度阈值。在识别到电力设备的待测温位置区域(即第二待测温位置)后，通过红外光图像对该区域的温度进行测量，并将测量的温度值与预先设置的温度阈值进行比较。当测量值超过温度阈值时，对第二待测温位置进行特征标记，例如标记红色线矩形框，以表示该电力设备发生故障。
本发明实施例一提供的电力设备故障智能识别方法，利用了可见光照片高清晰度能够识别电力设备的更多细节的特点进行电力设备在待测可见光图像中位置的提取，相较于传统的直接利用红外图像进行提取，正确率更高，避免了对电力设备的误判或漏检。利用了待测可见光图像的标记结果，在采集的待测红外光图像中进行标记，可以极大的减少温度检测的范围，有效的提高了检测的效率。最后，利用了具有特征标记的待测可见光图像进行显示，提高了故障检查的可视性，从而可以实时的在本地显示设备中查看到故障的出现。此外，构建电力设备预警表并对不同类型的电力设备设立不同的温度阈值，极大的提高了检测的准确性。本发明实施例相较于传统的单红外图像判断的方式，极大的提高了准确率，同时也减少了温度判断的运算过程。
相应于本发明实施例一提供的电力设备故障智能识别方法，本发明实施例二还提供一种电力设备故障智能识别系统，包括：
一种电力设备故障智能识别系统，其特征在于，包括：
可见光图像摄像单元，用于获取电力设备的可见光图像；
可见光图像处理单元，用于利用预先训练的可见光图像识别模型识别所述可见光图像中的电力设备，并在所述可见光图像中标记所述电力设备的类型以及第一待测温位置；
红外光图像摄像单元，用于获取所述电力设备与所述可见光图像对应的红外光图像；
红外光图像处理单元，用于在所述红外光图像中标记与所述第一待测温位置相对应的第二待测温位置；
故障识别单元，在所述红外光图像中测量所述第二待测温位置的温度，并在测量的温度超过预设的阈值时，进行特征标记，以示所述电力设备发生故障。
进一步地，所述可见光图像识别模型采用目标检测算法进行训练，并验证所述可见光图像识别模型的识别准确率超过预设的第一门限值。
进一步地，所述目标检测算法包括maskr-cnn算法、fasterr-cnn算法或fastr-cnn算法。
进一步地，所述的电力设备故障智能识别系统还包括拍摄视角调整单元，用于调整所述可见光图像与所述红外光图像的拍摄视角，使所述可见光图像与所述红外光图像的视角相同。
进一步地，所述可见光图像处理单元，还用于标记所述电力设备的型号。
有关本实施例电力设备故障智能识别系统的工作原理和过程，参见前述本发明实施例一的说明，此处不再赘述。
通过上述说明可知，与现有技术相比，本发明的有益效果在于：本发明实施例一提供的电力设备故障智能识别方法，利用了可见光照片高清晰度能够识别电力设备的更多细节的特点进行电力设备在待测可见光图像中位置的提取，相较于传统的直接利用红外图像进行提取，正确率更高，避免了对电力设备的误判或漏检。利用了待测可见光图像的标记结果，在采集的待测红外光图像中进行标记，可以极大的减少温度检测的范围，有效的提高了检测的效率。最后，利用了具有特征标记的待测可见光图像进行显示，提高了故障检查的可视性，从而可以实时的在本地显示设备中查看到故障的出现。此外，构建电力设备预警表并对不同类型的电力设备设立不同的温度阈值，极大的提高了检测的准确性。本发明实施例相较于传统的单红外图像判断的方式，极大的提高了准确率，同时也减少了温度判断的运算过程。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
1.一种电力设备故障智能识别方法，其特征在于，包括：
步骤s1，获取电力设备的可见光图像；
步骤s2，利用预先训练的可见光图像识别模型识别所述可见光图像中的电力设备，并在所述可见光图像中标记所述电力设备的类型以及第一待测温位置；
步骤s3，获取所述电力设备与所述可见光图像对应的红外光图像；
步骤s4，在所述红外光图像中标记与所述第一待测温位置相对应的第二待测温位置；
步骤s5，在所述红外光图像中测量所述第二待测温位置的温度，并在测量的温度超过预设的阈值时，进行特征标记，以示所述电力设备发生故障。
2.根据权利要求1所述的电力设备故障智能识别方法，其特征在于，所述可见光图像识别模型采用目标检测算法进行训练，并验证所述可见光图像识别模型的识别准确率超过预设的第一门限值。
3.根据权利要求2所述的电力设备故障智能识别方法，其特征在于，所述目标检测算法包括maskr-cnn算法、fasterr-cnn算法或fastr-cnn算法。
4.根据权利要求1所述的电力设备故障智能识别方法，其特征在于，所述可见光图像与所述红外光图像的视角相同。
5.根据权利要求1所述的电力设备故障智能识别方法，其特征在于，所述步骤s2中，还包括：标记所述电力设备的型号。
6.一种电力设备故障智能识别系统，其特征在于，包括：
可见光图像摄像单元，用于获取电力设备的可见光图像；
可见光图像处理单元，用于利用预先训练的可见光图像识别模型识别所述可见光图像中的电力设备，并在所述可见光图像中标记所述电力设备的类型以及第一待测温位置；
红外光图像摄像单元，用于获取所述电力设备与所述可见光图像对应的红外光图像；
红外光图像处理单元，用于在所述红外光图像中标记与所述第一待测温位置相对应的第二待测温位置；
故障识别单元，在所述红外光图像中测量所述第二待测温位置的温度，并在测量的温度超过预设的阈值时，进行特征标记，以示所述电力设备发生故障。
7.根据权利要求6所述的电力设备故障智能识别系统，其特征在于，所述可见光图像识别模型采用目标检测算法进行训练，并验证所述可见光图像识别模型的识别准确率超过预设的第一门限值。
8.根据权利要求7所述的电力设备故障智能识别系统，其特征在于，所述目标检测算法包括maskr-cnn算法、fasterr-cnn算法或fastr-cnn算法。
9.根据权利要求6所述的电力设备故障智能识别系统，其特征在于，还包括拍摄视角调整单元，用于调整所述可见光图像与所述红外光图像的拍摄视角，使所述可见光图像与所述红外光图像的视角相同。
10.根据权利要求6所述的电力设备故障智能识别系统，其特征在于，所述可见光图像处理单元，还用于标记所述电力设备的型号。
技术总结