(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210857741.6 (22)申请日 2022.07.21 (65)同一申请的已公布的文献号 申请公布号 CN 114937247 A (43)申请公布日 2022.08.23 (73)专利权人 四川金信石信息技 术有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都高新区和乐二街 171号B6栋1单元13楼1320号 (72)发明人 杜成龙　张学敏　沈建军　李孟福　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 专利代理师 何筱茂 (51)Int.Cl. G06V 20/52(2022.01)G06V 10/10(2022.01) G06V 10/82(2022.01) G06V 10/40(2022.01) (56)对比文件 CN 114049619 A,202 2.02.15 CN 114326741 A,202 2.04.12 WO 2021042682 A1,2021.0 3.11 CN 112381778 A,2021.02.19 孙进等.融合机 器视觉和CAN总线的玉米种 粒分类器设计与试验. 《中国农机化学报》 .2020, (第08期),87-95+ 126. 审查员 罗秀英 (54)发明名称 一种基于深度学习的变电站监测方法、 系 统、 电子设备 (57)摘要 本发明公开了一种基于深度学习的变电站 监测方法、 系统、 电子设备， 该监测方法通过对变 电站待监测区域进行成像分析， 得到待监测区域 对应的多个拍摄区块及其编号； 获取多个拍摄区 块处的图像， 得到监测图像集； 利用预先构建的 变电站图像识别模型对监测图像集进行识别， 根 据识别结果提取待监测区域中的异常图像； 呈现 异常图像对应的异常类别及其对应的拍摄区块 的编号， 本发明基于深度学习建立图像识别模 型， 通过图形识别技术实现变电站的实时监测， 在识别到渗油漏油风险后， 能够 有针对性实现区 域对应， 能够有效的实现变电站渗漏油的实时监 测， 改变现有采用人工巡检的方式， 高效、 准确的 实现变电站的监测， 从而提高变电站的监测效 率， 降低人力成本 。 权利要求书2页 说明书7页 附图4页 CN 114937247 B 2022.11.01 CN 114937247 B 1.一种基于深度学习的变电站监测方法， 其特 征在于， 包括如下步骤： 对变电站待监测区域进行成像分析， 得到所述待监测区域对应的多个拍摄区块及其编 号； 获取多个所述拍摄区块处的图像， 得到监测图像集； 利用预先构建的变电站图像识别模型对所述监测图像集进行识别， 根据识别结果提取 所述待监测区域中的异常图像， 通过以下 方法构建图像识别模型， 包括： 获取变电站中多 张异常图像与正常图像， 其中， 所述异常图像为设备的渗漏油图像， 并 通过模拟渗漏油部位的油迹覆盖范围进 行轻微、 中度、 严重划分； 所述正常图像为设备的未 发生渗漏油的图像； 对获取到的异常图像与正常图像进行类别标注， 生成训练图像集； 构建初始图像识别模型， 利用所述训练图像集对所述初始图像识别模型进行训练， 直 到所述初始图像识别模型满足条件收敛， 得到所述变电站图像识别模型， 其中， 在构建变电站图像识别模型时， 基于多张异常图像与正常图像， 进行环境特征提 取并基于提取的环境特征构建设备位置信息； 进 行渗油范围特征提取并基于提取的渗油范 围特征构建渗油程度信息； 在利用预先构建的图像识别模型对所述监测图像集进行识别， 首先识别所述 监测图像集的环境特 征， 再识别对应环境特 征的渗油范围特 征； 其中， 在进行环境特征提取并基于提取的环境特征构建设备位置信 息， 其中， 进行环境 特征提取为进 行图像的纹理特征提取， 基于图像的纹理特征确定为表面油迹或者为地面油 迹， 在构建变电站图像识别模型时， 针对于地面油迹对应的异常图像以及正常图像， 均通过 纹理特征提取进行图像裁 剪， 取出图像中的缺陷点， 实现模型的建立； 呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号。 2.根据权利要求1所述的一种基于深度 学习的变电站监测方法， 其特征在于， 利用所述 训练图像集对初始图像识别模型进行训练， 包括： 对所述训练图像集进行数据标准化处理 与数据增强处 理， 利用处 理后的训练图像集对初始图像识别模型进行训练。 3.根据权利要求2所述的一种基于深度 学习的变电站监测方法， 其特征在于， 所述初始 图像识别模型为： yo lo、 Faster R‑cnn中的一种。 4.根据权利要求2所述的一种基于深度 学习的变电站监测方法， 其特征在于， 利用处理 后的训练图像集对初始图像识别模型进行训练具体包括如下步骤： 基于数据标准化处理与数据增强处理后的训练图像集， 进行随机分类， 其中第一类图 像集用于对初始图像识别模型进行训练； 第二类图像集验证及监督训练的流程； 第三类图 像集用于对训练后获得 所述变电站图像识别模型进行测试； 其中， 所述第一类图像集的数量N1、 所述第二类图像集的数量N2、 所述第三类图像集的 数量N3满足： N1>  N2> N3。 5.一种基于深度 学习的变电站监测电子设备， 其特征在于， 包括处理器、 网络接口和存 储器， 所述处理器、 所述网络接口和所述存储器相互连接， 其中， 所述存储器用于存储计算 机程序， 所述计算机程序包括程序指 令， 所述处理器被配置用于调用所述程序指 令， 执行如 权利要求1~4任一所述的基于深度学习的变电站监测方法。 6.一种基于深度学习的变电站监测系统， 其特 征在于， 包括： 图像采集装置、 电子设备；权　利　要　求　书 1/2 页 2 CN 114937247 B 2所述电子设备用于对变电站待监测区域进行成像分析， 得到所述待监测区域对应的多 个拍摄区块及其编号， 并向所述图像采集装置发出图像采集指令， 其中， 所述图像采集指 令， 包括： 多个所述拍摄区块及其编号； 以及， 获取来自图像采集装置的多个所述拍摄区块 处的图像， 得到监测图像集； 利用预先构建的变电站图像识别模型对所述监测图像集进行 识别， 根据 识别结果提取所述待监测区域中的异常图像， 其中， 基于如下方法构建图像识别 模型， 获取变电站中多张异常图像与正常图像， 所述异常图像为设备的渗漏油图像， 并通过 模拟渗漏油部位的油迹覆盖范围进 行轻微、 中度、 严重划分； 所述正常图像为设备的未发生 渗漏油的图像， 对获取到的异常图像与正常图像进 行类别标注， 生成训练图像集， 构建初始 图像识别模型， 利用所述训练图像集对所述初始图像识别模型进行训练， 直到所述初始图 像识别模 型满足条件收敛， 得到所述变电站图像识别模型， 其中， 在构建变电站图像识别模 型时， 基于多张异常图像与正常图像， 进行环境特征提取并基于提取 的环境特征构建设备 位置信息， 进行渗油范围特征提取并基于提取 的渗油范围特征构建渗油程度信息， 在利用 预先构建的图像识别模型对所述监测图像集进行识别， 首先识别所述监测图像集的环境特 征， 再识别对应环 境特征的渗油范围特征， 其中， 在进 行环境特征提取并基于提取的环境特 征构建设备位置信息， 其中， 进 行环境特征提取为进 行图像的纹理特征提取， 基于图像的纹 理特征确定为表面油迹或者为地面油迹， 在构建变电站图像识别模型时， 针对于地面油迹 对应的异常图像以及正常图像， 均通过 纹理特征提取进 行图像裁剪， 取出图像中的缺陷点， 实现模型的建立； 以及， 呈现所述异常图像对应的异常类别及其对应的拍摄区块的编号； 所述图像采集装置， 用于基于所述图像采集指令采集多个所述拍摄区块处的图像， 并 传输至所述电子设备。权　利　要　求　书 2/2 页 3 CN 114937247 B 3