(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210806100.8 (22)申请日 2022.07.08 (71)申请人 华北电力大 学 （保定） 地址 071003 河北省保定市莲池区永华北 大街619号 华北电力大 学 (72)发明人 李冰　王天　白云山　赵宽　 郭聪彬　翟永杰　 (74)专利代理 机构 北京高沃 律师事务所 1 1569 专利代理师 赵兴华 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01) G06F 17/18(2006.01) G06V 10/74(2022.01)G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种变电站设备缺陷检测方法及系统 (57)摘要 本发明提出了一种变电站设备缺陷检测方 法及系统， 属于电力系统自动化检测技术领域， 利用目标设备图像提取网络先从红外图像中进 行目标设备图像的提取， 然后对 单个目标设备进 行缺陷分析， 将对变电站设备红外图像的缺陷检 测的问题 转化为一个两级检测问题， 即先进行目 标检测， 再进行缺陷检测的过程， 解决了难以直 接从具有冗余背景和密集目标的红外图像中检 查变电站设备的问题， 同时对变电站设备图像进 行超像素划分， 能够提供更多细节， 而且以超像 素为处理单位， 减少了计算成本， 降低了复杂性， 提高了变电站设备缺陷检测的效率。 权利要求书3页 说明书8页 附图5页 CN 115035099 A 2022.09.09 CN 115035099 A 1.一种变电站设备缺陷检测方法， 其特 征在于， 所述变电站设备缺陷检测方法包括： 获取变电站设备处的红外图像； 利用目标设备提取网络， 提取 所述红外图像中的目标设备， 得到目标设备图像； 利用超像素分割算法， 将所述目标设备图像分割为若干个超像素区域； 根据核密度估计方法估计得到所述目标设备图像的温度概率密度函数， 并根据 所述温 度概率密度函数确定缺陷温度阈值； 将所述目标设备图像中温度高于所述 缺陷温度阈值的多个超像素， 识别为 缺陷区域。 2.根据权利要求1所述的变电站设备缺陷检测方法， 其特征在于， 所述目标设备提取网 络为YOLACT网络， YOLACT网络包括特征图提取分支、 掩码系数预测分支和掩码预测分支； 所 述利用目标设备提取网络， 从所述红外图像中提取目标设备图像， 具体包括： 利用特征图提取分支提取 所述红外图像的多种尺寸的融合特 征图； 将所述多种尺寸的融合特征图输入所述掩码系数预测分支， 得到所述红外图像中各目 标设备的掩码系数； 将所述多种尺寸的融合特征图中尺寸最大的融合特征图输入所述掩码预测分支， 得到 所述红外图像中各目标设备的掩码； 根据所述红外图像中各目标设备的掩码和掩码系数， 从所述红外图像中分割出各个目 标设备图像。 3.根据权利要求2所述的变电站设备缺陷检测方法， 其特征在于， 所述特征图提取分支 为ResNet ‑FPN网络， 所述掩码系数预测分支为Prediction  Head网络， 所述掩码预测分支为 ProtoNet网络。 4.根据权利要求2所述的变电站设备缺陷检测方法， 其特征在于， 所述利用特征图提取 分支提取 所述红外图像的多种尺寸的融合特 征图， 具体包括： 提取所述红外图像的第一特征图、 第二特征图、 第三特征图、 第四特征图和第五特征 图； 所述第一特征图和所述红外图像的尺寸相同； 第一特征图、 第二特征图、 第三特征图、 第 四特征图和第 五特征图的尺寸依 次减小； 所述第二特征图为所述第一特征图的下采样， 所 述第三特征图为所述第二特征图的下采样， 所述第四特征图为所述第三特征图的下采样， 所述第五特 征图为所述第四特 征图的下采样； 对所述第五特 征图进行 卷积操作， 得到第一融合特 征图； 对所述第一融合特征图进行上采样， 并与所述第 四特征图进行融合， 得到第二融合特 征图； 所述第二融合特 征图和所述第四特 征图尺寸相同； 对所述第二融合特征图进行上采样， 并与所述第三特征图进行融合， 得到第三融合特 征图； 所述第三融合特 征图和所述第三特 征图的尺寸相同； 对所述第一融合特 征图进行 卷积和下采样， 得到第四融合特 征图； 对所述第四融合特 征图进行 卷积和下采样， 得到第五融合特 征图。 5.根据权利要求1所述的变电站设备缺陷检测方法， 其特征在于， 所述利用超像素分割 算法， 将所述目标设备图像分割为若干个超像素区域， 具体包括： 在所述目标设备图像中均匀设置若干个种子点， 相邻两个所述种子点的距离为S； 根据相似性度量公式， 以各个所述种子点为聚类中心， 对各个所述种子点2S距离内的 像素点进行迭代 聚类， 直到所述 目标设备图像中的像素点不再变化， 得到若干个超像素区权　利　要　求　书 1/3 页 2 CN 115035099 A 2域。 6.根据权利要求5所述的变电站设备缺陷检测方法， 其特征在于， 所述相似性度量公式 如下式所示： 其中， dt为像素点i到种 子点k的颜色距离， dxy为像素点i到种 子点k的空间距离， mt为最 大颜色距离， mxy为最大空间距离， mxy初始取值为S； tk为种子点k的颜色通道， ti为像素点i的 颜色通道， xk和yk分别为种子点k的横坐标和纵坐标， xi和yi分别为像素点i的横坐标和纵坐 标。 7.根据权利要求1所述的变电站设备缺陷检测方法， 其特征在于， 所述目标设备图像的 温度概率密度函数如下式所示： 其中， N为超像素区域的个数， h为核密度估计方法的带宽， 为高斯核函 数， Tj为第j个超像素区域的温度， x为任意温度。 8.一种变电站设备缺陷检测系统， 其特 征在于， 所述变电站设备缺陷检测系统包括： 红外图像获取模块， 用于获取变电站设备处的红外图像； 目标设备提取模块， 用于利用目标设备提取网络， 提取所述红外 图像中的目标设备图 像； 超像素分割模块， 用于利用超像素分割算法， 将所述目标设备图像分割为若干个超像 素区域； 核密度估计模块， 用于根据核密度估计方法估计得到所述目标设备图像的温度概率密 度函数， 并根据所述温度概 率密度函数确定缺陷温度阈值； 缺陷判定模块， 用于将所述目标设备图像中温度高于所述缺陷温度阈值的多个超像 素， 识别为 缺陷区域。 9.根据权利要求8所述的变电站设备缺陷检测系统， 其特征在于， 所述目标设备提取网 络为YOLACT网络， YOLACT网络包括特征图提取分支、 掩码系数预测分支和掩码预测分支； 所 述目标设备提取模块包括： 融合特征图提取单元， 用于利用特征图提取分支提取所述红外图像的多种尺寸的融合 特征图； 掩码系数确定单元， 用于将所述多种尺寸的融合特征图输入所述掩码系数预测分支， 得到所述红外图像中各目标设备的掩码系数； 掩码确定单元， 用于将所述多种尺寸的融合特征图中尺寸最大的融合特征图输入所述权　利　要　求　书 2/3 页 3 CN 115035099 A 3