(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 202210428081.X (22)申请日 2022.04.22 (71)申请人 国网陕西省电力有限公司电力科 学 研究院 地址 710054 陕西省西安市国家民用航天 产业基地 航天中路6 69号 申请人 国网(西安)环保技 术中心有限公司 (72)发明人 牛博　杨鼎革　郭子豪　韩彦华　 蒲路　吴经锋　齐卫东　王鸿　 王森　任双赞　杨传凯　谷永刚　 陈维　刘子瑞　薛军　李鹏程　 袁福祥　李良书　杨博　万康鸿　 左坤　李旭　王辰曦　吴子豪　 唐露甜　李毅　张晓兰　李文慧　 高健　徐丹　唐子卓　师愉航　 边赫　卢一晗　(74)专利代理 机构 西安通大专利代理有限责任 公司 6120 0 专利代理师 李鹏威 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/12(2017.01) G06T 7/60(2017.01) G06V 10/764(2022.01) G06V 10/762(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种非接触式高压断路器缺陷检测方法及 系统 (57)摘要 本发明公开了一种非接触式高压断路器缺 陷检测方法及系统， 所述非接触式高压断路器缺 陷检测方法包括以下步骤： 将获取的高压断路器 图片输入预训练好的缺陷检测模 型中， 所述缺陷 检测模型输出检测结果； 获取所述预训练好的缺 陷检测模型的步骤包括： 获取断路器的缺陷样本 训练集； 基于所述缺陷样本训练集， 对基于卷积 神经网络优化算法的深度学习模型进行学习训 练， 获得所述预训练好的缺陷检测模型。 本发明 可减少对断路器故障分析研究所需环境的局限 性， 在便捷性和可靠性上有显著进步。 权利要求书2页 说明书8页 附图7页 CN 114757925 A 2022.07.15 CN 114757925 A 1.一种非接触式 高压断路器缺陷检测方法， 其特 征在于， 包括以下步骤： 获取待缺陷检测的高压断路器图片； 将获取的高压断路器图片输入预训练好的缺陷检测模型中， 所述缺陷检测模型输出检 测结果； 其中， 所述 缺陷检测模型为基于卷积神经网络优化 算法的深度学习模型； 获取所述预训练好的缺陷检测模型的步骤 包括： 获取断路器的缺陷样本训练集； 其中， 所述缺陷样本训练集中的每个训练样本均包括： 样本图片和标签； 所述样本图片为断路器预设关键零部件不同角度、 不同光照条件的图片 和断路器不同锈蚀部位在不同角度、 不同光照条件实物图片 中的一种， 所述标签包括零部 件名称和锈蚀缺陷等级； 基于所述缺陷样本训练集， 对基于卷积神经网络优化算法的深度 学习模型进行学习训 练， 获得所述预训练好的缺陷检测模型。 2.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法， 其特征在于， 所述基 于所述缺陷样本训练集， 对基于卷积神经网络优化算法的深度学习模型进行学习训练， 获 得所述预训练好的缺陷检测模型的步骤具体包括： Step.1输入参数的初始化， 包括： 图片维度、 权重参数、 训练参数以及训练集的损失率 初始化， 获得初始化的参数； Step.2加载网络模型， 包括： 采用默认模型进行预训练， 获得预训练结果； 根据预训练 结果利用优化器对默认模型进行优化， 获得优化后的网络模型； Step.3网络训练， 包括： 加载初始化的参数和优化后的网络模型进行训练， 获得中间权 重； Step.4根据前向传播计算出总损失、 分类损失、 框的回归损失、 置信度； 并据反向传播 计算出损失值对神经 元仿射变换的导数， 求出权 重变化的方向和步长， 获得 更新的权 重。 3.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法， 其特征在于， 所述获 取所述预训练好的缺陷检测模型的步骤， 还 包括： 通过基于距离的聚类算法确定适合的多尺度滑动窗口， 以加速卷积神经网络模型收 敛。 4.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法， 其特征在于， 所述预 设的关键零部件 包括拐臂、 拉杆和缓冲器中的一种或多种。 5.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法， 其特征在于， 所述缺 陷检测模型输出的检测结果包括 零部件是否发生变形； 获取零部件是否发生变形检测结果的步骤包括： 辨识断路器的各个关键零部件； 对包 括关键零部件的图片进 行滤波、 降噪和图像 分割预处理， 采用canny边缘检测算法对关键零 部件图像进行边缘提取； 利用深度估计结合分割办法检测出关键零部件的具体轮廓后， 通 过计算识别出关键零部件的外接轮廓矩形的长宽比， 基于长宽比判断获得关键零部件是否 发生变形的检测结果。 6.根据权利要求1所述的一种非接触式高压断路器缺陷检测方法， 其特征在于， 所述缺 陷检测模型输出的检测结果包括 零部件是否生锈以及生锈等级。 7.一种非接触式 高压断路器缺陷检测系统， 其特 征在于， 包括：权　利　要　求　书 1/2 页 2 CN 114757925 A 2图片获取模块， 用于获取待缺陷检测的高压断路器图片； 检测结果获取模块， 用于将获取的高压断路器图片输入预训练好的缺陷检测模型中， 所述缺陷检测模型输出检测结果； 其中， 所述 缺陷检测模型为基于卷积神经网络优化 算法的深度学习模型； 获取所述预训练好的缺陷检测模型的步骤 包括： 获取断路器的缺陷样本训练集； 其中， 所述缺陷样本训练集中的每个训练样本均包括： 样本图片和标签； 所述样本图片为断路器预设关键零部件不同角度、 不同光照条件的图片 和断路器不同锈蚀部位在不同角度、 不同光照条件实物图片 中的一种， 所述标签包括零部 件名称和锈蚀缺陷等级； 基于所述缺陷样本训练集， 对基于卷积神经网络优化算法的深度 学习模型进行学习训 练， 获得所述预训练好的缺陷检测模型。 8.根据权利要求7所述的一种非接触式高压断路器缺陷检测系统， 其特征在于， 所述基 于所述缺陷样本训练集， 对基于卷积神经网络优化算法的深度学习模型进行学习训练， 获 得所述预训练好的缺陷检测模型的步骤具体包括： Step.1输入参数的初始化， 包括： 图片维度、 权重参数、 训练参数以及训练集的损失率 初始化， 获得初始化的参数； Step.2加载网络模型， 包括： 采用默认模型进行预训练， 获得预训练结果； 根据预训练 结果利用优化器对默认模型进行优化， 获得优化后的网络模型； Step.3网络训练， 包括： 加载初始化的参数和优化后的网络模型进行训练， 获得中间权 重； Step.4根据前向传播计算出总损失、 分类损失、 框的回归损失、 置信度； 并据反向传播 计算出损失值对神经 元仿射变换的导数， 求出权 重变化的方向和步长， 获得 更新的权 重。 9.根据权利要求7所述的一种非接触式高压断路器缺陷检测系统， 其特征在于， 所述获 取所述预训练好的缺陷检测模型的步骤， 还 包括： 通过基于距离的聚类算法确定适合的多尺度滑动窗口， 以加速卷积神经网络模型收 敛。 10.根据权利要求7所述的一种非接触式高压断路器缺陷检测系统， 其特征在于， 所述 缺陷检测模型输出的检测结果包括 零部件是否发生变形； 获取零部件是否发生变形检测结果的步骤包括： 辨识断路器的各个关键零部件； 对包 括关键零部件的图片进 行滤波、 降噪和图像 分割预处理， 采用canny边缘检测算法对关键零 部件图像进行边缘提取； 利用深度估计结合分割办法检测出关键零部件的具体轮廓后， 通 过计算识别出关键零部件的外接轮廓矩形的长宽比， 基于长宽比判断获得关键零部件是否 发生变形的检测结果。权　利　要　求　书 2/2 页 3 CN 114757925 A 3