(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 202210897591.1 (22)申请日 2022.07.28 (71)申请人 杭州电力设备制造有限公司 地址 310018 浙江省杭州市钱塘新区1 1号 大街91号 (72)发明人 王丽群　俞斯昌　郑展程　 (74)专利代理 机构 北京头头知识产权代理有限 公司 11729 专利代理师 白芳仿　刘锋 (51)Int.Cl. G06V 20/52(2022.01) G06V 40/10(2022.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)H02J 13/00(2006.01) G08B 17/12(2006.01) (54)发明名称 基于多层感知框架的供电设备隐患诊断方 法及装置 (57)摘要 本发明的实施例公开了一种基于多层感知 框架的供电设备隐患诊断方法及装置， 涉及供电 安全技术领域。 所述方法包括： 获取供电设备的 待识别图片； 利用预先构建的基于目标识别yolo 算法框架的图像目标识别模型对图片进行检测； 若有烟雾， 则利用所述图像目标识别模型检测出 图片中烟雾部分的局部图片、 以及图片中动物闯 入或人误入的局部图片， 并输入图像卷积神经网 络， 得到图片的表达； 获取供电设备的固有特征 参数； 根据所述固有特征参数和所述图片的表 达， 采用MLP算法计算烟雾造成的原因是内因或 外因。 本发 明实施例在对烟雾的产生进行实时监 测的同时， 对烟雾产生原因给出初步诊断， 便于 工作人员针对性检修， 有效减少人力和物力资源 的浪费。 权利要求书2页 说明书9页 附图3页 CN 115294521 A 2022.11.04 CN 115294521 A 1.一种基于多层感知框架的供电设备隐患诊断方法， 其特 征在于， 包括： 获取供电设备的待识别图片； 利用预先构建的基于目标识别yolo算法框架的图像目标识别模型对所述待识别图片 进行检测， 判断有无烟雾； 若有烟雾， 则利用所述图像目标识别模型检测出图片中烟雾部分的局部 图片、 以及图 片中动物闯入或人误入的局部图片； 将检测出的图片中烟雾部分的局部图片、 以及图片中动物闯入或人误入的局部图片输 入Inception图像卷积神经网络， 得到图片的表达， 所述Inception图像卷积神经网络去掉 softmax层和全连接层， 在池化层后加上全连接层； 获取供电设备的固有特 征参数； 根据所述固有特征参数和所述图片的表达， 采用MLP算法计算烟雾造成的原因是内因 或外因。 2.根据权利要求1所述的方法， 其特 征在于， 所述图像目标识别模型的构建包括： 构建图像模型数据集， 该数据集包括监控设备拍摄的烟雾图像、 动物闯入的图像、 以及 人误入的图像； 利用包括旋转、 反射变换、 以及尺度变换的数据增强技术来丰富图像训练集， 增加数据 样本数量； 利用标记工具对整理好的图像数据进行标记， 针对不同目标分别标记出烟雾、 老鼠和 人， 生成yo lo格式的标注文件； 所述图像目标识别模型是基于yolov3模型的改进， 网络的特征提取部分： 利用 darknet‑53网络作为基础网络， 主要包括1个卷积层单元、 1个残差模块、 1个全 连接层、 以及 1个输出层， 其中卷积层单元由1个4维卷积层 +一个BN层+1个Leaky  Relu激活函数构成， 残 差模块由1个填充层+1个上述卷积层单元+1个Compose组合单元构成， 其中Compose组合单 元包含N个上述卷积层单 元构成的残差网络； 所述图像目标识别模型的网络的采样输出部分： 对图像的特征进行上采样和连接， 之 后输出， 该部分的输入便是 所述dark net‑53网络的输出； 损失函数的计算， 包 含坐标误差、 IOU误差以及分类误差； 通过迭代直至模型收敛， 保存yo lo网络模型的参数。 3.根据权利要求1所述的方法， 其特征在于， 所述供电设备的固有特征参数包含正常运 行状态下 的数据以及出现烟雾状态下 的数据， 具体数据包括： 设备负荷、 设备使用时长、 设 备检修次数、 事故间隔时间、 以及设备历史平均故障率。 4.根据权利要求1所述的方法， 其特征在于， 所述Inception图像卷积神经网络的全连 接层的输出为32个网络节点， 输出节点的数目为图片维度的数目。 5.根据权利要求1所述的方法， 其特征在于， 所述MLP算法包含2层隐藏层， 一层包含16 个神经元， 一层包 含4个神经 元， 输入个数为69， 隐藏层激活函数选用sigmo id函数。 6.一种基于多层感知框架的供电设备隐患诊断装置， 其特 征在于， 包括： 第一获取模块， 用于获取 供电设备的待识别图片； 检测模块， 用于利用预先构建的基于目标识别yolo算法框架的图像目标识别 模型对所 述待识别图片进行检测， 判断有无烟雾；权　利　要　求　书 1/2 页 2 CN 115294521 A 2输出模块， 用于若有烟雾， 则利用所述图像目标识别模型检测出图片中烟雾部分的局 部图片、 以及图片中动物闯入或人误入的局部图片； 卷积模块， 用于将检测出的图片中烟雾部分的局部 图片、 以及图片中动物闯入或人误 入的局部图片输入Inception图像卷积神经网络， 得到图片的表达， 所述Inception图像卷 积神经网络去掉softmax层和全连接层， 在池化层后加上全连接层； 第二获取模块， 用于获取 供电设备的固有特 征参数； 判断模块， 用于根据所述固有特征参数和所述图片的表达， 采用MLP算法计算烟雾造成 的原因是内因或外因。 7.根据权利要求6所述的装置， 其特 征在于， 所述图像目标识别模型的构建包括： 构建图像模型数据集， 该数据集包括监控设备拍摄的烟雾图像、 动物闯入的图像、 以及 人误入的图像； 利用包括旋转、 反射变换、 以及尺度变换的数据增强技术来丰富图像训练集， 增加数据 样本数量； 利用标记工具对整理好的图像数据进行标记， 针对不同目标分别标记出烟雾、 老鼠和 人， 生成yo lo格式的标注文件； 所述图像目标识别模型是基于yolov3模型的改进， 网络的特征提取部分： 利用 darknet‑53网络作为基础网络， 主要包括1个卷积层单元、 1个残差模块、 1个全 连接层、 以及 1个输出层， 其中卷积层单元由1个4维卷积层 +一个BN层+1个Leaky  Relu激活函数构成， 残 差模块由1个填充层+1个上述卷积层单元+1个Compose组合单元构成， 其中Compose组合单 元包含N个上述卷积层单 元构成的残差网络； 所述图像目标识别模型的网络的采样输出部分： 对图像的特征进行上采样和连接， 之 后输出， 该部分的输入便是 所述dark net‑53网络的输出； 损失函数的计算， 包 含坐标误差、 IOU误差以及分类误差； 通过迭代直至模型收敛， 保存yo lo网络模型的参数。 8.根据权利要求6所述的装置， 其特征在于， 所述供电设备的固有特征参数包含正常运 行状态下 的数据以及出现烟雾状态下 的数据， 具体数据包括： 设备负荷、 设备使用时长、 设 备检修次数、 事故间隔时间、 以及设备历史平均故障率。 9.一种电子设备， 其特征在于， 所述电子设备包括： 壳体、 处理器、 存储器、 电路板和电 源电路， 其中， 电路板安置在壳体 围成的空间内部， 处理器和存储器设置在电路板上； 电源 电路， 用于为上述电子 设备的各个电路或器件供电； 存储器用于存储 可执行程序 代码； 处理 器通过读取存储器中存储的可执行程序代码来运行与可执行程序 代码对应的程序， 用于执 行上述权利要求1 ‑5任一所述的方法。 10.一种计算机可读存储介质， 其特征在于， 所述计算机可读存储介质存储有一个或者 多个程序， 所述一个或者多个程序可被一个或者多个处理器执行， 以实现上述权利要求 1‑5 任一所述的方法。权　利　要　求　书 2/2 页 3 CN 115294521 A 3