基于图像识别技术的变电站作业防控方法与流程

1.本技术涉及智能化变电站技术领域，并且更具体地，涉及一种基于图像识别技术的变电站作业防控方法。


背景技术：

2.随着电力系统的发展和变电站的智能化程度提高，变电站作业的安全性和效率成为了重要关注的领域，其中，作业防控是保障变电站设备正常运行和作业人员安全的重要环节。
3.传统的变电站作业防控方案主要依靠人工巡检和定期维护，需要工作人员逐一检查设备的外观情况。然而，这种方案效率低下，耗时长，且容易出现疏漏和错误。并且，人工巡检很大程度上依赖于工作人员的主观判断，容易受到个人经验和情绪的影响，导致误判和遗漏，尤其是对于一些微小的损坏或隐患，很容易被忽视或误判为正常情况，从而使得变电站作业防控效果降低，增加了安全隐患。现有的一些方案还通过基于图像识别技术来完成对于变电站作业的防控，但是，由于变电站的环境复杂，采集的图像质量会受到多种因素的干扰影响，从而降低了对于设备的一些微小损坏或隐患的检测精度。
4.因此，期望一种优化的基于图像识别技术的变电站作业防控方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种基于图像识别技术的变电站作业防控方法，其通过部署于变电站内的摄像头采集待识别设备的设备图像；对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征；以及，基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏。这样，能够避免人工巡检以及图像噪声等因素的干扰，从而提高对于设备破损异常情况检测的精准度，并及时发出警报，以避免潜在的安全隐患，提高作业安全性和效率。
6.第一方面，提供了一种基于图像识别技术的变电站作业防控方法，其包括：通过部署于变电站内的摄像头采集待识别设备的设备图像；对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征；以及基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏。
附图说明
7.为了更清楚地说明本技术实施例的技术方案，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技术的一些实施例，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。
8.图1为根据本技术实施例的基于图像识别技术的变电站作业防控方法的流程图。
9.图2为根据本技术实施例的基于图像识别技术的变电站作业防控方法的架构示意
图。
10.图3为根据本技术实施例的基于图像识别技术的变电站作业防控方法中步骤120的子步骤的流程图。
11.图4为根据本技术实施例的基于图像识别技术的变电站作业防控系统的框图。
12.图5为根据本技术实施例的基于图像识别技术的变电站作业防控方法的场景示意图。
具体实施方式
13.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
14.除非另有说明，本技术实施例所使用的所有技术和科学术语与本技术的技术领域的技术人员通常理解的含义相同。本技术中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本技术的范围。
15.在本技术实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
16.需要说明的是，本技术实施例所涉及的术语“第一\第二\第三”仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本技术的实施例可以除了在这里图示或描述的那些以外的顺序实施。
17.应可以理解，变电站是电力系统中的重要组成部分，主要用于电能的传输和分配，起到将高压输电线路的电能转换为低压电能，以供给用户使用的作用。
18.变电站的一般作业包括：1.输电线路接入，变电站接收高压输电线路传输的电能，通过变压器将电能转换为适合用户使用的低压电能。作业人员需要根据需要将输电线路接入到变电站的主变压器或配电变压器。2.变压器运行和维护，变压器是变电站的核心设备，用于电能的转换和分配。作业人员需要监控变压器的运行状态，包括温度、油位、冷却系统等，确保变压器正常工作。同时，还需要进行定期的维护和检修，如油浸式变压器的油维护、绝缘检测等。3.开关设备操作，变电站中有各种开关设备，如断路器、负荷开关等，用于控制电能的传输和分配。作业人员需要根据需要操作这些开关设备，确保电能的正常传输和分配。4.保护装置检测和维护，变电站中的保护装置用于监测电力系统的异常情况，并采取相应的保护措施，以确保设备和人员的安全。作业人员需要对保护装置进行定期的检测和维护，确保其可靠性和准确性。5.安全措施和事故处理，作业人员需要遵守各项安全规定和操作规程，确保自身和他人的安全。同时，当发生事故或异常情况时，需要及时采取相应的应急措施，并进行事故处理和调查。
19.变电站作业涉及到电能的传输、转换和分配，以及设备的运行、维护和保护等方面。作业人员需要具备相关的专业知识和技能，严格遵守安全规定，确保变电站的正常运行
和供电可靠性。
20.进一步地，变电站是电力系统的重要组成部分，涉及高压电力设备和复杂的电气系统。作业过程中存在一定的风险，如电击、火灾、爆炸等。因此，必须采取必要的防控措施来确保作业人员的安全。
21.变电站作业涉及到大量的设备运行和维护工作，包括输电线路接入、变压器运行和维护、开关设备操作、保护装置检测和维护等。通过合理的防控措施，可以提高作业效率，减少作业时间和资源浪费。变电站设备是电力系统的核心部件，设备的正常运行对于电力系统的稳定运行至关重要。通过防控措施，可以及时发现设备的异常情况，进行维修和保养，避免设备故障对电力系统造成的影响。变电站作业中存在一定的潜在风险，如设备故障、操作失误等，可能导致事故的发生。通过加强防控措施，可以预防事故的发生，保障变电站的安全运行。
22.因此，变电站作业防控的必要性体现在保障作业人员的安全、提高作业效率、保护设备和预防事故等方面。通过采取适当的技术和管理措施，可以有效地实现变电站作业的安全和高效运行。
23.图1为根据本技术实施例的基于图像识别技术的变电站作业防控方法的流程图。图2为根据本技术实施例的基于图像识别技术的变电站作业防控方法的架构示意图。如图1和图2所示，所述基于图像识别技术的变电站作业防控方法，包括：110，通过部署于变电站内的摄像头采集待识别设备的设备图像；120，对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征；以及，130，基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏。
24.其中，在所述步骤110中，摄像头的位置选择应考虑能够全面覆盖待识别设备，并保证图像质量清晰可见，摄像头的安装应固定可靠，避免因震动或移位导致图像模糊或无法识别。通过摄像头采集设备图像，可以实时获取设备的外观信息，无需人工巡检，提高作业效率。可以全天候监测设备状态，及时发现设备的异常情况，避免因设备损坏引发的事故风险。
25.在所述步骤120中，图像分析算法的选择应根据具体的设备特点进行优化，确保能够准确提取设备图像的纹理特征，对图像进行预处理，如去噪、增强等，以提高图像质量和分析的准确性。通过图像分析，可以提取设备图像的纹理特征，如颜色、纹路等，用于后续的损坏检测。还可以自动化地进行设备图像分析，减少人工干预，提高检测的准确性和效率。
26.在所述步骤130中，建立合适的算法模型，将设备的正常外观和损坏外观进行分类，以实现准确的损坏检测，其中，针对不同类型的设备，需要针对性地设计和训练模型，提高检测的精确度。通过基于纹理特征的分析，可以判断待识别设备的外观是否发生损坏，及时发出警报。还可以提高设备损坏的检测精度，减少漏报和误报，提高作业安全性和效率。
27.基于图像识别技术的变电站作业防控方法通过摄像头采集设备图像，进行图像分析和纹理特征提取，实现对设备外观损坏的检测，从而提高作业效率和安全性。
28.具体地，在所述步骤110中，通过部署于变电站内的摄像头采集待识别设备的设备图像。针对上述技术问题，本技术的技术构思为通过部署于变电站内的摄像头采集待识别设备的设备图像，并在后端引入图像分析和识别技术以在滤除背景干扰和进行图像增强后，自动进行所述待识别设备的外观检测，从而判断待识别设备的外观是否发生损坏。通过
这样的方式，能够避免人工巡检以及图像噪声等因素的干扰，从而提高对于设备破损异常情况检测的精准度，并及时发出警报，以避免潜在的安全隐患，提高作业安全性和效率。
29.具体地，在本技术的技术方案中，首先，获取由部署于变电站内的摄像头采集的待识别设备的设备图像。通过部署于变电站内的摄像头采集待识别设备的设备图像，在最后确定待识别设备的外观是否发生损坏方面起到了重要的作用。
30.其中，摄像头可以实时采集设备的图像，无需人工巡检，可以全天候地监测设备的外观状态。这样可以及时发现设备的异常情况，如损坏、破裂、变形等，避免因设备损坏引发的事故风险。
31.通过摄像头采集设备图像，可以大大提高作业效率。相比传统的人工巡检方式，摄像头可以同时监测多个设备，并且可以实时传输图像数据，使得设备状态的监测更加及时和准确。
32.摄像头采集的设备图像可以进行存储和分析，形成设备状态的历史记录。通过对历史数据的分析，可以发现设备的潜在问题和趋势，提前进行维护和修复，避免设备损坏带来的不可逆转的损失。
33.通过图像识别和分析技术，可以对设备图像进行自动化的损坏检测。基于设备图像的纹理特征，可以建立算法模型进行设备损坏的分类和识别，从而判断待识别设备的外观是否发生损坏，这样可以提高检测的准确性和效率。
34.具体地，在所述步骤120中，对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征。图3为根据本技术实施例的基于图像识别技术的变电站作业防控方法中步骤120的子步骤的流程图，如图3所示，对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征，包括：121，从所述待识别设备的设备图像提取设备图像前景部分；122，计算所述设备图像前景部分的方向梯度直方图；以及，123，通过基于深度神经网络模型的图像深层纹理特征提取器对所述方向梯度直方图进行特征提取以得到所述设备图像纹理特征。
35.其中，通过自动化图像分析和纹理特征提取，可以快速获取设备图像的纹理特征，无需人工干预和耗费时间，这将大大提高作业效率，减少人力资源的需求。通过实时监测设备图像并提取纹理特征，可以及时发现设备的外观损坏情况，有助于及早采取修复措施，避免设备故障引发的安全事故。通过部署摄像头采集设备图像，并通过图像分析和纹理特征提取，可以实现对设备外观的实时监测，使得设备的状态可以随时掌握，及时发现异常情况。通过基于深度神经网络模型的图像深层纹理特征提取器，可以对方向梯度直方图进行特征提取，得到更准确的设备图像纹理特征，有助于提高损坏检测的准确性，减少误判率。
36.应可以理解，由于变电站内的环境较为复杂，在进行所述设备图像的采集过程中，可能会受到各种因素的干扰，并且在图像特征分析时，还易受到图像中背景特征的干扰导致对于所述待识别设备的特征信息关注度较弱，从而影响对于该待识别设备外观检测的精准度。因此，在本技术的技术方案中，进一步从所述设备图像提取设备图像前景部分，以此来将关注度集中在所述待识别设备本身，以排除背景干扰，提高图像分析的准确性。
37.然后，考虑到若待识别设备的外观发生损坏，例如设备表面发生腐蚀、裂纹或松动等情况，则在图像的纹理端会有所呈现，因此，在本技术的技术方案中，进一步计算所述设备图像前景部分的方向梯度直方图，进而以所述方向梯度直方图来替代原始rgb图像作为
输入数据，以更为充分地捕捉到所述设备图像前景部分中有关于所述待识别设备的外观纹理特征信息。值得一提的是，这里，所述方向梯度直方图是一种用于描述图像局部纹理特征的方法，该算法将图像等划分为小尺寸的细胞空间，计算细胞内各像素点的梯度，并根据梯度分布生成细胞（hog（histogram of oriented gradient, hog），然后，在较大尺寸的块空间内统计各细胞hog分布，生成块空间hog，描述图像中的局部纹理信息。因此，使用所述方向梯度直方图替代原始rgb图像作为输入数据，可以使得特征提取器能够更为有效且容易地提取到所述方向梯度直方图中关于所述待识别设备外观的纹理信息相关的特征，而对于所述待识别设备的外观缺陷往往体现在纹理信息层面。
38.应可以理解，方向梯度直方图可以更好地描述图像的纹理特征，通过计算设备图像前景部分的方向梯度直方图，可以更充分地捕捉到设备外观纹理特征的细节，从而提高对设备图像的纹理特征分析准确性。
39.使用原始rgb图像作为输入数据时，图像中可能包含大量与设备外观无关的背景信息，这些信息可能会干扰对设备纹理特征的分析。而通过提取设备图像前景部分的方向梯度直方图，可以将注意力集中在与设备外观相关的区域，减少冗余信息的影响。
40.方向梯度直方图是一种高效的特征表示方法，相比于原始rgb图像，其所需的计算量更小。这意味着在进行图像分析和纹理特征提取时，使用方向梯度直方图可以减少计算复杂度，提高算法的执行效率。
41.也就是，使用设备图像前景部分的方向梯度直方图作为输入数据可以更充分地捕捉到设备图像前景部分中有关待识别设备的外观纹理特征信息，从而提高图像分析和纹理特征提取的准确性和效率。
42.进一步地，通过基于深度神经网络模型的图像深层纹理特征提取器对所述方向梯度直方图进行特征提取以得到所述设备图像纹理特征，包括：将所述方向梯度直方图通过基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器以得到纹理特征矩阵；以及，利用残差思想来融合所述方向梯度直方图和所述纹理特征矩阵以得到多尺度纹理特征矩阵作为所述设备图像纹理特征。
43.其中，所述深度神经网络模型为基于使用空间注意力机制的卷积神经网络模型进一步地，还考虑到在实际进行待识别设备的外观损坏检测时，应更加关注于图像中的空间位置上关于所述待识别设备的外观纹理特征而忽略与外观质量检测无关的干扰特征信息。鉴于注意力机制能够选择聚焦位置，产生更具分辨性的特征表示，且加入注意力模块后的特征会随着网络的加深产生适应性的改变。因此，在本技术的技术方案中，将所述方向梯度直方图通过基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器中进行处理，以提取出所述方向梯度直方图中聚焦于空间位置上的关于所述待识别设备的外观质量隐含特征分布信息，从而得到纹理特征矩阵。值得一提的是，这里，所述空间注意力所提取到的图像特征则反映了空间维度特征差异的权重，用来抑制或强化不同空间位置的特征，以此来提取出空间上聚焦于待识别设备的外观质量特征信息。
44.将方向梯度直方图通过基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器进行处理，可以提取出方向梯度直方图中聚焦于空间位置上的关于待识别设备的外观质量隐含特征分布信息，从而得到纹理特征矩阵。
45.使用空间注意力机制的卷积神经网络模型可以在提取纹理特征时，对图像中不同
位置的特征进行加权，将更多的注意力放在重要的空间位置上。这样可以提高纹理特征的准确性和区分度，更好地捕捉到待识别设备的外观质量信息。通过这种处理方式，得到的纹理特征矩阵可以用于后续的图像分析和损坏检测任务，提高作业防控的效果和准确性。
46.其中，空间注意力机制是一种用于图像处理和计算机视觉任务的技术，模拟了人类视觉系统在处理视觉信息时的注意力机制。空间注意力机制可以使神经网络在处理图像时更加关注重要的空间位置，从而提高任务的准确性和性能。
47.在卷积神经网络中，空间注意力机制通过引入注意力模块来实现。根据输入的图像特征图，学习到一个权重矩阵，用于指导神经网络在不同空间位置上的特征提取和加权。这样，网络可以更加聚焦于图像中具有重要信息的区域，提高对关键特征的提取能力。
48.通过空间注意力机制，神经网络可以更加准确地关注图像中的重要信息，提高对目标的识别、定位和分割等任务的性能。在图像深层纹理特征提取中，空间注意力机制可以帮助网络更好地捕捉到待识别设备的外观质量隐含特征分布信息，提高纹理特征的准确性和区分度。
49.应可以理解，由于所述方向梯度直方图可以描述图像中有关于所述待识别设备的边缘和纹理方向信息，而所述纹理特征矩阵可以捕捉图像中有关于所述待识别设备的外观纹理变化和细节特征信息。因此，在本技术的技术方案中，进一步利用残差思想来融合所述方向梯度直方图和所述纹理特征矩阵以得到多尺度纹理特征矩阵。这样，能够将所述方向梯度直方图和所述纹理特征矩阵中的互补信息结合起来，以提高所述待识别设备的外观特征表现的多样性和丰富性，从而捕捉到原始特征中未被完全表示的细微变化和差异，提高特征的判别能力以及后续对于所述待识别设备的外观损坏检测精准度。
50.应可以理解，残差思想是深度学习中的一种重要思想，用于解决深层神经网络训练过程中的梯度消失和梯度爆炸问题。它的核心思想是通过引入跳跃连接，将网络的输入与输出进行直接相加，从而构建残差块。
51.在深层神经网络中，每一层都通过学习将输入转换为输出。然而，当网络层数较多时，信息传递可能会受到阻碍，导致梯度难以有效地传播，从而影响网络的训练和性能。为了解决这个问题，残差思想提出了跳跃连接的概念。跳跃连接允许网络在层与层之间直接传递信息，将输入特征与输出特征进行相加，这样，网络可以通过学习残差来逐渐调整输入特征，使其更接近于期望的输出特征。这种方式使得网络更容易学习到残差部分，从而加速网络的训练过程，并提高网络的性能。
52.在图像处理任务中，利用残差思想可以融合不同尺度的特征信息。例如，在融合方向梯度直方图和纹理特征矩阵时，可以通过将方向梯度直方图和纹理特征矩阵进行相加，得到一个多尺度纹理特征矩阵。这样，网络可以同时利用两种特征的信息，提高对待识别设备外观质量的判断能力。
53.也就是，残差思想通过引入跳跃连接，允许网络在层与层之间直接传递信息，从而解决了深层网络训练中的梯度问题。在图像处理任务中，利用残差思想可以融合不同尺度的特征信息，提高网络的性能和准确性。
54.利用残差思想来融合方向梯度直方图和纹理特征矩阵，一方面，可以实现多尺度特征融合，方向梯度直方图和纹理特征矩阵通常具有不同的尺度和分辨率。通过利用残差思想，可以将这两种特征在不同层次的网络中进行融合，从而获得多尺度的纹理特征矩阵。
这样可以更好地捕捉到待识别设备的纹理特征，提高图像分析和纹理特征提取的准确性。
55.另一方面，可以实现梯度消失和梯度爆炸问题的缓解，在深层网络中，梯度消失和梯度爆炸是常见的问题，会导致网络难以收敛或者过拟合。通过引入残差连接，可以使梯度更容易地传播，避免梯度在网络中逐渐减小或增大。这有助于改善网络的训练过程，提高模型的收敛性和泛化能力。
56.再一方面，可以进行信息传递的增强，残差连接允许网络直接传递输入特征到输出特征，这样可以增强信息的传递和保留。通过将方向梯度直方图和纹理特征矩阵与残差连接相结合，可以使网络更好地利用输入特征的信息，提高对设备外观纹理特征的提取能力。
57.具体地，在所述步骤130中，基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏，包括：将所述多尺度纹理特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待识别设备的外观是否发生损坏。
58.进而，再将所述多尺度纹理特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待识别设备的外观是否发生损坏。也就是说，以所述待识别设备的外观多尺度特征信息来进行分类处理，从而对于该待识别设备的外观是否发生损坏进行有效检测，并及时发出警报，以避免潜在的安全隐患。
59.进一步地，在本技术中，所述基于图像识别技术的变电站作业防控方法，还包括训练步骤：用于对所述基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器和所述分类器进行训练。所述训练步骤，包括：获取训练数据，所述训练数据包括训练待识别设备的设备图像，以及，所述待识别设备的外观是否发生损坏的真实值；从所述训练设备图像提取训练设备图像前景部分；计算所述训练设备图像前景部分的训练方向梯度直方图；将所述训练方向梯度直方图通过所述基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器以得到训练纹理特征矩阵；利用残差思想来融合所述训练方向梯度直方图和所述训练纹理特征矩阵以得到训练多尺度纹理特征矩阵；将所述训练多尺度纹理特征矩阵通过所述分类器以得到分类损失函数值；将所述训练方向梯度直方图展开为方向梯度直方图展开像素向量，并将所述训练纹理特征矩阵展开为纹理特征展开向量；计算所述方向梯度直方图展开像素向量和所述纹理特征展开向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值；以及，以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器和所述分类器进行训练。
60.其中，将所述训练多尺度纹理特征矩阵通过所述分类器以得到分类损失函数值，包括：将所述训练多尺度纹理特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及，将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。
61.特别地，在本技术的技术方案中，在利用残差思想来融合所述方向梯度直方图和所述纹理特征矩阵以得到多尺度纹理特征矩阵时，所述方向梯度直方图所蕴含的纹理信息通过计算所述设备图像前景部分中各个像素点的梯度得到，而所述纹理特征矩阵中所蕴含的纹理信息是通过对所述方向梯度直方图进行基于卷积核的纹理特征过滤得到，因此，所
述纹理特征矩阵和所述方向梯度直方图在特征表达的梯次和深度层面均存在差异，即，所述纹理特征矩阵和所述方向梯度直方图存在特征表达结构性错配。如果直接以按位置加权和的方式来融合所述方向梯度直方图和所述纹理特征矩阵以得到多尺度纹理特征矩阵，所述方向梯度直方图和所述纹理特征矩阵之间的特征表达结构性失调会使得所述多尺度纹理特征矩阵的高维特征空间内的高维特征流形表达的几何单调性较差，以影响其通过分类器的分类回归的精准度。
62.具体地，本技术的申请人针对所述方向梯度直方图展开后得到的方向梯度直方图展开像素向量，例如记为和所述纹理特征矩阵展开后得到的纹理特征展开向量，例如记为，引入共有流形隐式相似性因数作为损失函数，具体表示为：以如下损失公式计算所述方向梯度直方图展开像素向量和所述纹理特征展开向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值；其中，所述损失公式为：
63.其中，和分别是所述方向梯度直方图展开像素向量和所述纹理特征展开向量，是所述纹理特征展开向量的转置向量，表示向量的二范数，且表示矩阵的frobenius范数的平方根，所述方向梯度直方图展开像素向量和所述纹理特征展开向量均为列向量形式，和为权重超参数，表示向量乘法，表示按位置点乘，表示按位置差分，为所述共有流形隐式相似性损失函数值。
64.这里，所述共有流形隐式相似性因数可以以所述方向梯度直方图展开像素向量和所述纹理特征展开向量间的结构化关联来表示各自特征流形在交叉维度下的共有流形，并以相同因数化权重来共享所述方向梯度直方图展开像素向量和所述纹理特征展开向量的差异性、对应性、关联性等流形结构性因素的共同约束，从而对依赖共有流形的几何衍生结构表示的分布相似性进行度量，以实现特征分布转移的非线性几何单调性，提升所述方向梯度直方图相对于所述纹理特征矩阵的高维特征流形表达的几何单调性，以改进所述方向梯度直方图和所述纹理特征矩阵的融合特征的表达效果。这样，能够对于待识别设备的外观质量进行检测，从而判断待识别设备的外观是否发生损坏，以此来避免人工巡检以及图像噪声等因素的干扰，从而提高对于设备破损异常情况检测的精准度，并及时发出警报，以避免潜在的安全隐患，提高作业安全性和效率。
65.综上，基于本技术实施例的基于图像识别技术的变电站作业防控方法100被阐明，其通过部署于变电站内的摄像头采集待识别设备的设备图像，并在后端引入图像分析和识别技术以在滤除背景干扰和进行图像增强后，自动进行所述待识别设备的外观检测，从而判断待识别设备的外观是否发生损坏。通过这样的方式，能够避免人工巡检以及图像噪声等因素的干扰，从而提高对于设备破损异常情况检测的精准度，并及时发出警报，以避免潜在的安全隐患，提高作业安全性和效率。
66.在本技术的一个实施例中，图4为根据本技术实施例的基于图像识别技术的变电
站作业防控系统的框图。如图4所示，根据本技术实施例的基于图像识别技术的变电站作业防控系统200，包括：图像采集模块210，用于通过部署于变电站内的摄像头采集待识别设备的设备图像；图像分析模块220，用于对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征；以及，外观确定模块230，用于基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏。
67.这里，本领域技术人员可以理解，上述基于图像识别技术的变电站作业防控系统中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的基于图像识别技术的变电站作业防控方法的描述中得到了详细介绍，并因此，将省略其重复描述。
68.如上所述，根据本技术实施例的基于图像识别技术的变电站作业防控系统200可以实现在各种终端设备中，例如用于基于图像识别技术的变电站作业防控的服务器等。在一个示例中，根据本技术实施例的基于图像识别技术的变电站作业防控系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于图像识别技术的变电站作业防控系统200可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于图像识别技术的变电站作业防控系统200同样可以是该终端设备的众多硬件模块之一。
69.替换地，在另一示例中，该基于图像识别技术的变电站作业防控系统200与该终端设备也可以是分立的设备，并且基于图像识别技术的变电站作业防控系统200可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
70.图5为根据本技术实施例的基于图像识别技术的变电站作业防控方法的场景示意图。如图5所示，在该应用场景中，首先，通过部署于变电站内的摄像头采集待识别设备的设备图像（例如，如图5中所示意的c）；然后，将获取的待识别设备的设备图像输入至部署有基于图像识别技术的变电站作业防控算法的服务器（例如，如图5中所示意的s）中，其中所述服务器能够基于图像识别技术的变电站作业防控算法对所述待识别设备的设备图像进行处理，以确定待识别设备的外观是否发生损坏。
71.还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
72.提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
73.为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

技术特征：
1.一种基于图像识别技术的变电站作业防控方法，其特征在于，包括：通过部署于变电站内的摄像头采集待识别设备的设备图像；对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征；以及基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏。2.根据权利要求1所述的基于图像识别技术的变电站作业防控方法，其特征在于，对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征，包括：从所述待识别设备的设备图像提取设备图像前景部分；计算所述设备图像前景部分的方向梯度直方图；以及通过基于深度神经网络模型的图像深层纹理特征提取器对所述方向梯度直方图进行特征提取以得到所述设备图像纹理特征。3.根据权利要求2所述的基于图像识别技术的变电站作业防控方法，其特征在于，所述深度神经网络模型为基于使用空间注意力机制的卷积神经网络模型。4.根据权利要求3所述的基于图像识别技术的变电站作业防控方法，其特征在于，通过基于深度神经网络模型的图像深层纹理特征提取器对所述方向梯度直方图进行特征提取以得到所述设备图像纹理特征，包括：将所述方向梯度直方图通过基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器以得到纹理特征矩阵；以及利用残差思想来融合所述方向梯度直方图和所述纹理特征矩阵以得到多尺度纹理特征矩阵作为所述设备图像纹理特征。5.根据权利要求4所述的基于图像识别技术的变电站作业防控方法，其特征在于，基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏，包括：将所述多尺度纹理特征矩阵通过分类器以得到分类结果，所述分类结果用于表示待识别设备的外观是否发生损坏。6.根据权利要求5所述的基于图像识别技术的变电站作业防控方法，其特征在于，还包括训练步骤：用于对所述基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器和所述分类器进行训练。7.根据权利要求6所述的基于图像识别技术的变电站作业防控方法，其特征在于，所述训练步骤，包括：获取训练数据，所述训练数据包括训练待识别设备的设备图像，以及，所述待识别设备的外观是否发生损坏的真实值；从所述训练设备图像提取训练设备图像前景部分；计算所述训练设备图像前景部分的训练方向梯度直方图；将所述训练方向梯度直方图通过所述基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器以得到训练纹理特征矩阵；利用残差思想来融合所述训练方向梯度直方图和所述训练纹理特征矩阵以得到训练多尺度纹理特征矩阵；以及将所述训练多尺度纹理特征矩阵通过所述分类器以得到分类损失函数值；将所述训练方向梯度直方图展开为方向梯度直方图展开像素向量，并将所述训练纹理特征矩阵展开为纹理特征展开向量；
计算所述方向梯度直方图展开像素向量和所述纹理特征展开向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值；以及以所述分类损失函数值和所述共有流形隐式相似性损失函数值的加权和作为损失函数值，并通过梯度下降的方向传播来对所述基于使用空间注意力机制的卷积神经网络模型的图像深层纹理特征提取器和所述分类器进行训练。8.根据权利要求7所述的基于图像识别技术的变电站作业防控方法，其特征在于，将所述训练多尺度纹理特征矩阵通过所述分类器以得到分类损失函数值，包括：将所述训练多尺度纹理特征矩阵按照行向量或列向量展开为分类特征向量；使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。9.根据权利要求8所述的基于图像识别技术的变电站作业防控方法，其特征在于，计算所述方向梯度直方图展开像素向量和所述纹理特征展开向量的共有流形隐式相似性因数以得到共有流形隐式相似性损失函数值，包括：以如下损失公式计算所述方向梯度直方图展开像素向量和所述纹理特征展开向量的共有流形隐式相似性因数以得到所述共有流形隐式相似性损失函数值；其中，所述损失公式为：,其中，和分别是所述方向梯度直方图展开像素向量和所述纹理特征展开向量，是所述纹理特征展开向量的转置向量，表示向量的二范数，且表示矩阵的frobenius范数的平方根，所述方向梯度直方图展开像素向量和所述纹理特征展开向量均为列向量形式，和为权重超参数，表示向量乘法，表示按位置点乘，表示按位置差分，为所述共有流形隐式相似性损失函数值。

技术总结
一种基于图像识别技术的变电站作业防控方法，其通过部署于变电站内的摄像头采集待识别设备的设备图像；对所述待识别设备的设备图像进行图像分析以得到设备图像纹理特征；以及，基于所述设备图像纹理特征，确定待识别设备的外观是否发生损坏。这样，能够避免人工巡检以及图像噪声等因素的干扰，从而提高对于设备破损异常情况检测的精准度，并及时发出警报，以避免潜在的安全隐患，提高作业安全性和效率。效率。效率。


技术研发人员：徐超峰 訾泉 胡昌师 杨东 贾胜凯 常青春 韩遨宇 张宫营 孙红松 崔琳 张志伟 黄侠
受保护的技术使用者：国网安徽省电力有限公司宿州供电公司
技术研发日：2023.08.14
技术公布日：2023/9/13