本發(fā)明涉及變電站設備缺陷檢測方法領域，具體是一種無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法。

背景技術：

1、隨著電力系統(tǒng)的不斷發(fā)展，變電站設備的安全穩(wěn)定運行對于整個電網(wǎng)的可靠性至關重要。傳統(tǒng)的變電站設備檢測方法主要依賴人工巡檢，效率低下且存在一定的安全風險。為了解決人工巡檢存在的問題，目前已有變電站設備缺陷檢測算法來實現(xiàn)變電站設備缺陷檢測，但現(xiàn)有的變電站設備缺陷檢測算法大多基于單一模態(tài)的數(shù)據(jù)（如圖像），且對缺陷樣本的依賴較大。然而，在實際應用中，獲取大量的缺陷樣本往往較為困難，且成本高昂。此外，單一模態(tài)的數(shù)據(jù)可能無法全面、準確地反映變電站設備的狀態(tài)。

2、近年來，無人機技術在電力巡檢領域得到了廣泛應用，通過無人機搭載多種傳感器可采集變電站設備的多模態(tài)數(shù)據(jù)，因此若能夠利用多模態(tài)數(shù)據(jù)來實現(xiàn)變電站設備缺陷檢測，無疑可解決現(xiàn)有技術基于單一模型數(shù)據(jù)實現(xiàn)變電站設備缺陷檢測方法存在的問題。

技術實現(xiàn)思路

1、本發(fā)明提供了一種無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，以解決現(xiàn)有技術變電站設備缺陷檢測算法基于單一模態(tài)數(shù)據(jù)存在的對缺陷樣本依賴大的問題。

2、為了達到上述目的，本發(fā)明所采用的技術方案為：

3、無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，包括以下步驟：

4、步驟1、通過搭載在無人機上的多個傳感器獲取變電站設備的多模態(tài)數(shù)據(jù)，并對多模態(tài)數(shù)據(jù)進行預處理；

5、步驟2、利用特征提取網(wǎng)絡處理步驟1預處理后的多模態(tài)數(shù)據(jù)，以進行特征提取和融合，由此得到特征集；然后將特征集劃分為訓練集、驗證集；

6、步驟3、采用機器學習模型，所述機器學習模型利用步驟2得到的訓練集、驗證集進行正常樣本學習，學習時通過訓練集對所述機器學習模型進行訓練，訓練后通過驗證集驗證訓練后的所述機器學習模型的預測結果并根據(jù)預測結果調整訓練參數(shù)，重復上述過程經(jīng)過多輪訓練直至機器學習模型的損失函數(shù)收斂則結束訓練，由此得到正常分類模型；

7、步驟4、將待檢測的變電站設備多模態(tài)數(shù)據(jù)經(jīng)過所述特征提取網(wǎng)絡進行特征提取后，再與所述正常分類模型進行對比，通過差異分析判斷待檢測的變電站多模態(tài)數(shù)據(jù)中是否含有缺陷特征。

8、進一步的，步驟1中，所述多模態(tài)數(shù)據(jù)包括搭載在無人機上的光學相機、多光譜相機、熱成像相機、激光雷達分別采集的變電站設備相應數(shù)據(jù)。

9、進一步的，步驟1中，預處理過程包括空間對齊、時間同步、分辨率匹配、輻射定標和歸一化、數(shù)據(jù)融合以及數(shù)據(jù)質量檢查。

10、進一步的，步驟2中，所述特征提取網(wǎng)絡為meta-transformer網(wǎng)絡。

11、進一步的，步驟2中，采用隨機劃分方式將所述特征集劃分為訓練集、驗證集，其中驗證集中必須包含異常數(shù)據(jù)。

12、進一步的，步驟3中，所述機器學習模型為swav。

13、與現(xiàn)有技術相比，本發(fā)明優(yōu)點為：

14、1.?提高檢測效率和準確性，能夠充分利用無人機采集的多模態(tài)數(shù)據(jù)或者其他方式采集的多模態(tài)數(shù)據(jù)，全面、準確地反映變電設備的狀態(tài)，從而提高檢測的準確性；自動化的檢測過程大大提高了檢測效率，減少了人工干預。

15、2.?降低對缺陷樣本的依賴，基于多模態(tài)正常樣本學習，減少了對稀缺的缺陷樣本的依賴，降低了數(shù)據(jù)采集的成本和難度。

16、3.?適應性強，在利用搭載多類傳感器的無人機采集的多模態(tài)數(shù)據(jù)時，能夠適應無人機采集數(shù)據(jù)時的各種復雜情況，如不同的飛行姿態(tài)、光照條件和拍攝角度等。

技術特征：

1.無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權利要求1所述的無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，其特征在于，步驟1中，所述多模態(tài)數(shù)據(jù)包括搭載在無人機上的光學相機、多光譜相機、熱成像相機、激光雷達分別采集的變電站設備相應數(shù)據(jù)。

3.根據(jù)權利要求1所述的無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，其特征在于，步驟1中，預處理過程包括空間對齊、時間同步、分辨率匹配、輻射定標和歸一化、數(shù)據(jù)融合以及數(shù)據(jù)質量檢查。

4.根據(jù)權利要求1所述的無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，其特征在于，步驟2中，所述特征提取網(wǎng)絡為meta-transformer網(wǎng)絡。

5.根據(jù)權利要求1所述的無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，其特征在于，步驟2中，采用隨機劃分方式將所述特征集劃分為訓練集、驗證集，其中驗證集中必須包含異常數(shù)據(jù)。

6.根據(jù)權利要求1所述的無人機場景下基于多模態(tài)輸入的變電設備缺陷檢測方法，其特征在于，步驟3中，所述機器學習模型為swav。

技術總結
本發(fā)明公開了一種適用于無人機采集數(shù)據(jù)的基于多模態(tài)正常樣本學習的變電設備缺陷檢測方法，包括以下步驟：步驟1、獲取變電站設備的多模態(tài)數(shù)據(jù)并進行預處理；步驟2、從步驟1預處理后的多模態(tài)數(shù)據(jù)提取和融合特征得到特征集；然后將特征集劃分為訓練集、驗證集；步驟3、采用機器學習模型，利用訓練集、驗證集進行正常樣本學習，得到正常分類模型；步驟4、將待檢測的變電站設備多模態(tài)數(shù)據(jù)提取特征后再與正常分類模型進行對比，通過差異分析判斷待檢測的變電站多模態(tài)數(shù)據(jù)中是否含有缺陷特征。本發(fā)明可提高檢測的準確性，減少了人工干預，降低對缺陷樣本的依賴，具有適應性強的優(yōu)點。

技術研發(fā)人員：周斌,陳晶晶,王神玉,戴永東,王茂飛,陳挺,鞠玲,章書朋,王肖,孔文卓
受保護的技術使用者：國網(wǎng)江蘇省電力有限公司泰州供電分公司
技術研發(fā)日：
技術公布日：2025/1/6