本發(fā)明涉及智能測(cè)量，并且更具體地，涉及一種用于電能計(jì)量裝置異常檢測(cè)的方法及系統(tǒng)。

背景技術(shù)：

1、電能計(jì)量裝置是指包括電能表、電壓傳感器、電流傳感器以及其二次回路等一系列電能硬件設(shè)備在內(nèi)的總稱，是電力供需雙方發(fā)生經(jīng)濟(jì)關(guān)系的主要依托，對(duì)其進(jìn)行周期性現(xiàn)場(chǎng)檢測(cè)是該類設(shè)備運(yùn)維的重要內(nèi)容，對(duì)于保護(hù)用戶的用電安全、保障電力系統(tǒng)的安全、穩(wěn)定和可靠運(yùn)行具有重要意義。

2、目前用戶側(cè)電力計(jì)量裝置的日常維護(hù)與異常檢測(cè)主要依賴專業(yè)人員上門，存在現(xiàn)場(chǎng)檢驗(yàn)效率低、周期檢定任務(wù)繁重、嚴(yán)重依賴人工經(jīng)驗(yàn)等問題。同時(shí)，電能計(jì)量現(xiàn)場(chǎng)工作需要盡可能保證用戶的正常用電，往往是在帶電情況下進(jìn)行，對(duì)人員技能水平和檢測(cè)檢驗(yàn)裝置都有很高的要求，一旦不能及時(shí)發(fā)現(xiàn)電能計(jì)量裝置故障或竊電行為，可能造成安全隱患與經(jīng)濟(jì)損失。傳統(tǒng)計(jì)量裝置異常檢測(cè)多以數(shù)據(jù)分析為主，未充分利用現(xiàn)場(chǎng)運(yùn)維或圖像建檔期間掌握的圖像信息。

3、電能計(jì)量裝置異常圖像包含多個(gè)形態(tài)、尺寸不同的設(shè)備，特征信息復(fù)雜，且拍攝現(xiàn)場(chǎng)環(huán)境不一，圖像分辨率不統(tǒng)一等，造成數(shù)據(jù)集類內(nèi)差異較大。此外，圖像中還存在接線密集區(qū)域電線重疊和遮擋、部分檢測(cè)目標(biāo)較為隱蔽微小等問題，導(dǎo)致現(xiàn)有模型和檢測(cè)技術(shù)難以滿足對(duì)電能計(jì)量裝置的檢測(cè)需求。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問題，本發(fā)明提出了一種用于電能計(jì)量裝置異常檢測(cè)的方法，包括：

2、基于電網(wǎng)巡檢數(shù)據(jù)，構(gòu)建電能計(jì)量裝置的異常圖像數(shù)據(jù)集；

3、對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣，構(gòu)建所述電能計(jì)量裝置的異常圖像增廣數(shù)據(jù)集；

4、使用所述異常圖像增廣數(shù)據(jù)集，對(duì)訓(xùn)練模型進(jìn)行訓(xùn)練，選取出最優(yōu)權(quán)重的訓(xùn)練模型作為異常檢測(cè)模型；

5、基于所述異常檢測(cè)模型，根據(jù)待檢測(cè)電能計(jì)量裝置的待檢測(cè)圖像，對(duì)所述待檢測(cè)電能計(jì)量裝置的異常進(jìn)行檢測(cè)。

6、可選的，基于電網(wǎng)巡檢數(shù)據(jù)，構(gòu)建電能計(jì)量裝置的異常圖像數(shù)據(jù)集，包括：

7、篩選出所述電網(wǎng)巡檢數(shù)據(jù)中含有電能計(jì)量裝置異常的圖像數(shù)據(jù)，對(duì)所述圖像數(shù)據(jù)依次進(jìn)行篩選和清洗處理，以去除所述圖像數(shù)據(jù)中的低質(zhì)量數(shù)據(jù)，得到異常圖像數(shù)據(jù)；

8、對(duì)異常圖像數(shù)據(jù)進(jìn)行分類標(biāo)記，并定義所述異常圖像數(shù)據(jù)的異常類型，建立yolo格式數(shù)據(jù)集；

9、將所述yolo格式數(shù)據(jù)集，按照8：1：1的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，基于所述訓(xùn)練集、驗(yàn)證集和測(cè)試集，構(gòu)建出電能計(jì)量裝置的異常圖像數(shù)據(jù)集。

10、可選的，使用可微分的自動(dòng)數(shù)據(jù)增廣算法dada，對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣。

11、可選的，對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣，包括：

12、按照最優(yōu)數(shù)據(jù)增廣策略的概率與幅值，對(duì)所述最優(yōu)數(shù)據(jù)增廣策略中的子策略進(jìn)行采樣，基于采樣的子策略，對(duì)異常圖像數(shù)據(jù)集中每個(gè)異常圖像數(shù)據(jù)進(jìn)行多次自動(dòng)增廣。

13、可選的，訓(xùn)練模型，包括：改進(jìn)的yolov5l模型；

14、其中，將原始yolov5l模型的非極大值抑制模塊替換為柔和的非極大值抑制模塊，且將原始yolov5l模型的損失函數(shù)替換為nwd損失函數(shù)，得到改進(jìn)的yolov5l模型。

15、可選的，方法還包括：

16、確定異常檢測(cè)模型的性能評(píng)判指標(biāo)值，基于所述性能評(píng)判指標(biāo)值，確定異常檢測(cè)模型的性能，基于確定的性能結(jié)果，對(duì)所述異常檢測(cè)模型的模型參數(shù)進(jìn)行調(diào)整，以對(duì)異常檢測(cè)模型的性能進(jìn)行優(yōu)化；

17、所述性能評(píng)判指標(biāo)值，包括：

18、平均精度均值，精確度值、召回率值和f1值。

19、可選的，對(duì)待檢測(cè)電能計(jì)量裝置的異常檢測(cè)結(jié)果，包括：異常的類別、檢測(cè)框和置信度。

20、再一方面，本發(fā)明還提出了一種用于電能計(jì)量裝置異常檢測(cè)的系統(tǒng)，包括：

21、數(shù)據(jù)采集單元，用于基于電網(wǎng)巡檢數(shù)據(jù)，構(gòu)建電能計(jì)量裝置的異常圖像數(shù)據(jù)集；

22、數(shù)據(jù)處理單元，用于對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣，構(gòu)建所述電能計(jì)量裝置的異常圖像增廣數(shù)據(jù)集；

23、模型訓(xùn)練單元，用于使用所述異常圖像增廣數(shù)據(jù)集，對(duì)訓(xùn)練模型進(jìn)行訓(xùn)練，選取出最優(yōu)權(quán)重的訓(xùn)練模型作為異常檢測(cè)模型；

24、檢測(cè)單元，用于基于所述異常檢測(cè)模型，根據(jù)待檢測(cè)電能計(jì)量裝置的待檢測(cè)圖像，對(duì)所述待檢測(cè)電能計(jì)量裝置的異常進(jìn)行檢測(cè)。

25、可選的，數(shù)據(jù)采集單元基于電網(wǎng)巡檢數(shù)據(jù)，構(gòu)建電能計(jì)量裝置的異常圖像數(shù)據(jù)集，包括：

26、篩選出所述電網(wǎng)巡檢數(shù)據(jù)中含有電能計(jì)量裝置異常的圖像數(shù)據(jù)，對(duì)所述圖像數(shù)據(jù)依次進(jìn)行篩選和清洗處理，以去除所述圖像數(shù)據(jù)中的低質(zhì)量數(shù)據(jù)，得到異常圖像數(shù)據(jù)；

27、對(duì)異常圖像數(shù)據(jù)進(jìn)行分類標(biāo)記，并定義所述異常圖像數(shù)據(jù)的異常類型，建立yolo格式數(shù)據(jù)集；

28、將所述yolo格式數(shù)據(jù)集，按照8：1：1的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，基于所述訓(xùn)練集、驗(yàn)證集和測(cè)試集，構(gòu)建出電能計(jì)量裝置的異常圖像數(shù)據(jù)集。

29、可選的，數(shù)據(jù)處理單元使用可微分的自動(dòng)數(shù)據(jù)增廣算法dada，對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣。

30、可選的，對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣，包括：

31、按照最優(yōu)數(shù)據(jù)增廣策略的概率與幅值，對(duì)所述最優(yōu)數(shù)據(jù)增廣策略中的子策略進(jìn)行采樣，基于采樣的子策略，對(duì)異常圖像數(shù)據(jù)集中每個(gè)異常圖像數(shù)據(jù)進(jìn)行多次自動(dòng)增廣。

32、可選的，訓(xùn)練模型，包括：改進(jìn)的yolov5l模型；

33、其中，將原始yolov5l模型的非極大值抑制模塊替換為柔和的非極大值抑制模塊，且將原始yolov5l模型的損失函數(shù)替換為nwd損失函數(shù)，得到改進(jìn)的yolov5l模型。

34、可選的，模型訓(xùn)練單元還用于：

35、確定異常檢測(cè)模型的性能評(píng)判指標(biāo)值，基于所述性能評(píng)判指標(biāo)值，確定異常檢測(cè)模型的性能，基于確定的性能結(jié)果，對(duì)所述異常檢測(cè)模型的模型參數(shù)進(jìn)行調(diào)整，以對(duì)異常檢測(cè)模型的性能進(jìn)行優(yōu)化；

36、所述性能評(píng)判指標(biāo)值，包括：

37、平均精度均值，精確度值、召回率值和f1值。

38、可選的，對(duì)待檢測(cè)電能計(jì)量裝置的異常檢測(cè)結(jié)果，包括：異常的類別、檢測(cè)框和置信度。

39、再一方面，本發(fā)明還提供了一種計(jì)算設(shè)備，包括：一個(gè)或多個(gè)處理器；

40、處理器，用于執(zhí)行一個(gè)或多個(gè)程序；

41、當(dāng)所述一個(gè)或多個(gè)程序被所述一個(gè)或多個(gè)處理器執(zhí)行時(shí)，實(shí)現(xiàn)如上述所述的方法。

42、再一方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被執(zhí)行時(shí)，實(shí)現(xiàn)如上述所述的方法。

43、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果為：

44、本發(fā)明提供了一種用于電能計(jì)量裝置異常檢測(cè)的方法，包括：基于電網(wǎng)巡檢數(shù)據(jù)，構(gòu)建電能計(jì)量裝置的異常圖像數(shù)據(jù)集；對(duì)所述異常圖像數(shù)據(jù)集，進(jìn)行自動(dòng)數(shù)據(jù)增廣，構(gòu)建所述電能計(jì)量裝置的異常圖像增廣數(shù)據(jù)集；使用所述異常圖像增廣數(shù)據(jù)集，對(duì)訓(xùn)練模型進(jìn)行訓(xùn)練，選取出最優(yōu)權(quán)重的訓(xùn)練模型作為異常檢測(cè)模型；基于所述異常檢測(cè)模型，根據(jù)待檢測(cè)電能計(jì)量裝置的待檢測(cè)圖像，對(duì)所述待檢測(cè)電能計(jì)量裝置的異常進(jìn)行檢測(cè)。本發(fā)明的應(yīng)用，提高了檢測(cè)的準(zhǔn)確性和魯棒性，降低了對(duì)檢測(cè)目標(biāo)密集區(qū)域的漏檢率。