(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 202210232945.0 (22)申请日 2022.03.09 (71)申请人 国网四川省电力公司营销服 务中心 地址 610000 四川省成 都市武侯区人民南 路四段50号1楼 (72)发明人 李琪林　严平　彭德中　史强　 李金嵩　蔡君懿　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 梁田 (51)Int.Cl. G06V 10/25(2022.01) G06V 10/762(2022.01) G06V 10/774(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 一种基于互感器 状态监测方法及装置 (57)摘要 本发明公开了一种基于互感器状态监测方 法及装置， 该方法通过超像素分割算法从所述训 练互感器红外图像中提取校验故障区域样本， 并 对校验故障区域样本进行打标， 在打标完成后， 将校验故障区域样本和对应的标签输入到多尺 度变换器深度神经网络中进行模 型训练， 以得到 互感器故障状态监测模型， 通过训练得到的互感 器故障状态 监测模型对故障位置进行分类识别， 从而确定互感器的运行状态信息， 提高互感器状 态监测的准确性。 权利要求书3页 说明书8页 附图4页 CN 114581654 A 2022.06.03 CN 114581654 A 1.一种基于互感器 状态监测方法， 其特 征在于， 包括： 获取训练互感器红外图像， 并通过超像素分割算法从所述训练互感器红外图像中提取 校验故障区域样本； 对提取的校验故障区域样本打标， 得到样本标签； 将所述校验故障区样本和对应的样本标签作为训练样本， 输入到多尺度变换深度神经 网络模型中进行迭代训练， 获取模型输出 结果； 计算所述模型输出结果和对应的样本标签的损失值， 当计算得到的损失值在预设损失 阈值范围内， 则停止训练， 并将对应的多尺度变换深度神经网络模型作为互感器故障状态 监测模型； 通过所述互感器故障状态监测模型对待测互感器红外图像进行识别， 获取互感器状态 监测结果。 2.根据权利要求1所述的一种基于互感器状态监测方法， 其特征在于， 所述获取训练互 感器红外图像， 并通过超像素分割算法从所述训练互感器红外图像中提取校验故障区域样 本， 包括： 获取训练互感器红外 图像， 并对所述训练互感器红外 图像进行二值化处理， 得到二值 化图像； 通过超像素分割算法确定所述二值化图像中的故障点， 并以故障点为中心查找包含故 障点的连通区域， 从所述连通区域的最小外接矩形边缘出发， 以宽高比为步长移动， 当最小 外接矩形中灰度值为0的像素个数与最小外接矩形对应的总像素个数之比大于预设比值， 则停止移动， 获取对应的图像区域作为校验故障区域； 基于所述校验故障区域形成校验故障区域样本 。 3.根据权利要求2所述的一种基于互感器状态监测方法， 其特征在于， 所述通过超像素 分割算法确定所述 二值化图像中的故障区域， 包括： 通过超像素分割法对训练互感器红外图像的初始聚类中心和预设搜索区域中的像素 进行计算隶属度计算， 确定 重叠区域和非重 叠区域； 通过HSV颜色模型， 将每个非重叠区域内的颜色分量用该区域内的颜色分量均值替代， 并基于所述颜色 分量均值对每 个非重叠区域进行分割， 得到分割图像区域Ri； 通过故障区域 提取算法对每 个分割图像区域Ri进行计算， 得到校验故障区域。 4.根据权利要求2所述的一种基于互感器状态监测方法， 其特征在于， 在对所述训练互 感器红外图像进行二值化处理， 得到二值化图像后， 所述一种基于互感器状态监测方法还 包括： 采用FCM聚类算法对二值化图像中的像素点进行聚类计算， 得到的聚类中心作为初始 聚类中心。 5.根据权利要求3所述的一种基于互感器状态监测方法， 其特征在于， 所述通过超像素 分割法对训练互感器红外图像的初始 聚类中心和预设搜索区域中的像素进行计算隶属度 计算， 确定 重叠区域和非重 叠区域， 包括： 将初始聚类中心对应的像素点作为中心像素点， 预设搜索区域中除中心像素点外的像 素点作为非中心像素点； 计算中心像素点与对应预设搜索区域中每一个非中心像素点的隶属度值， 将计算得到权　利　要　求　书 1/3 页 2 CN 114581654 A 2的隶属度值大于中心像素点的隶属度值的非中心像素点确定为超像素； 将超像素对应的区域作为非重 叠区域， 非超像素对应的区域作为重 叠区域。 6.根据权利要求3所述的一种基于互感器状态监测方法， 其特征在于， 所述故障区域提 取算法， 包括： 对分割后的每 个分割图像区域中的像素值进行归一 化处理， 得到归一 化灰度； 对每个分割图像区域对应的归一化灰度进行均值计算， 得到各分割图像区域的平均亮 度 通过每个分割图像区域内的像素点个数NRi和该分割图像区域中的最小凸边形面积CRi 计算对应分割图像区域的凹凸度SRi； 计算每个分割图像区域的边缘到该分割图像区域的中心位置的最小值作为分割图像 区域的中心 距离dRi； 调用故障区域计算公式， 对每个分割图像区域的平均亮度 凹凸度SRi和中心距离dRi 进行计算， 将计算得到的最大值作为校验故障区域。 7.根据权利要求5所述的一种基于互感器状态监测方法， 其特征在于， 所述故障区域计 算公式具体为： 式中， F表示校验故障区域， 表示第i个分割图像区域的平均亮度， 表示第i个分割 图像区域的凹凸度， 表示第i个分割图像区域的中心 距离。 8.根据权利要求1所述的一种基于互感器状态监测方法， 其特征在于， 所述多尺度变换 深度神经网络模型包括编码器、 空间变换器网络和解码器 所述将所述校验故障区样本和对应的样本标签作为训练样本， 输入到多尺度变换深度 神经网络模型中进行迭代训练， 包括： 将所述校验故障区样本和对应的样本标签作为训练样本， 输入到多尺度变换深度神经 网络模型中， 通过编码器提取多个尺度的深层特 征图； 在提取多个尺度的深层特征图后， 空间变换器网络对提取的多个尺度的深层特征图进 行融合， 得到融合特 征图； 解码器对输入的融合特征图进行解码， 并将解码后的特征信 息输入到全连接层的分类 器中进行分类， 以完成训练样本的迭代训练。 9.根据权利要求8所述的一种基于互感器状态监测方法， 其特征在于， 所述空间变换器 网络包括空间分枝和变换器分枝； 其中， 所述空间分枝包括卷积层和瓶颈层； 所述变换器分 枝包括基于轴向注意力的变换器； 在提取多个尺度的深层特征图后， 通过空间分枝的卷积层和瓶颈层从每个尺度的深层 特征图中提取局部特征， 通过基于轴向注意力的变换器对所有尺度的深层特征图进行全局 上下文特征学习， 获取远程依赖项特 征； 将提取的局部特征和远程依赖性特征， 分别输入到空间变换器网络 中的空间分支和变权　利　要　求　书 2/3 页 3 CN 114581654 A 3