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

背景技術：

1、電能計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備在內(nèi)的總稱，是電力供需雙方發(fā)生經(jīng)濟關系的主要依托，對其進行周期性現(xiàn)場檢測是該類設備運維的重要內(nèi)容，對于保護用戶的用電安全、保障電力系統(tǒng)的安全、穩(wěn)定和可靠運行具有重要意義。

2、目前用戶側電力計量裝置的日常維護與異常檢測主要依賴專業(yè)人員上門，存在現(xiàn)場檢驗效率低、周期檢定任務繁重、嚴重依賴人工經(jīng)驗等問題。同時，電能計量現(xiàn)場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行，對人員技能水平和檢測檢驗裝置都有很高的要求，一旦不能及時發(fā)現(xiàn)電能計量裝置故障或竊電行為，可能造成安全隱患與經(jīng)濟損失。傳統(tǒng)計量裝置異常檢測多以數(shù)據(jù)分析為主，未充分利用現(xiàn)場運維或圖像建檔期間掌握的圖像信息。

3、電能計量裝置異常圖像包含多個形態(tài)、尺寸不同的設備，特征信息復雜，且拍攝現(xiàn)場環(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、部分檢測目標較為隱蔽微小等問題，導致現(xiàn)有模型和檢測技術難以滿足對電能計量裝置的檢測需求。

技術實現(xiàn)思路

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

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

3、對所述異常圖像數(shù)據(jù)集，進行自動數(shù)據(jù)增廣，構建所述電能計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，對訓練模型進行訓練，選取出最優(yōu)權重的訓練模型作為異常檢測模型；

5、基于所述異常檢測模型，根據(jù)待檢測電能計量裝置的待檢測圖像，對所述待檢測電能計量裝置的異常進行檢測。

6、可選的，基于電網(wǎng)巡檢數(shù)據(jù)，構建電能計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)中含有電能計量裝置異常的圖像數(shù)據(jù)，對所述圖像數(shù)據(jù)依次進行篩選和清洗處理，以去除所述圖像數(shù)據(jù)中的低質量數(shù)據(jù)，得到異常圖像數(shù)據(jù)；

8、對異常圖像數(shù)據(jù)進行分類標記，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的比例隨機劃分為訓練集、驗證集和測試集，基于所述訓練集、驗證集和測試集，構建出電能計量裝置的異常圖像數(shù)據(jù)集。

10、可選的，使用可微分的自動數(shù)據(jù)增廣算法dada，對所述異常圖像數(shù)據(jù)集，進行自動數(shù)據(jù)增廣。

11、可選的，對所述異常圖像數(shù)據(jù)集，進行自動數(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，對所述最優(yōu)數(shù)據(jù)增廣策略中的子策略進行采樣，基于采樣的子策略，對異常圖像數(shù)據(jù)集中每個異常圖像數(shù)據(jù)進行多次自動增廣。

13、可選的，訓練模型，包括：改進的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)，得到改進的yolov5l模型。

15、可選的，方法還包括：

16、確定異常檢測模型的性能評判指標值，基于所述性能評判指標值，確定異常檢測模型的性能，基于確定的性能結果，對所述異常檢測模型的模型參數(shù)進行調整，以對異常檢測模型的性能進行優(yōu)化；

17、所述性能評判指標值，包括：

18、平均精度均值，精確度值、召回率值和f1值。

19、可選的，對待檢測電能計量裝置的異常檢測結果，包括：異常的類別、檢測框和置信度。

20、再一方面，本發(fā)明還提出了一種用于電能計量裝置異常檢測的系統(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)，構建電能計量裝置的異常圖像數(shù)據(jù)集；

22、數(shù)據(jù)處理單元，用于對所述異常圖像數(shù)據(jù)集，進行自動數(shù)據(jù)增廣，構建所述電能計量裝置的異常圖像增廣數(shù)據(jù)集；

23、模型訓練單元，用于使用所述異常圖像增廣數(shù)據(jù)集，對訓練模型進行訓練，選取出最優(yōu)權重的訓練模型作為異常檢測模型；

24、檢測單元，用于基于所述異常檢測模型，根據(jù)待檢測電能計量裝置的待檢測圖像，對所述待檢測電能計量裝置的異常進行檢測。

25、可選的，數(shù)據(jù)采集單元基于電網(wǎng)巡檢數(shù)據(jù)，構建電能計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)中含有電能計量裝置異常的圖像數(shù)據(jù)，對所述圖像數(shù)據(jù)依次進行篩選和清洗處理，以去除所述圖像數(shù)據(jù)中的低質量數(shù)據(jù)，得到異常圖像數(shù)據(jù)；

27、對異常圖像數(shù)據(jù)進行分類標記，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的比例隨機劃分為訓練集、驗證集和測試集，基于所述訓練集、驗證集和測試集，構建出電能計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數(shù)據(jù)增廣算法dada，對所述異常圖像數(shù)據(jù)集，進行自動數(shù)據(jù)增廣。

30、可選的，對所述異常圖像數(shù)據(jù)集，進行自動數(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，對所述最優(yōu)數(shù)據(jù)增廣策略中的子策略進行采樣，基于采樣的子策略，對異常圖像數(shù)據(jù)集中每個異常圖像數(shù)據(jù)進行多次自動增廣。

32、可選的，訓練模型，包括：改進的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)，得到改進的yolov5l模型。

34、可選的，模型訓練單元還用于：

35、確定異常檢測模型的性能評判指標值，基于所述性能評判指標值，確定異常檢測模型的性能，基于確定的性能結果，對所述異常檢測模型的模型參數(shù)進行調整，以對異常檢測模型的性能進行優(yōu)化；

36、所述性能評判指標值，包括：

37、平均精度均值，精確度值、召回率值和f1值。

38、可選的，對待檢測電能計量裝置的異常檢測結果，包括：異常的類別、檢測框和置信度。

39、再一方面，本發(fā)明還提供了一種計算設備，包括：一個或多個處理器；

40、處理器，用于執(zhí)行一個或多個程序；

41、當所述一個或多個程序被所述一個或多個處理器執(zhí)行時，實現(xiàn)如上述所述的方法。

42、再一方面，本發(fā)明還提供了一種計算機可讀存儲介質，其上存有計算機程序，所述計算機程序被執(zhí)行時，實現(xiàn)如上述所述的方法。

43、與現(xiàn)有技術相比，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量裝置異常檢測的方法，包括：基于電網(wǎng)巡檢數(shù)據(jù)，構建電能計量裝置的異常圖像數(shù)據(jù)集；對所述異常圖像數(shù)據(jù)集，進行自動數(shù)據(jù)增廣，構建所述電能計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，對訓練模型進行訓練，選取出最優(yōu)權重的訓練模型作為異常檢測模型；基于所述異常檢測模型，根據(jù)待檢測電能計量裝置的待檢測圖像，對所述待檢測電能計量裝置的異常進行檢測。本發(fā)明的應用，提高了檢測的準確性和魯棒性，降低了對檢測目標密集區(qū)域的漏檢率。