本发明涉及配电柜检测，尤其涉及基于残差网络的配电柜设备巡检系统。
背景技术：
1、在配电室巡检中，传统方法是依赖于周期性的物理检查对配电柜设备元件进行识别，随着技术的发展，出现了诸如“智能巡检机器人”的智能巡检系统；特别是在配电柜设备中，各个配电柜设备元件的性能和状态对整个设备的稳定性和效率有着直接影响；在对图像进行特征识别方面，一种是浅层网络特征提取模型，如：根据人工设计的特征的方式进行图像识别，涉及到的层数较少；另一种是深层网络特征提取模型，如：根据深度学习自动提取特征的方式进行图像识别，涉及到的层数较多；
2、但是，针对传统的配电柜设备进行巡检时：
3、往往依靠浅层网络模型提取特征进行图像识别，对于一些复杂特征难以收集，并且在后续的过程中依据采集到的特征依靠搭建的模型进行训练，导致在整个过程缺乏精确度，容易造成较大的检测误差；而根据深层网络特征提取模型的过程往往由于训练过程的复杂而导致网络深度的增加，导致训练困难；最终导致配电柜设备元件状态识别不准，当配电柜设备元件出现异常状态时，无法及时反馈预警，易引发安全隐患。
技术实现思路
1、（一）解决的技术问题
2、针对现有技术的不足，本发明提供了一种基于残差网络的配电柜设备巡检系统，通过结合两种不同的方式：一为基于深层网络模型进行特征提取的方式，二为基于浅层网络模型进行特征提取的方式，有效地解决了系统训练过程中特征收集的完整性，同时设计出残差块对特征进行融合，以训练出完整的残差网络模型，并确保网络深度复杂度增加的过程中确保数据的精准度，然后对配电柜设备元件进行状态识别，以实行不同的反馈响应，解决了背景技术中的问题。
3、（二）技术方案
4、为实现以上目的，本发明通过以下技术方案予以实现：
5、基于残差网络的配电柜设备巡检系统，包括：数据采集和预处理单元、深度分析单元、状态识别单元和巡检反馈单元，且数据采集和预处理单元、深度分析单元、状态识别单元和巡检反馈单元之间通信连接；
6、数据采集和预处理单元，采用图像采集技术，实时采集配电柜设备的图像数据，并对图像数据进行预处理；
7、深度分析单元，预设搭建残差网络模型，残差网络模型中内置深层网络模型和浅层网络模型；并基于深层网络模型对预处理后的图像数据进行特征提取，获得第一特征结果；同时基于浅层网络模型对预处理后的图像数据进行特征提取，获得第二特征结果；并根据第一特征结果和第二特征结果训练该残差网络模型，得到更新的残差网络模型用于下次特征提取；
8、状态识别单元，基于残差网络模型，通过若干个卷积层进行特征提取，且通过残差块将浅层网络模型提取的特征和深层网络模型提取的特征进行融合，然后经过池化层处理特征维度，最后利用全连接层将提取的特征映射到类别空间，并使用输出层输出预测值；
9、巡检反馈单元，依据预测值判断配电柜设备元件目标状态，目标状态包括正常状态或异常状态，当判定为正常状态，则不作响应反馈动作；当判定为异常状态，则响应反馈动作。
10、进一步的，对图像数据进行预处理的过程为：
11、图像识别：预设搭建设备元件库，对采集的图像数据进行分析，裁剪出设备元件的目标区域，生成设备元件图像；其中，设备元件图像为rgb颜色格式；
12、颜色模型：灰度处理：采用平均值法将设备元件图像转换为灰度图；形态学操作：基于灰度图使用开操作运算进行阴影去除；二值化分割：经过开操作运算后，进行二值化分类，使其灰度值为0或1。
13、进一步的，获得第一特征结果的过程如下：
14、特征提取：对预处理后的图像进行特征提取以形成特征向量，将特征向量拼接形成状态特征矩阵；特征向量包括但不限于颜色特征和纹理特征；
15、矩阵分析：预先设置特征矩阵阈值，将每张设备元件图像所对应的状态特征矩阵与预设特征矩阵阈值进行对比分析，当状态特征矩阵符合预设特征矩阵阈值，则对应位置记为1，否则记为0；并依次进行标记，形成第一矩阵r1；
16、输出结果：将第一矩阵r1进行整合并标记为第一特征结果。
17、进一步的，基于浅层网络模型对图像数据进行特征提取以形成特征向量，并构建第二矩阵r2，并将第二矩阵r2进行整合并标记为第二特征结果。
18、进一步的，第一特征结果包括根据深层网络模型获得的符合预设标准的第一数据集合u1、不符合预设标准的第二数据集合u2以及无法判断是否符合预设标准的第三数据集合u3；第二特征结果包括根据浅层网络模型获得的符合预设标准的第四数据集合u4以及不符合预设标准的第五数据集合u5；然后基于第一特征结果和第二特征结果训练残差网络模型的过程为：
19、标记标识：赋予第一数据集合u1、第二数据集合u2、第三数据集合u3、第四数据集合u4以及第五数据集合u5相应的标识；其中，将符合预设标准的标记为第一标识g1，将不符合预设标准的标记为第二标识g2以及将无法判断是否为符合预设标准的标记为第三标识g3；
20、判定分析：
21、一次判定：对第一数据集合u1和第四数据集合u4进行判定分析，获得相应的第六数据集合u6和第七数据集合u7；并将第六数据集合u6、第七数据集合u7与第一标识g1作为输入信息训练该残差网络模型；
22、将第二数据集合u2和第五数据集合u5进行判定分析，获得相应的第八数据集合u8和第九数据集合u9；并将第八数据集合u8、第九数据集合u9以及第二标识g2作为输入信息训练该残差网络模型；
23、二次判定：
24、对第一数据集合u1、第三数据集合u3以及第四数据集合u4进行判定分析，获得相应的第十数据集合u10第十一数据集合u11、第十二数据集合u12以及第十三数据集合u13；
25、并将第十数据集合u10、第十一数据集合u11、第十二数据集合u12、第十三数据集合u13以及第一标识g1作为输入信息训练该残差网络模型；
26、对第二数据集合u2、第三数据集合u3以及第五数据集合u5进行判定分析，获得相应的第十四数据集合u14、第十五数据集合u15、第十六数据集合u16以及第十七数据集合u17；
27、并将第十四数据集合u14、第十五数据集合u15、第十六数据集合u16、第十七数据集合u17以及第二标识g2作为输入信息训练该残差网络模型。
28、进一步的，在残差网络模型中，包括：
29、输入层：接收预处理后的图像数据，作为模型的输入；
30、若干卷积层：使用卷积核对输入图像数据进行特征提取，并进行卷积操作；标准化每一层的输入，使其控制在[0，1]区间；
31、残差块：将基于浅层网络模型提取的特征和基于深层网络模型提取的特征进行融合；其中，基于深层网络模型提取的特征为第一特征结果，基于浅层网络模型提取的特征为第二特征结果；
32、池化层：对特征图进行处理；
33、全连接层：经过提取特征后，将得到的特征图经过拉伸变成一维数据，并连接池化层，将池化层输出的特征向量映射到类别空间，每个神经元与上一层所有神经元相连，并使用非线性激活函数进行激活；
34、输出层：根据分类结果输出预测值。
35、进一步的，响应反馈动作的过程为：
36、s101，判断当前巡检的配电柜设备是否存在运行记录：
37、当该巡检的配电柜设备存在运行记录，则获取该配电柜设备的历史运行记录，结合在预定时间周期t内获得设备元件的异常状态以及对应的预测值；搭建非线性修正计算模型，生成异常程度评估值；反之，则结合在预定时间周期t内获得设备元件的异常状态以及对应的预测值；搭建非线性修正计算模型，生成异常程度评估值；
38、s102，将异常程度评估值与预设的标准阈值进行对比，根据对比结果生成不同的指令以执行相应的策略。
39、进一步的，在s101中，配电设备的历史运行记录包括元件故障数目z1、元件故障次数z2和元件检修次数z3；获得异常程度评估值的过程如下：
40、首先，当判断为异常状态，则基于元件的异常状态对应时刻随机提取其两个时序，并计算生成异常时间段，还分别将异常时间段按时序进行排列并标记为t1、t2、t3、……、tn；其中，时序为动态变化量，且n表示判断为异常状态的次数；
41、其次，将异常时间段等分并标为m，m为动态值，且其有余数时，则为m+1，m为正整数；再调取异常状态对应的预测值，根据m或m+1计算出对应异常时间段内的异常因子yc；
42、最后，根据公式生成异常程度评估值pg。
43、（三）有益效果
44、本发明提供了基于残差网络的配电柜设备巡检系统，具备以下有益效果：
45、1、本发明通过设计两种方式：一种基于深层网络模型对预处理后的图像数据进行特征提取，获得第一特征结果；同时基于浅层网络模型对预处理后的图像数据进行特征提取，获得第二特征结果；根据第一特征结果和第二特征结果训练该残差网络模型；提取的特征不仅具有简单的浅层网络特征还具有更为复杂的深层网络特征，提高了特征提取的完整性和准确性；
46、2、本发明提出的残差网络模型，涉及卷积层、全连接层、池化层、残差块，能够有效地解决网络深度的复杂性，提高了训练的效率；同时，基于训练好的残差网络模型，能够更快地分析出配电柜设备元件的目标状态，以快速区别出异常状态，以进行后续的监控以及预警工作；
47、3、本发明针对配电柜设备的历史运行记录和残差网络模型训练出的预测值、搭建非线性修正计算模型计算出配电柜设备元件的异常程度评估值，在此过程中，基于对异常状态时刻进行分析生成异常时间段以修正模型计算；实现更为精确和智能化地配电柜设备元件状态判断。
1.基于残差网络的配电柜设备巡检系统，其特征在于：包括：
2.根据权利要求1所述的基于残差网络的配电柜设备巡检系统，其特征在于：对图像数据进行预处理的过程为：
3.根据权利要求1所述的基于残差网络的配电柜设备巡检系统，其特征在于：获得第一特征结果的过程如下：
4.根据权利要求1所述的基于残差网络的配电柜设备巡检系统，其特征在于：基于浅层网络模型对图像数据进行特征提取以形成特征向量，并构建第二矩阵r2，并将第二矩阵r2进行整合并标记为第二特征结果。
5.根据权利要求3所述的基于残差网络的配电柜设备巡检系统，其特征在于：第一特征结果包括根据深层网络模型获得的符合预设标准的第一数据集合u1、不符合预设标准的第二数据集合u2以及无法判断是否符合预设标准的第三数据集合u3；第二特征结果包括根据浅层网络模型获得的符合预设标准的第四数据集合u4以及不符合预设标准的第五数据集合u5；然后基于第一特征结果和第二特征结果训练残差网络模型的过程为：
6.根据权利要求1所述的基于残差网络的配电柜设备巡检系统，其特征在于：在残差网络模型中，包括：
7.根据权利要求1所述的基于残差网络的配电柜设备巡检系统，其特征在于：响应反馈动作的过程为：
8.根据权利要求7所述的基于残差网络的配电柜设备巡检系统，其特征在于：在s101中，配电设备的历史运行记录包括元件故障数目z1、元件故障次数z2和元件检修次数z3；则获得异常程度评估值的过程如下：
