[发明专利]一种基于深度学习的红外图像电力设备实时检测方法

说明书

技术领域

本发明涉及图像目标检测方法，具体涉及了一种基于深度学习的红外图像电力设备实时检测方法。

背景技术

电力设备是电网运行的基本单元，对电力设备状态进行有效、准确的检测和评估，是电力设备状态检修和寿命周期管理的前提，也是智能调度运行的重要依据，可以为电网安全、可靠、高效的运行提供有力的技术支撑。

为了对电力设备进行故障诊断，首先需要对图像中的电力设备进行检测和定位。传统的基于计算机视觉的红外图像电力设备检测技术仍然在采用人工设计的特征，不仅需要为在特定场景下的应用调整许多模型的参数，并且当红外图像的背景相对比较复杂的时候，传统的方法无法提供令人满意的结果。

另一方面，深度学习因为其优越的学习能力和表达能力，在泛化的目标检测领域取得了突破性的进展。为了提供训练深度学习模型所需要的数据，本方法首先收集了近8000张电力设备的红外热像图，并对它们进行了设备级别的标注。红外图像中的电力设备检测相比泛化的目标检测的区别主要体现在电力设备在红外图像中可能是倾斜的，而目前绝大部分目标检测任务针对的是正的目标检测。

发明内容

为了解决背景技术中存在的问题，本发明的目的在于提供一种实时的基于深度学习的红外图像电力设备实时检测方法。

本发明采用的技术方案包括如下步骤：

(1)采集多幅包含已知电力设备的红外图像I，多幅红外图像I包含有各种已知的电力设备，每幅红外图像I均已标示目标框，目标框是含有单个已知电力设备的图像区域，每幅红外图像I均具有设备级标签，设备级标签为 [c_i,x_i,y_i,θ_i,w_i,h_i]，其中i表示目标框的序号，c_i表示目标框内所包含设备的类别，共有C个类别的电力设备，具体实施中分为电流互感器、电压互感器、避雷器、断路器的四类，x_i,y_i分别表示目标框中心点的x坐标和y坐标，θ_i,w_i,h_i分别表示目标框的倾斜角、宽度和高度；

x坐标和y坐标分别是指图像的横纵坐标。倾斜角是目标框的纵边和图像横坐标方向之间的夹角。

(2)将图像I及其对应的设备级标签输入到电力设备检测神经网络中，利用带动量(momentum)的SGD算法训练电力设备检测神经网络；

所述的电力设备检测神经网络是基于YOLO目标检测框架的深度神经网络。

(3)采用训练后的电力设备检测神经网络对未知待测图像进行处理，获得未知待测图像中电力设备的位置和种类的检测结果。

所述步骤(2)中训练包括多尺度特征提取(Multi-scale feature extraction)步骤和多任务学习(Multi-task learning)步骤，红外图像I输入后，通过多尺度特征提取得到融合多尺度特征的特征图，在特征图中建立预测框，通过多任务学习进行处理使得预测框接近于目标框。

如图1所示，所述步骤(2)具体为：

(2.1)将红外图像I进行多尺度处理，尺度是指图像大小上的变化，获得一系列不同尺度的特征图；

(2.2)取任一较低层的特征图进行重组处理使得图像大小为原来的四分之一并且深度为原来4倍，将重组处理后的较低层的特征图和较高层的特征图在深度方向上进行连接，得到融合之后的最终特征图，最终特征图再经过一次卷积操作之后作为多任务学习步骤的输入；

较低层的特征图的图像大小较大，较高层的特征图的图像大小较小。