[发明专利]一种基于深度神经网络的电力设备红外图像语义分割方法

说明书

本发明公开了一种基于深度神经网络的电力设备红外图像语义分割方法。采集电力设备红外图像，构成图像语义分割数据集并分为多部分，每个部分的图像数量相同，从图像语义分割数据集中选取一部分作增强预处理；处理获得语义分割结果图；比较后用交叉熵计算预测误差，然后使用随机梯度下降算法在基于DeepLab的深度卷积网络中对预测误差进行反向传播，更新基于DeepLab的深度卷积网络的网络参数值，迭代更新训练获得最终语义分割结果图，最后选择使用全连接的条件随机场进行后处理优化。本发明充分利用大量数据进行训练和学习出图像的本质特征，与以往的电力设备检测与分割方法相比，取得了更好的分割性能与结果。

技术领域

本发明涉及图像语义分割方法，具体涉及了一种基于深度神经网络的电力设备红外图像语义分割方法。

背景技术

图像语义分割是对图像中的每个像素点，给出该像素点的语义类别值。对图像进行语义分割可以获取图像的语义信息，更好的理解图像的高层次内容和代表的信息，因此在实际中得到了十分广泛的应用，如图像中特定目标的定位、图像搜索、自动驾驶中道路场景的识别和理解、以及目前广受关注的虚拟现实技术(VR)和穿戴式设备等。

对于电力系统来说，电力设备的正常运行，是保证电力系统正常、安全供电的基础。电力设备在运行过程中存在发热现象，设备运行时的温度反映了设备的运行状态。从电力设备的红外图像中获取设备的温度信息，可以用来对电力设备是否正常运行进行判断和监测，因此具有十分重要的实际应用意义。对电网中电力设备红外图像进行语义分割，可以从背景环境区域中分割出设备区域，得到设备主体区域的精细位置和区域信息，以便于在此基础上，以设备主体区域温度作为输入，利用相关的电力设备故障诊断规则，对电力设备进行后续的故障诊断和处理。

以往对电力设备图像进行目标检测与语义分割的方法，大多数基于传统图像处理技术来实现，例如基于阈值对图像进行二值分割，基于电力设备图像中的重复结构来对设备进行分割，以及基于传统特征提取方法，如SIFT，Mean Shift等来提取图像特征，实现对目标设备的检测。

近年来，深度学习在图像处理和机器视觉其他领域(如图像分类，目标检测和识别领域)得到了良好应用，并取得了卓越的性能表现。因此，本发明提出了一种基于深度学习中的卷积神经网络，来对电力设备图像进行语义分割的方法。

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了一种基于深度神经网络的电力设备红外图像语义分割方法。

本发明采用的技术方案是包括如下步骤：

(1)采集一系列已知像素级标签(图像语义分割的真值)的电力设备红外图像，构成图像语义分割数据集；

图像中的每个像素均具有像素级标签y，像素级标签y的取值为y＝0或1； 0代表像素点属于图像的背景场景，1代表像素点属于图像的前景目标，前景目标即图像中的电力设备。

一个像素具有一个像素级标签y，图像I所有像素的像素级标签y组成像素级标签集合，记T＝{y_i,j|y_i,j,i∈[1,M],j∈[1,N]}，其中y_i,j表示图像中第i行第j列像素点的像素级标签，i表示行数，M表示图像总行数，j表示列数，N表示图像总列数。

(2)将图像语义分割数据集随机分为多部分，每个部分的图像数量相同；

(3)从图像语义分割数据集中选取一部分，对其中的图像进行数据增强的预处理，来对图像数据集进行增强，使得经过预处理之后的图像数据集更加富有变化；

所述步骤(3)中进行数据增强的预处理具体包括大小裁剪、随机镜像翻转和尺度随机变换。尺度随机变换是指图像大小上的尺度。

(4)对于预处理后的图像输入基于DeepLab的深度卷积网络进行处理获得语义分割结果图；