[发明专利]电力设备识别模型构建方法和系统、电力设备的识别方法

权利要求书

1.一种电力设备识别模型构建方法，其特征在于，包括如下步骤：

S10，标注各类电力设备分别对应的红外图像中的电力设备目标，得到样本训练集；

S20，将所述样本训练集输入RPN卷积神经网络，调整所述RPN卷积神经网络中的训练参数，使损失函数有最小值，输出目标候选框；

S30，将所述目标候选框输入Fast-RCNN卷积神经网络进行训练，通过所述Fast-RCNN卷积神经网络中的全连接层与回归函数计算目标候选框到对应的类别的转换权值，利用Fast-RCNN卷积神经网络的边框回归获得目标候选框的位置偏移到对应标签位置的Fast-RCNN参数；

S40，将所述RPN卷积神经网络的共享卷积层学习率设为0，初始化所述RPN卷积神经网络和Fast-RCNN卷积神经网络，在所述RPN卷积神经网络中根据所述Fast-RCNN参数对输入的红外图像进行训练，得到RPN卷积神经网络模型；

S50，将所述目标候选框输入所述RPN卷积神经网络模型，更新所述Fast-RCNN卷积神经网络，形成统一的Faster-RCNN网络，进行迭代训练，输出电力设备识别模型。

2.根据权利要求1所述的电力设备识别模型构建方法，其特征在于，所述将标注各类电力设备分别对应的红外图像中的电力设备目标，得到样本训练集的过程之前，还包括：

采集用于训练的各类电力设备分别对应的红外图像，在所述红外图像上标注相应电力设备的设备类别和设备型号。

3.根据权利要求1所述的电力设备识别模型构建方法，其特征在于，所述将标注各类电力设备分别对应的红外图像中的电力设备目标，得到样本训练集的过程之后，还包括：

分别在各个训练特征图中标注电子设备对应的目标区域，识别各个目标区域在相应训练候选区域上的重叠比例；

将所述重叠比例大于第一比例阈值的训练候选区域记为目标样本，将所述重叠比例小于第二比例阈值的训练候选区域记为背景样本；

根据所述目标样本和背景样本构建样本训练集。

4.根据权利要求3所述的电力设备识别模型构建方法，其特征在于，所述将所述重叠比例大于第一比例阈值的训练特征图记为目标样本，将所述重叠比例小于第二比例阈值的训练特征图记为背景样本的过程之后，还包括：

将所述重叠比例大于等于第二比例阈值且小于等于第一比例阈值的训练候选区域进行剔除；

和/或，

将跨越图像边界的训练候选区域进行剔除。

5.根据权利要求1至4任一项所述的电力设备识别模型构建方法，其特征在于，在得到所述电力设备识别模型之后，还包括：

将待识别红外图像输入所述电力设备识别模型，在输出的识别结果中统计识别准确率；

若所述识别准确率低于准确率阈值，则重新执行权利要求1所述的各个步骤进行所述电力设备识别模型的构建。

6.根据权利要求5所述的电力设备识别模型构建方法，其特征在于，所述将多个待识别红外图像输入所述电力设备识别模型，在输出的识别结果中统计识别准确率的过程包括：

将待识别红外图像输入电力设备识别模型，通过Faster-RCNN网络的卷积层、修正操作层和池化操作层提取多个测试特征图，并通过RPN卷积神经网络生成多个测试候选区域；

通过Faster-RCNN网络的分类层判断所述测试候选区域属于测试目标区域或者测试背景区域，利用边框回归获得测试样本集；

通过Faster-RCNN网络的目标池化层收集所述测试特征图和测试样本集，提取样本特征图，将所述样本特征图送入后续层判定目标类别；

通过全连接层与分类层，利用所述样本特征图计算每个测试样本集具体属于哪个类别，输出最大概率类别的概率向量；

利用边框回归获得所述测试样本集的位置偏移量，输出测试样本集的设备位置，根据所述概率向量和设备位置确定识别准确率。