[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

说明书

技术领域

本发明涉及图像处理技术领域，特别是涉及一种电力设备识别模型构建方法和系统、电力设备的识别方法。

背景技术

随着红外图像获取技术在电力技术领域的广泛应用，包括电力设备的红外图像在相应电力系统正常运行的维护工作所起的作用原来越大。在上述电力系统正常运行的维护工作中，对红外图像中所涉及的电力设备进行识别为一项重要工作。目前，对红外热成像采集的图像中电力设备的辨识均以人工方式肉眼识别，工作人员根据经验识别红外图像中各种类别、型号的电力设备，而人工识别效率低，这样极大程度的影响了对红外图像中电力设备进行相应识别的效率。

发明内容

基于此，有必要针对传统方案极大程度的影响了对红外图像中电力设备进行识别的效率的技术问题，提供一种电力设备识别模型构建方法和系统、电力设备的识别方法。

一种电力设备识别模型构建方法，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。

一种电力设备识别模型构建系统，包括：

标注模块，用于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；

RPN训练模块，用于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；

Fast-RCNN训练模块，用于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；

初始化模块，用于将所述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；

输出模块，用于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。

上述电力设备识别模型构建方法和系统，可以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，将所述目标候选框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，再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，还可以将所述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，以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，使在进行红外图像中的电力设备识别时，可以将上述红外图像输入所得到的电力设备识别模型进行快速识别，有效提高了红外图像中电力设备的识别效率。