[发明专利]一种基于深度学习的高压机柜开关检测方法

说明书

本发明涉及一种基于深度学习的高压机柜开关检测方法，用于电厂高压机柜开关目标的检测，包括以下步骤：1)读入一幅任意大小的待检测电厂开关机柜图像，并采用卷积神经网络生成该图像的共享特征图；2)以共享特征图作为目标区域预提取网络的特征图，并获取目标位置预提取框；3)将目标位置预提取框在待检测电厂开关机柜图像上的对应范围作为目标预提取区域；4)在目标预提取区域内，以共享特征图作为检测网络的特征图进行检测，最终完成高压机柜开关的目标检测。与现有技术相比，本发明具有检测准确、速度快、抗噪性能好等优点。

技术领域

本发明涉及电气电力自动化图像识别领域，尤其是涉及一种基于深度学习的高压机柜开关检测方法。

背景技术

当今社会对电力的需求日益增强，对电能质量的要求也越来越高。我国电力行业长期存在自动化水平低下情况，难以满足社会对高质量电能的要求，为了提高电能质量和发电效率，需对老式水电站中以常规控制、人工操作为主的控制模式进行以计算机监控系统为基础的综合自动化改造，对新旧水电站应按综合自动化要求进行设计并实施，使水电站逐步实现少人值班，提高工人的工作效率的目标。在水电站厂中，有很多如图1所示的开关面板，这些面板上的开关之间相互配合来实现相应的控制功能。根据人们需求的不同，开关的状态也需要不断改变。传统的方法需要工人们实地检查并根据系统需求去手动操作改变开关状态，但面板上开关分布比较密集，只靠人眼很容易出现差错，对人力消耗和时间需求都很高。结合目标检测算法，用深度学习的自动化网络去实现对目标的检查和比对，不仅准确度会提高，工人的工作效率也会大大提升。

传统的目标检测中，多尺度形变部件模型(Deformable Part Model，DPM)是出类拔萃的。DPM把物体看成了多个组成的部件(比如人脸的鼻子、嘴巴等)，用部件间的关系来描述物体，这个特性非常符合自然界很多物体的非刚体特征。DPM可以看作是HOG特征+SVM分类器的扩展，它很好地继承了两者的优点，在人脸检测、行人检测等任务上取得了不错的效果，但是DPM相对复杂，检测速度也较慢，从而也出现了很多改进的方法。其中，基于深度学习的方法逐渐发展了起来。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于深度学习的高压机柜开关检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于深度学习的高压机柜开关检测方法，用于电厂高压机柜开关目标的检测，其特征在于，包括以下步骤：

1)读入一幅任意大小的待检测电厂开关机柜图像，并采用卷积神经网络生成该图像的共享特征图；

2)以共享特征图作为目标区域预提取网络的特征图，并获取目标位置预提取框；

3)将目标位置预提取框在待检测电厂开关机柜图像上的对应范围作为目标预提取区域；

4)在目标预提取区域内，以共享特征图作为检测网络的特征图进行检测，最终完成高压机柜开关目标的检测。

所述的目标区域预提取网络和检测网络采用同一个卷积神经网络提取图像特征，共享特征图通过该卷积神经网络的共享卷积层获取。

所述的步骤2)具体包括以下步骤：

21)在目标区域预提取网络中，采用划窗在共享特征图上划取区域；

22)将划取后的区域经过两层的卷积层后转化为向量；

23)将转化后的向量送入Softmax分类器和Bbox位置回归层，得到目标位置预提取框的位置及对应的分类得分，并根据得分对所有目标位置预提取框进行由高到低排序，并选择其中前k个目标位置预提取框。

所述的步骤4)具体包括以下步骤：

41)根据目标位置预提取框在共享特征图上选取特征区域；