[发明专利]一种基于YOLO目标检测算法的红外图像故障点识别方法

权利要求书

1.一种基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述方法包括以下步骤：

步骤S1：获取红外图像，设置所述红外图像中的预测边框，所述每个预测边框均包含五维信息，所述五维信息包括预测边框中心相对于所述每个网格的偏移，所述五维信息还包括所述预测边框的宽高相对于整幅所述红外图像之比，所述五维信息还包括置信值；

步骤S2：设置所述红外图像中存在电力设备的概率，根据所述红外图像中存在电力设备的概率设置判断阈值；

步骤S3：判断所述置信值是否大于所述判断阈值，若所述置信值大于所述判断阈值，则存在电力设备，执行步骤S4；反之，则结束；

步骤S4：对存在电力设备的所述红外图像进行处理和故障特征识别，得到故障的电力设备；

步骤S5：将故障的电力设备进行处理后与红外图像故障库进行对比，从而识别出红外图像的故障点。

2.根据权利要求1所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述获取红外图像，设置所述红外图像中的预测边框包括：

步骤S11：获取红外图像，将所述红外图像划分为S×S的网格；

步骤S12：设置所述每个网格的边框；

步骤S13：计算所述每个网格的边框和真实位置的交并比，得到所述每个网格的预测边框。

3.如权利要求2所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述置信值通过所述每个网格的类别概率和置信度计算得到。

4.如权利要求2所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述设置所述红外图像中存在电力设备的概率，根据所述红外图像中存在电力设备的概率设置判断阈值包括：

步骤S21：设置所述每个网格中存在电力设备的概率；

步骤S22：根据所述每个网格中电力设备的概率，设置判断阈值。

5.如权利要求4所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述判断所述置信值是否大于所述判断阈值包括：

根据所述每个网格中的所述判断阈值和所述置信值，判断所述每个网格中的所述置信值是否大于所述判断阈值，若所述置信值大于所述判断阈值，则所判断的所述网格中存在电力设备，执行下一步；反之，则结束。

6.如权利要求5所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述对存在电力设备的所述红外图像进行处理和故障特征识别，得到故障的电力设备包括：

步骤S41：在存在电力设备的所述网格进中提取出所述网格中的电力设备；

步骤S42：将提取出的所述电力设备进行预处理，得到处理后的电力设备；

步骤S43：对处理后的电力设备进行故障特征识别，得到故障的电力设备。

7.如权利要求6所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述将故障的电力设备进行处理后与红外图像故障库进行对比，从而识别出红外图像的故障点包括：

步骤S51：对所述故障的电力设备的故障点进行切分，然后对所述故障点进行缩放和特征提取；

步骤S52：将提取特征的所述故障点与红外图像故障库进行对比，从而识别出红外图像的故障点。

8.如权利要求6所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述预处理包括对提取出的所述电力设备进行灰度化处理、二值化处理和去噪处理。

9.如权利要求7所述的基于YOLO目标检测算法的红外图像故障点识别方法，其特征在于，所述将提取特征的所述故障点与红外图像故障库进行对比，从而识别出红外图像的故障点之后还包括对红外图像故障进行训练。