[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

说明书

本申请公开了一种基于YOLO目标检测算法的红外图像故障点识别方法，包括：获取红外图像，设置红外图像中的预测边框；设置红外图像中存在电力设备的概率，根据红外图像中存在电力设备的概率设置判断阈值；判断置信值是否大于判断阈值，若置信值大于判断阈值，则存在电力设备，执行下一步；反之，则结束；对存在电力设备的红外图像进行处理和故障特征识别，得到故障的电力设备；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。本申请提供的一种基于YOLO目标检测算法的红外图像故障点识别方法结合了YOLO目标检测算法，实现了对红外图像故障的实时检测识别，大大降低了红外图像故障识别的错误概率，使实时效果更加清晰。

技术领域

本申请涉及图像识别领域，尤其涉及一种基于YOLO目标检测算法的红外图像故障点识别方法。

背景技术

目前，卷积网络方法是常常用于红外图形的故障点识别的方法之一，然而卷积网络方法会错误的将红外图像背景中的斑块检测为目标，原因在于卷积网络方法在检测中无法看到全局图像。

除了卷积网络方法的方法外，还有很多用于红外图像故障点的识别方法，而目前存在的红外图像故障点识别的方法，存在着对红外图像故障点识别困难、准确率不高、识别效率低下等问题，因此，亟需一种新的红外图像故障点识别方法，来弥补上述不足，提高识别的效率和准确度。

发明内容

本申请提供了一种基于YOLO目标检测算法的红外图像故障点识别方法，以解决现有红外图像故障点识别的方法存在着对红外图像故障点识别困难、准确率不高、识别效率低下的问题。

本申请提供了一种基于YOLO目标检测算法的红外图像故障点识别方法，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。

可选择的，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。

可选择的，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。

可选择的，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。

可选择的，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。