[发明专利]一种电力设备图像中多类部件的自动识别方法

说明书

本发明为一种电力设备图像中多类部件的自动识别方法，采用已标注部件类别和位置的训练图像集对SSD模型和SVM模型进行训练。然后，对每一幅待识别的电力设备图像进行预处理，将图像数值化，再采用SSD模型，初步预测出电力设备图像中可能包含待识别部件的若干个框。最后，采用SVM模型，对SSD模型的初步识别结果进行修正，再根据每个框的概率修正值，筛选出包含待识别部件的框，并重复上述过程直至识别出图像中所有待识别部件。本发明的方法结合了单镜头检测器模型对图像特征的深层次提取优势和支持向量机模型利用已识别部件对未识别部件预测结果进行修正的准确性优势，在电力设备图像中多类部件的自动识别上具有准确性和可行性。

技术领域

本发明涉及图像识别领域，尤其涉及一种电力设备图像中多类部件的自动识别方法。

背景技术

在智能变电站建设中，随着无人机、巡检机器人的普及和大量电力设备图像数据的积累，基于图像的电力设备状态自动识别逐渐受到关注。采用计算机视觉技术代替传统的人力巡检，可以有效提高巡检的频率和效率，并减少人工判断的主观性对准确率的影响。其中，对图像中电力设备多类部件的识别是一个关键性环节。只有在准确识别出巡检图像中电力设备各类部件的类别和位置后，才能够针对不同的部件可能发生的缺陷和故障类型，制定相应的状态识别算法，从而实现电力设备状态的自动识别。

对于电力设备和部件的自动识别，基本思路是从现场获得包含待识别目标的图像，并进行特征提取和分析，再通过相应的算法识别出图像中电力设备和部件的类别与位置。一些研究采用基于模版的匹配算法，即在现场图片中将待识别目标人工框定出来并作为模版，再通过模版与新的图片各个区域的相似度计算，对新的图片中的目标进行匹配。这种方法受限于拍摄点的定位和拍摄角度的精度，准确率和稳定性难以保证。为了提高对于拍摄距离和角度的鲁棒性，一些研究针对各类部件人工地设计形状轮廓等特征，再通过对特征的提取和计算实现目标识别，但是这些识别方法只适用于几何形状比较简单的部件，而且对于每类部件都需要根据待识别目标的特点人为地进行特征设计，泛化能力弱。为此，一些研究采用传统机器学习的算法，降低了对特征设计的要求，仅通过图片的纹理、颜色、边缘等特征，而未对待识别目标进行针对性的特征设计，实现了对电力设备和部件的定位，提高了模型的泛化能力。然而，这些研究中所采用的特征层次较浅，缺少对于浅层特征的抽象与综合，因此识别的准确性不尽如人意。

发明内容

本发明主要解决了电力设备部件识别算法稳定性和准确性不足的问题，提供了一种具有高稳定性和准确性的电力设备图像中多类部件的自动识别方法。

本发明解决其技术问题所采用的技术方案是，一种电力设备图像中多类部件的自动识别方法，包括以下步骤：

S1：训练SSD模型和SVM模型；

S2：对待识别变电站图像进行数值化；

S3：建立集合B₁为空集；集合B₁为已识别集合

S4：将数值化的图像输入到SSD模型，SSD模型输出存入到集合B₂；

S5：对集合B₂中元素进行SVM修正；集合B₂为待识别集合；

S6：输出集合B₁，识别结束。