[发明专利]基于深度学习的红外图像中劣化绝缘子的分割方法及装置

说明书

本发明公开了基于深度学习的红外图像中劣化绝缘子的分割方法及装置，包括全卷积神经网络和多尺度特征融合两部分，利用全卷积神经网络模型对红外图谱中的劣化绝缘子进行自动提取以及学习劣化绝缘子的纹理、形状等特征，避免了传统分割模型对于复杂背景无法有效分离的弊端，避免了传统分割算法模型复杂的特征选择过程，通过FCN模型实现了端到端的特征提取的自主化与智能化。在减少人工电力巡检的工作量的同时，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境。该自动分割和诊断方法，极大的减少了误检的情况，使得高压绝缘子劣化检测全自动巡检成为可能。

技术领域

本发明涉及电力设备技术领域，特别涉及基于深度学习的红外图像中劣化绝缘子的分割方法及装置。

背景技术

目前，绝缘子是电力系统中使用范围较广、数量较大的重要电工原件，其能否正常运行直接关系到电网能否稳定运行。然而，由于绝缘子本身的工艺缺陷和长期处在复杂的环境条件中，长此以往，绝缘子很容易出现劣化，劣化后的绝缘子则更容易成为零值绝缘子，零值绝缘子容易使绝缘子串发生闪络或者掉串。一旦绝缘子串发生闪络或者掉串，电网将出现大面积停电。因此，对劣化绝缘子的检测一直是电力检修中重要的组成部分。

发明内容

本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于深度学习的红外图像中劣化绝缘子的分割方法及装置，不但减少了人工电力巡检的工作量，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境；而且还极大地减少了误检的情况，使得高压绝缘子劣化检测全自动巡检成为可能。

本发明的第一方面，提供基于深度学习的红外图像中劣化绝缘子的分割方法，包括以下步骤：

获取劣化绝缘子的红外图谱；

将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；

将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；

将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；

将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。

根据本发明第一方面所述的基于深度学习的红外图像中劣化绝缘子的分割方法，所述红外图谱中所提取的特征包括劣化绝缘子的纹理特征和形状特征。

本发明的第二方面，提供基于深度学习的红外图像中劣化绝缘子的分割装置，包括以下单元：

红外图谱获取单元，用于获取劣化绝缘子的红外图谱；

第一预测特征图输出单元，用于将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；

第二预测特征图输出单元，用于将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；

第三预测特征图输出单元，用于将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；