[发明专利]基于目标检测的变电站金属仪器锈蚀识别方法

说明书

本发明公开了一种基于目标检测的变电站金属仪器锈蚀识别方法。首先，通过对变电站中的监控视频提取关键帧，或者通过人工拍摄照片，得到待检测图像。使用深度学习网络框架提取图像特征得到特征图，再根据该特征图使用目标检测算法检测出变电站的金属仪器中是否有锈蚀部分，如果有锈蚀部分则锈蚀部分的具体位置。该方法可以检测到监控视频内是否有金属仪器遭受锈蚀，如果有则标注锈蚀位置。该方法对网络架构进行修改，不识别不必要的物体，可以准确而又高效的识别变电站中金属仪器的锈蚀部分；用户可以根据返回的图像流简单而又直接的判断监控视频中是否有金属仪器产生了锈蚀现象，并直接观测到锈蚀的具体位置。

技术领域

本发明涉及机器学习与计算机视觉研究中的深度神经网络、物体识别、目标检测这几个主要领域，具体涉及一种基于目标检测的变电站金属仪器锈蚀识别方法。

背景技术

图像和视频具有复杂的特征与属性，使用计算机对图像和视频的内容理解和分析，多年以来一直是计算机视觉的一个研究方向。在近些年来，得益于深度学习的发展，图像和视频的分析质量得到显著的提升。

图像和视频的分析依赖于特征的提取，传统的特征提取包括全局特征，如颜色直方图、纹理特征和轮廓外形特征，以及局部特征，如SIFT、LBP和GLOH等。而对于视频对象，除了外观特征(如颜色、纹理、边缘)和运动特征(如运动历史图和运动能量图特征)，还会提取局部时刻特征(如STIP特征)。由于卷积神经网络的飞速发展，传统的特征提取算法已不再占有优势。目前，在机器学习任务当中，人们都使用深度神经网络架构如VGG，RESNET等来对图像特征进行提取。

目标检测一直是计算机视觉领域的一个基本课题，在上个世纪60年代就提出了目标检测的概念。世界相关领域的专家在近些年内提出了一系列基于深度神经网络的目标检测的算法，致力于同时提升目标检测的准确度和速度。在该领域当中，学者们经常使用端到端学习的方式，使用一整套网络架构直接识别并定位物体。主要使用卷积神经网络对单一图像进行特征提取，并根据提取的特征进一步进行回归和分类。最新的成果如Faster R-CNN，R-FCN，YOLOv3等，有着各自的特征提取模型，同时也使用区域推荐网络(regionproposal network，即RPN)，在尽可能的减少模型体积的情况下准确的识别物体类别并对其进行准确的定位。

在电力行业中，电力设备的正常运行是电力系统为社会提供稳定服务的基础。因此，保障变电站及相关电力设备的正常运行十分重要。电力系统承担着对电能的生产和输运过程进行测量、调节、控制、保护、通信和调度的工能。高效而又合理的电力系统不仅有利于地区能源资源的合理开发，也能保障地区国民经济日益增长的用电需要。

金属材料在变电站中的应用十分广泛，但是极易被锈蚀。在变电站中每年都有大量的金属仪器需要被检测和更换。如果不对这些锈蚀的金属仪器进行更换，则会带来大量的经济损失，环境污染和资源浪费。所以有效的检测被腐蚀的金属仪器并更换是一个亟待解决的问题。目前虽然有监控设备部署，但是依然需要人工检查和拍摄数据，费时费力且无法做到实时响应。

利用计算机视觉中的目标检测技术，使得整个检测过程自动化，能够大量节省人力物力资源，提升电力系统的可靠性。但是针对电力系统中的目标检测，仍然存在一些问题：1算法致力于检测种类更多的物体，然而物体种类数目的提升会导致特定物体识别的准确率下降。2目标检测算法识别的物体种类过于普遍，如飞机、轮船、人等，在实际的电力应用的场景中没有必要去识别，会带来资源的浪费。3目前的目标检测算法采用的训练数据集为ImageNet，COCO，VOC等数据集，图像数据大多来源于生活，而这些数据集中都不包含铁锈这一类别，所以使用这些数据集进行训练并不能有效提升铁锈识别的准确度。

针对上述问题，本发明提出基于目标检测的变电站金属仪器锈蚀识别方法。该方法可以快速而又准确识别变电站中金属仪器是否发生锈蚀现象，并对其进行精准的定位，从而实现基于目标检测的变电站金属仪器锈蚀识别。

发明内容