[发明专利]电网设备异常的检测方法和装置

权利要求书

1.一种电网设备异常的检测方法，其特征在于，包括：

利用特征提取网络对待检测的电网设备图像进行特征提取，将所述特征提取网络输出的若干不同尺寸的特征图像分别输入到物体检测器中的各锚点生成层；

所述物体检测器中的每个锚点生成层对输入的特征图像根据预设的宽高尺寸进行图像截取，由所述物体检测器中的检测头对于每个截取的图像进行设备异常区域的概率值计算；

所述检测头将计算的概率值从高到低进行排序，将概率值排序前N的图像作为检测出的电网设备异常的区域的图像；

其中，由所述特征提取网络和所述物体检测器构成的异常区域检测模型是预先根据标注出真实异常区域的电网设备图像训练得到的。

2.根据权利要求1所述的方法，其特征在于，所述由所述特征提取网络和所述物体检测器构成的异常区域检测模型是预先根据如下方法训练得到：

基于图像网络ImageNet大规模数据样本采用迁移学习方法，对所述特征提取网络进行训练；

对所述特征提取网络的浅层卷积参数进行固定后，利用训练数据集训练所述异常区域检测模型中的物体检测器，并调整所述特征提取网络的高层卷积参数；

其中，所述训练数据集是在真实的电网设备的监控场景获取大量电网设备图像，并针对获取的电网设备图像标注出异常区域后生成的。

3.根据权利要求2所述的方法，其特征在于，所述异常区域检测模型中还包括：细粒度分类网络；以及

在所述将概率值排序前N的图像作为检测出的电网设备异常的区域的图像后，还包括：

将所述电网设备异常的区域的图像输入到细粒度分类网络，由所述细粒度分类网络输出一个对应的异常细分类类别；

其中，所述细粒度分类网络是预先训练得到的，包括多层双线性池化层与一个全连接层；所述双线性池化层由卷积层与平均池化层组成。

4.根据权利要求3所述的方法，其特征在于，所述异常区域检测模型的训练方法还包括：

在对异常区域检测模型中的特征提取网络和物体检测器的训练完成后，对所述异常区域检测模型中的细粒度分类网络根据如下方法训练：

在对异常区域检测模型中的特征提取网络和物体检测器的训练完成后，收集物体检测器的所有输出结果；

针对收集的物体检测器输出的电网设备异常的区域的图像手动标注异常细分类类别生成训练样本；

利用训练样本对异常区域检测模型中的细粒度分类网络进行训练。

5. 根据权利要求4所述的方法，其特征在于，在所述将概率值排序前N的图像作为检测出的电网设备异常的区域的图像后，还包括：

将物体检测器检测出的电网设备异常的区域的图像与图像配准网络输出的异常区域图像进行交并比计算，根据计算结果确定最终的异常区域图像；以及

所述将所述电网设备异常的区域的图像输入到细粒度分类网络，具体为：

将所述最终的异常区域图像输入到细粒度分类网络；

其中，所述图像配准网络由残差结构的卷积神经网络与稀疏跨域图像配准模块组成，所述图像配准网络中的卷积神经网络针对输入的模板图像进行特征计算输出第二特征图，所述图像配准网络中的稀疏跨域图像配准模块计算出第一特征图与第二特征图之间的差异，完成待检测的电网设备图像与模板图像的配准，输出所述待检测的电网设备图像与模板图像之间的异常区域图像；其中，所述第一特征图为所述特征提取网络输出的最小尺寸的特征图。

6.根据权利要求5所述的方法，其特征在于，在所述基于图像网络ImageNet大规模数据样本采用迁移学习方法，对所述特征提取网络进行训练时，还包括：

基于图像网络ImageNet大规模数据样本采用迁移学习方法，对所述图像配准网络中的卷积神经网络进行训练。