[发明专利]基于多阈值级联检测器的双通道电力图零部件检测方法

说明书

本发明公开了一种基于多阈值级联检测器的双通道电力图零部件检测方法，属于电力图纸智能识别技术领域，所述方法包括：获取待检测的电力图的原图集，对原图集按零部件分布区域进行分割得到子图集，并记录下子图对于原图的相对位置；将所述原图集和子图集送入预先训练好的双通道检测模型，得到原图检测结果和子图检测结果；根据记录的子图相对位置，汇总所述原图检测结果和子图检测结果，即得电力图零部件检测结果。本发明利用基于卷积神经网络的目标检测技术，能够实现对各种不同类型的电力图零部件的快速精准定位与快速类型识别。

技术领域

本发明涉及电力图纸智能识别技术领域，特别是指一种基于多阈值级联检测器的双通道电力图零部件检测方法。

背景技术

海量的电力工程图纸需要耗费极大的人力资源来进行信息统计和内容分析。现有技术中通过设计相关算法，对电力图中的零部件进行精准定位与类型识别，不仅能减轻工作人员对图像内容分析的压力，还是智能识图、图像重要信息抽取、图片内容自动纠错等技术不可或缺的一部分。目标检测是用于识别图像中目标的位置，并确定目标类型的技术。近年来,随着深度卷积神经网络的广泛应用，目标检测技术在精度和速度上均取得了长足的进步。

根据目标检测所需要的阶段数，现有基于CNN(Convolutional Neural Networks，卷积神经网络)的目标检测模型大致可以分为两类，分别为一阶段检测器和二阶段检测器。其中以YOLO(You Only Look Once)和SSD(Single Shot MultiBox Detector)为代表的一阶段检测模型直接使用前馈CNN来预测位置框，以Faster R-CNN和R-FCN为代表的二阶段检测模型则先通过RPN(Region Proposal Network，区域候选网络)网络生成RoI(Region ofInterest，感兴趣区域)，然后利用CNN提取区域特征进行进一步的增强。与一阶段检测器相比，二阶段检测器具有较大的精度优势，但其计算量更大，进而导致速度较慢。

中国专利CN110956126A涉及电力设备检测控制领域，具体而言，涉及一种联合超分辨率重建的小目标检测方法，包括以下步骤：选择Microsoft COCO和SUN数据库中大量包含小目标的图像分别构建网络预训练的预训练集和预测试集；搜集电网环境下包含小目标的图像分别构建网络微调的微调训练集和微调测试集；基于上述预训练集和预测试集、微调训练集和微调测试集，通过结合4PP-EUSR超分辨率算法模型与上采样模型、鉴别器、质量评估构建超分辨率重建网络模型；通过在Faster R-CNN算法框架中对分辨率低的小目标对其所在的proposal利用上述超分辨率重建网络模型提升小目标的特征质量并进行后续小目标的检测，构建小目标检测深度卷积神经网络。

上述方法是针对小分辨率目标检测任务设计的网络架构，而电力工程图的特点是图像的整体分辨率很高、零部件形状较为规整，但不同的零部件分布密集且尺度差异很大，其中小尺度目标占比很高，但也有一些大尺度的零部件目标。并且很多零件间的形状特性极为相似。上述方法和目前业界常用的目标检测算法对于具有上述特征的目标的检测通常比较困难，很难达到较高的精度。

发明内容

针对现有技术的不足，本发明公开一种基于多阈值级联检测器的双通道电力图零部件检测方法，旨在利用基于卷积神经网络(CNN)的目标检测技术，实现对各种不同类型的电力图零部件的快速精准定位与快速类型识别。

为解决上述技术问题，本发明提供技术方案如下：

一种基于多阈值级联检测器的双通道电力图零部件检测方法，包括：

获取待检测的电力图的原图集，对原图集按零部件分布区域进行分割得到子图集，并记录下子图对于原图的相对位置；

将所述原图集和子图集送入预先训练好的双通道检测模型，得到原图检测结果和子图检测结果；

根据记录的子图相对位置，汇总所述原图检测结果和子图检测结果，即得电力图零部件检测结果；