[发明专利]一种巡检机器人图像识别方法及巡检机器人

说明书

本申请公开了一种巡检机器人图像识别方法及巡检机器人，包括采集变电站中若干设备的可见光图像与红外光图像；根据预先训练好的深度目标识别神经网络模型，从所述可见光图像中识别出相应设备，以及确定所述识别出的相应设备在所述可见光图像中的位置坐标，并确定所述可见光图像中是否包括第一隐患类别设备图像；在所述可见光图像中未包括所述第一隐患类别设备图像的情况下，基于所述设备的位置坐标，对所述可见光图像对应的红外光图像进行识别，以确定所述红外光图像是否包括第二隐患类别设备图像。本申请通过优先检测若干设备的可见光图像，再对红外光图像识别、定位、测温的方法，提高了巡检的效率及准确率。

技术领域

本申请涉及巡检设备技术领域，尤其涉及一种巡检机器人图像识别方法及巡检机器人。

背景技术

随着巡检机器人的发展，在通信、变电站等领域中需要对机房、基站等场所进行巡检，从而及时发现设备隐患，成为当前维护设备安全运作不可或缺的手段。设备需要长期运转，因此有可能出现多种故障，尤其以设备异常发热为主。而目前的主要巡检方式为人工手持红外设备进行检测，这样会消耗很多的人力、物力资源，并且传统的图像分析技术不能精确的分辨出隐患设备在图像中的位置，无法有效获取设备的异常信息。

发明内容

本申请实施例提供了一种的巡检机器人图像识别方法及巡检机器人，解决了巡检机器人识别红外图像中若干隐患设备对应目标区域的准确率低的问题。

一方面，本申请实施例提供了一种巡检机器人图像识别方法。采集变电站中若干设备的可见光图像与红外光图像；其中，可见光图像与红外光图像一一对应，且可见光图像与红外光图像分别包括变电站中若干设备的图像；根据预先训练好的深度目标识别神经网络模型，从可见光图像中识别出相应设备，以及确定识别出的相应设备在可见光图像中的位置坐标，并确定可见光图像中是否包括第一隐患类别设备图像；在可见光图像中未包括第一隐患类别设备图像的情况下，基于设备的位置坐标，对可见光图像对应的红外光图像进行识别，以确定红外光图像是否包括第二隐患类别设备图像。

本申请实施例中的巡检机器人优先对可见光图像中的若干设备进行识别与定位，确定第一隐患类别设备图像，提高了巡检的效率。并且本申请实施例中巡检机器人在可见光图像未检测出第一隐患类别设备图像时，并在已知可见光图像中若干设备的设备类别以及位置坐标的情况下，对可见光图像对应的红外图像中若干设备进行识别，得到变电站中的第二隐患类别设备图像。因此，本申请实施例实现了对红外光图像中的若干设备区域进行精准的测温，能够快速准确得到识别结果，提高了巡检的准确率。

在一个示例中，服务器根据训练数据集，对初始神经网络模型进行训练，以得到深度目标识别神经网络模型；其中，初始神经网络模型的直连层后包含有卷积块注意力模块，卷积块注意力模块包括通道注意力模块以及空间注意力模块。

本申请实施例通过将卷积块注意力模块加入初始神经网络模型的直连层后，实现了将浅层的信息传递到深层，抑制信息退化，并强化了组合后的输出的多层级的信息，可以有效应对变电站环境中各种目标设备大小差异较大的情况，提高了深度目标识别神经网络模型的检测精度。

在一个示例中，基于初始神经网络模型直连层，得到原始输入特征图；根据原始输入特征图，得到通道注意力特征图；对通道注意力特征图进行特征加权，以及对原始输入特征图进行特征加权，合并通道注意力特征图加权特征以及原始输入特征图的加权特征，得到通道注意力模块的特征图；将通道注意力模块的特征图作为空间注意力模块的输入特征图，得到空间注意力特征图；对通道注意力模块特征图进行特征加权；以及对空间注意力特征图进行特征加权，合并空间注意力特征图的加权特征以及通道注意力模块特征图的加权特征，得到空间注意力模块的特征图；将空间注意力模块特征图进行特征加权；以及对原始输入特征图进行特征加权，合并空间注意力模块特征图的加权特征以及原始输入特征图的加权特征，得到基础训练的目标识别神经网络模型；基于基础训练的目标识别神经网络模型，得到深度目标识别神经网络模型。