[发明专利]基于人工智能的变电站绝缘子红外图像检测方法

权利要求书

1.一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是包括以下步骤：

S1、通过红外热成像仪获取变电站绝缘子的红外图像；

S2、对获取的图像进行预处理，以形成有效的绝缘子红外图像数据集；

将绝缘子的3d形态作为模型，得到多个方向、角度的训练图集，以绝缘子的形状作为识别特征，进行训练，包括以下步骤：

S21、将绝缘子的方向作为绝缘子红外图像数据集的图片的方向向量，对图片进行旋转、翻转或灰度变换中的一种或多种方式进行预处理以扩充数据集，以使图片中绝缘子的方向保持一致；

S22、采用VGG16结构，以单个或多个绝缘子的形状作为标签区域进行识别，按比例方式进行扩充后对绝缘子所在的图形区域作为标签区域，进行智能识别并框选，制作成待训练与待检测的数据集；

S3、对获取的数据集进行目标的标签处理；

S4、将数据集划分为训练集与测试集；

S5、构建改进特征融合单发多盒检测器的红外图像检测模型；

S6、使用数据集中的训练集进行该模型的训练与参数调节；

S7、使用数据集中的测试集对训练完毕的模型进行目标的检测，以证明其有效性；

通过以上步骤实现变电站绝缘子的红外图像的自动检测。

2.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：获取的绝缘子红外图像是变电站技术人员通过手持红外热成像仪在现场拍摄或通过变电站携带红外热像仪的巡检机器人得到的红外图像；

将获取的数据集采用包括旋转、翻转和灰度变换中一种或多种方式进行预处理，以扩充数据集，形成应用于模型的数据集。

3.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：步骤S3与S4中，通过框选操作对数据集中的绝缘子进行标注，制作成待训练与待检测的数据集。

4.根据权利要求3所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：将数据集分为训练集和测试集，训练集数量多于测试集的数量。

5.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：改进特征融合单发多盒检测器的主干网络结构为改进的VGG16结构，是将VGG16最后两个全连接层改为卷积层，并且通过融合不同尺度特征图以生成的新特征金字塔结构。

6.根据权利要求5所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：在改进的VGG16结构设有特征增强融合模块，特征增强融合模块采用多支路提取特征聚合的方式来增加语义信息；每一条支路首先经过一个1×1的卷积核进行降维，然后采用不同尺寸的卷积核提取特征，为减少计算量，将支路中5×5的卷积核替换成两个3×3的卷积级联的形式，同时采用空间分离卷积，将两个通道设置为其中一个先经过1×3卷积，再经过3×1卷积，另一个通道先经过3×1卷积再通过1×3卷积；以上操作在增加特征提取多样性的同时，减少模型的计算量；

特征增强模块在每个卷积层顶部使用批归一化操作，以加快模型的收敛；

在特征增强模块加入一条残差连接支路以提高检测效果，最后在每条支路的最后一个卷积核中使用不同膨胀系数的空洞卷积，以使网络捕获更多的特征信息，拓宽特征的感受野，同时保持相同数量的参数。

7.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：结合聚类分析方法，统计数据集中绝缘子标签的宽高比，设定符合数据集的默认框，使每个位置的默认框的比例尺度能够与特征图的每个位置的真实框相匹配，以增强模型对感兴趣目标的检测性能。

8.根据权利要求7所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：引入迁移学习思想，采用使用ImageNet上训练的VGG16模型作为网络的预调模型；将训练集输入模型进行训练，并根据训练结果进行参数的调整，以得到最优的模型；在模型训练完毕后，再采用测试集进行模型测试。

9.根据权利要求1所述的一种基于人工智能的变电站绝缘子红外图像检测方法，其特征是：模型共训练30000步，利用迁移学习对模型进行权重初始化，数据输入尺寸为300×300像素，一个批次训练16张图片，设置学习率为0.001，动量为0.9，使用随机梯度下降作为优化算法，权重衰减为0.0005。