[发明专利]基于人工智能的电力设备红外图像实时检测及识别方法

权利要求书

1.一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是包括以下步骤：

S1、通过红外热成像仪获取多类电力设备的红外图像；

S2、对获取的图像进行预处理，以形成有效的电力设备红外图像数据集；

S3、对获取的数据集进行目标的标签处理；

将数据集划分为训练集与测试集；

S4、构建改进YOLOv4实时检测模型，用于检测和识别电力设备红外图像目标；

在改进YOLOv4实时检测模型中，骨干网络为改进的Darknet53结构，即在YOLOv3骨干网络Darknet53的每个残差块中加上跨阶段局部模块CSP；

在改进的Darknet53结构中，CSP模块为将Darknet53的残差模块按照CSPNet结构加以改进，它由多个卷积模块和n个ResBlock的叠加模块组成，用于降低神经网络在推理过程中的计算量，增强CNN的学习能力，以在网络轻量化的同时保持准确性；

在CBM模块中，Mish激活函数替换Leaky_ReLU激活函数；以保持更小的负值，稳定网络的梯度流，获得更好的准确性和泛化性能；

在改进YOLOv4实时检测模型中，在检测头部分将原始回归损失函数均方误差替换为目标检测回归损失函数Complete-IoU损失；

采用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；同样将交叉熵损失函数作为置信度损失的目标函数；对于定位损失，引入CIoU作为边界框回归计算方式，CIoU引入重叠面积、中心点距离和长宽比三种因素，用于在边框回归时取得更佳的收敛速度和精度；

建立损失函数中的表达式为：

L_loss＝L_CIOU+L_conf+L_cla

其中，L_CIOU表示边界框回归损失函数，L_conf表示置信度损失函数，L_cla表示分类损失函数；

所述的回归损失函数中：

其中：

式中，d表示预测框中心点与标签框中心点之间的欧式距离；c表示预测框与标签框的最小包围框的对角线距离；box_v表示预测框；box_gt表示标签框；r用于衡量预测框和标签框两者宽高比的一致性，V_w和V_h分别表示位置变量；α为平衡比例的权衡参数，这个约束量用于控制预测框的宽高尽快地与标签框的宽高接近；

所述分类损失函数中：

L_cla＝-y(1-P_i)log(P_i)

其中：

其中y表示目标标签类别是否为预测类别i，其值为0或1；使用softmax函数将输出的类别变量按多类概率分布进行变换，将交叉熵损失函数作为分类损失的目标函数；

所述置信度损失函数中：

L_conf＝-[y(1-C)log(C)+(1-y)Clog(1-C)]

其中：

其中y表示预测框中是否存在目标，其值为0或1；

S5、使用数据集中的训练集进行该模型的训练与参数调节；

S6、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和识别，以证明其有效性；

通过以上步骤实现多类电力设备的红外图像的自动检测识别。

2.根据权利要求1所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：获取的四种电力设备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。

3.根据权利要求1所述的一种基于人工智能的电力设备红外图像实时检测及识别方法，其特征是：将获取的数据集采用旋转和对称数据增强方法进行预处理，以扩充数据集，形成应用于模型的数据集；

或者，将多类电力设备的三维形态作为模型，得到多个方向、角度的训练图集，对多类电力设备的数据集采用旋转、对称数据增强方法进行预处理，以扩充数据集。