[发明专利]一种基于神经网络的电气设备缺陷检测方法及装置

权利要求书

1.一种基于神经网络的电气设备缺陷检测方法，其特征在于，包括以下步骤：

S1)采集电气设备缺陷样本图片；

S2)对步骤S1)采集到的电气设备缺陷样本图片进行缺陷标注，生成标签文件；

S3)将步骤S2)得到的电气设备缺陷样本图片数据集按比例划分为训练集、验证集和测试集；

S4)采用基于ResNet50网络框架及FPN金字塔结构的Faster R-CNN检测算法进行特征提取，并结合交并比的均值及标准差进行自适应样本选择，以搭建缺陷检测网络模型，并使用该模型对步骤S3)划分得到的训练集进行目标检测训练，由此得到初代缺陷检测网络模型；

S5)采用步骤S3)划分的验证集测试步骤S4)生成的初代缺陷检测网络模型，调整模型参数，比对测试结果，进而更新优化并得到最终的缺陷检测网络模型；

S6)利用最终得到的缺陷检测网络模型，对测试集中的待测图片进行处理，输出电气设备缺陷检测结果。

2.根据权利要求1所述的基于神经网络的电气设备缺陷检测方法，其特征在于：在所述步骤S5)中，首先将训练集中的电气设备缺陷样本图片统一缩放至相同大小，再采用ImageNet公开数据集对初代缺陷检测网络模型进行预训练，得到初始化参数；然后，将检测对象的数据集投入缺陷检测网络模型中进行训练；训练迭代若干个周期，每个周期内所有样本完成在网络中一次完整的前向计算和反向传播过程；其中，缺陷检测网络模型网络参数采用随机梯度下降的优化策略，按照数据集的实际质量设置合适的初始学习率、动量项和权值衰减系数；在模型训练初期，采用热身方式来保持网络参数稳定，以避免造成振荡。

3.根据权利要求1或2所述的基于神经网络的电气设备缺陷检测方法，其特征在于，所述步骤S4)进一步包括以下过程：

S41)特征提取步骤：对输入的电气设备缺陷样本图片进行特征提取形成特征图，该特征图被共享于后续的区域建议获取步骤及兴趣区域池化步骤；

S42)区域建议获取步骤：以滑动窗方式在步骤S41)输出的特征图上进行遍历卷积，并针对每一个滑动窗的中心点在特征图上产生与之对应的锚点；然后以该锚点为中心，在原特征图上生成预先定义的不同尺度锚点框作为候选区域；候选区域送入两个全连接层，分别为分类全连接层及定位全连接层；分类全连接层进行二分类，判断候选区域为正样本或负样本；定位全连接层结合正样本区域建议，产生边框回归修正的偏移量，获得区域建议，并剔除小于设定值或超出边界的建议框；

S43)兴趣区域池化步骤：将步骤S41)中由电气设备缺陷样本图片形成的特征图与步骤S42)生成的区域建议信息进行综合，对区域建议的特征图进行兴趣区域池化，得到固定尺寸的特征矩阵；

S44)分类与回归步骤：对步骤S43)得到的特征矩阵做全连接，并进行类别概率计算完成分类，同时进行边框回归，获得检测框最终的位置坐标。

4.根据权利要求3所述的基于神经网络的电气设备缺陷检测方法，其特征在于：在所述步骤S41)中，采用ResNet50网络框架及FPN金字塔结构提取特征并输出不同尺度的特征图。

5.根据权利要求4所述的基于神经网络的电气设备缺陷检测方法，其特征在于：在所述步骤S41)中，电气设备缺陷样本图片输入ResNet50网络框架，得到不同尺度的特征图c2,c3,c4,c5并将其输出至FPN金字塔结构；所述FPN金字塔结构对ResNet50网络框架输出的不同尺度特征图c2,c3,c4,c5进行1×1卷积统一至256-d通道数，再依次对高层特征图进行2倍上采样，并与相邻层进行特征融合，得到特征图p2,p3,p4,p5；同时，还对特征图p5进行步长为2的下采样得到特征图p6，并将特征图p2,p3,p4,p5,p6作为区域建议获取步骤及兴趣区域池化步骤共享的多尺度特征图。