[发明专利]一种变电设备接头发热的自动识别方法

摘要

为了解决现有技术中对导电接头等小部件识别的准确性和鲁棒性较低的问题，本发明提供一种变电设备接头发热的自动识别方法，首先采用已标注的变电设备图像，对深度学习目标分割模型Mask R‑CNN和机器学习模型支持向量机进行训练；然后用训练好的模型对待识别的变电设备图像进行导电接头的定位；最后根据相关的缺陷定级标准对导电接头区域进行发热缺陷的判定，并输出接头发热识别结果。本发明方法可以实现变电设备图像中导电接头部位的准确识别和分割，并进行接头发热缺陷的自动判断。相比于同类的目标识别与分割方法，提高了变电设备接头的定位精度，以及接头发热缺陷的识别准确率。

主权项

1.一种变电设备接头发热的自动识别方法，其特征在于，包括以下步骤：/nS1.收集变电站设备图像，并建立变电设备接头发热缺陷定级标准表；/nS2.用不规则轮廓标注出S1步骤中所述的变电设备图像中的导电接头的所在区域，轮廓外的像素为背景像素；同时，根据所标注的不规则轮廓，生成该轮廓的外接矩形，形成训练图像；/n其中，上述轮廓内包含的像素为Mask R-CNN模型的目标分割输出标签；生成的外接矩形，作为Mask R-CNN模型的目标检测输出标签；/nS3.通过图像裁剪和/或图像翻转和/或图像色彩扰动对S2步骤中的训练图像进行扩展，得到扩展后的训练图像；/nS4.将S3步骤中的扩展后的训练图像划分为红外图像和可见光图像两组，分别通过Mask R-CNN模型进行训练，分别得到红外图像的预测结果和可见光图像的预测结果；上述的红外图像的预测结果和可见光图像的预测结果均包括矩形框坐标、置信度以及图像类型信息；/nS5.通过支持向量机模型的划分函数对S4步骤得到的红外图像的预测结果和可见光图像的预测结果进行划分；/nS6.通过拍摄的设备与部位名称关键字，对获得的拍摄图像进行筛选，选择出包含的各类设备接头的待识别图像；/nS7.对S6步骤筛选好的每一张待识别图像，依次进行S4、S5步骤，通过支持向量机模型的划分函数对样本特征进行划分，从而得到支持向量机模型的输出值；/nS8.根据S7步骤的输出值判断图像是否定位准确；/nS9.对于通过S8步骤正常定位到导电接头的变电设备图像，读取其温度最高点的温度值，并按照图片上的设备与部位名称，对应于S1步骤建立的变电设备接头发热缺陷定级标准表，检查是否有最高温度值达到缺陷标准，并给出提示。/n