The invention provides a method for detecting electric power equipment based on deep learning, which relates to the field of image processing technology. The invention provides a method for detecting electric power equipment based on in-depth learning, including sample collection, sample labeling, sample preprocessing, model training, model testing and sliding detection. The invention can realize accurate equipment positioning and equipment type detection, greatly reduce the labor cost, and improve the intelligence level of inspection robot.
【技术实现步骤摘要】
一种基于深度学习的电力设备检测方法
本专利技术属于图像处理
,涉及一种电力设备的检测方法。
技术介绍
通常,为了掌握设备运行状况,及时发现设备隐患,监视设备运行动态,确保设备的安全运行,需要电力巡检机器人对各种仪表、信号指示装置是否正常,电流、电压、有功、无功等参数是否在允许范围内进行定期的巡检监控。然而,电力巡检机器人在进行定期的电力巡检任务前,需要知道应该在何处进行何种类型的巡检,即每个巡检设备的位置坐标和巡检的设备类型。一般来说,可以通过人工预先控制机器人到达每个巡检点,记录当前巡检点的设备位置坐标和需要巡检的设备类型;亦或巡检机器人通过场景图片的拍摄,基于各种电力设备的检测方法,从而获得设备的位置坐标和需要巡检的设备类型,即基于视觉系统进行。然而,传统上,基于视觉系统的电力设备检测主要基于滑动窗口的方式,通过边缘、灰度梯度和几何特性等方式完成设备的定位和类型识别。但由于光照、阴影等使得图像中的噪声和各种干扰信息过多,加之设备的多样性,传统的视觉方法无法有效的完成上述任务。因此,大多数的巡检机器人都依赖于人工的方式设定巡检点来完成设备巡检任务。即通过人工预先控制机器人到达每个巡检点,记录当前巡检点的设备位置坐标和需要巡检的设备类型,然后当机器人巡检时,再读取这些信息来完成设备的定位和巡检。
技术实现思路
本专利技术的目的是:解决传统基于视觉系统的电力设备检测无法有效胜任的问题,提供一种基于深度学习的电力设备检测方法。具体而言,本专利技术的技术方案,包括以下步骤:1)样本收集:收集样本,所述样本为拍摄有电力设备的实际场景的图片;将收集的样本称为第一样 ...
【技术保护点】
1.一种基于深度学习的电力设备检测方法,其特征在于,包括以下步骤:1)样本收集:收集样本,所述样本为拍摄有电力设备的实际场景的图片;将收集的样本称为第一样本;2)样本标注:如为首次标注则采用人工的方式对第一样本进行标注,如为模型迭代优化则先利用已有模型对第一样本进行自动标注,再进行人工检查和修改;标注的内容为样本图片中每个设备最小包围框的左上角和右下角的坐标值以及每个包围框中的设备类型;将进行样本标注后的样本称为第二样本;3)样本预处理:对第二样本进行随机裁剪,生成样本尺度统一的第三样本,将第三样本按比例划分为模型训练样本集和模型测试样本集;4)模型训练:基于ResNet‑101的R‑FCN检测方法,利用深度学习工具CAFFE对步骤3)得到的模型训练样本集进行模型训练;5)模型测试,具体为:利用步骤3)得到的模型测试样本集对模型进行测试,判断模型的平均精度是否满足要求:若满足要求,则模型训练合格,进行步骤6);若不满足要求,则模型训练不合格,重复步骤1)‑4)进行模型的迭代优化;6)滑动检测,具体为:设置滑动窗口,将待测图片切分为若干与滑动窗口分辨率相同的局部待测图片;利用经步骤5)模 ...
【技术特征摘要】
1.一种基于深度学习的电力设备检测方法,其特征在于,包括以下步骤:1)样本收集:收集样本,所述样本为拍摄有电力设备的实际场景的图片;将收集的样本称为第一样本;2)样本标注:如为首次标注则采用人工的方式对第一样本进行标注,如为模型迭代优化则先利用已有模型对第一样本进行自动标注,再进行人工检查和修改;标注的内容为样本图片中每个设备最小包围框的左上角和右下角的坐标值以及每个包围框中的设备类型;将进行样本标注后的样本称为第二样本;3)样本预处理:对第二样本进行随机裁剪,生成样本尺度统一的第三样本,将第三样本按比例划分为模型训练样本集和模型测试样本集;4)模型训练:基于ResNet-101的R-FCN检测方法,利用深度学习工具CAFFE对步骤3)得到的模型训练样本集进行模型训练;5)模型测试,具体为:利用步骤3)得到的模型测试样本集对模型进行测试,判断模型的平均精度是否满足要求:若满足要求,则模型训练合格,进行步骤6);若不满足要求,则模型训练不合格,重复步骤1)-4)进行模型的迭代优化;6)滑动检测,具体为:设置滑动窗口,将待测图片切分为若干与滑动窗口分辨率相同的局部待测图片;利用经步骤5)模型测试合格的模型对局部待测图片进行电力设备检测,获得电力设备位置及类型。2.如权利要求1所述的基于深度学习的电力设备检测方法,其特征在于,所述步骤1)具体为:从实际场景中收集样本;将样本通过裁剪缩放或0像素值填充的方式进行尺度统一,同时确保尺度统一后的样本中,每个设备的高度和宽度在样本图片中所占的像素点数均需不低于20,且不高于图片最短边的1/3,由此得到第一样本。3.如权利要求2所述的基于深度学习的电力设备检测方法,其特征在于,所述第一样...
【专利技术属性】
技术研发人员:吴肖,程敏,毛成林,王锋,项导,
申请(专利权)人:亿嘉和科技股份有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。