基于Faster RCNN的自适应变压器部件检测识别方法技术

本发明专利技术公开了一种基于Faster RCNN的自适应变压器部件检测识别方法，该方法的步骤包括：数据集准备部分，对采集的变电站监测图像进行预处理，形成图像训练库和图像标注文档库；Faster RCNN模型训练部分，利用训练图像数据集和标注信息集对该深度检测模型进行训练，使之检测定位和识别变压器的主要部件，并输出对应部件的识别结果；检测窗口的自适应NMS处理部分，对检测窗口按部件分类，防止误删现象，利用自适应NMS方法去除同一目标重复定位现象。本发明专利技术能实现对变电站监测图像中变压器中本体、散热器、套管和油枕的自动检测识别，并且提出了一种自适应NMS方法，极大程度上减少了变压器部件检测定位中的重复和漏检现象，使最终的检测识别具备较高的精度。

Faster RCNN-based Adaptive Transformer Component Detection and Recognition Method

The invention discloses an adaptive transformer component detection and recognition method based on Faster RCNN. The steps of the method include: data set preparation part, pretreatment of the collected monitoring image of substation, formation of image training library and image annotation document library; Faster RCNN model training part, using training image data set and annotation information set to carry out the depth detection model. The main components of transformer are detected and identified by training, and the recognition results of corresponding components are output. The adaptive NMS processing part of the detection window classifies the detection windows according to the components, so as to prevent the phenomenon of deletion. The adaptive NMS method is used to remove the phenomenon of repetitive location of the same target. The invention can realize the automatic detection and recognition of transformer body, radiator, bushing and oil pillow in the monitoring image of substation, and proposes an adaptive NMS method, which greatly reduces the repetition and missed detection in the detection and positioning of transformer components, and makes the final detection and recognition have high accuracy.

【技术实现步骤摘要】
基于FasterRCNN的自适应变压器部件检测识别方法
本专利技术涉及到变压器检测识别领域，具体是一种基于FasterRCNN的自适应变压器部件检测识别方法。
技术介绍
为了实现变电站主要电力设备的智能化管理，保障电力系统安全可靠运行，电力公司加强了对电力设备运行监测方法和手段。目前，基于红外热像仪带电检测、无人机巡检、视频在线监测等大力推广和使用，产生了海量的可见光和红外图像，但主要还是采取人工分析的方式处理主要设备的各项问题。这种方式会导致大量人力资源的浪费，还会由于缺乏客观性导致出错。因此，利用图像识别技术进行电力设备目标智能识别对于后续的电力设备的故障检测和诊断非常必要，这种方式不仅能降低人工工作量，还可避免人为检测实物导致的误判，达到提高检测的准确性的目的。传统的检测识别方法一般是在图像上通过不同大小的窗口进行扫描，并根据手工浅层图像特征训练分类模型完成目标分类。然而这种浅层图像特征不具备语义层面上的性质，且全图的扫描会耗费大量的计算时间。另一方面，这种检索方式中会出现大量的重复现象，即同一个目标部件会存在多个重叠的定位窗口。一般可利用NMS处理进行窗口的去重，但NMS方法本文档来自技高网...

【技术保护点】
1.一种基于Faster RCNN的自适应变压器部件检测识别方法，其特征在于，包括如下具体步骤：数据集准备：训练集的准备分为图像数据库准备和标注信息文档库准备，其中图像数据库是通过对采集的变电站监测图像进行预处理得到；其中，对监测图像的预处理方式至少包括图像白化和尺寸归一化；标注信息文档库至少包括图像中变压器的关键部件的名称和定位信息，标定对象是变压器的本体、油枕、套管和散热器；Faster RCNN模型训练：利用标定信息和训练图像对Faster RCNN模型进行训练；训练分为三个部分，第一部分是模型的共享阶段CNN网络，用以提取监测图像的卷积特征；第二部分是模型的区域推荐网络(Region ...

【技术特征摘要】
1.一种基于FasterRCNN的自适应变压器部件检测识别方法，其特征在于，包括如下具体步骤：数据集准备：训练集的准备分为图像数据库准备和标注信息文档库准备，其中图像数据库是通过对采集的变电站监测图像进行预处理得到；其中，对监测图像的预处理方式至少包括图像白化和尺寸归一化；标注信息文档库至少包括图像中变压器的关键部件的名称和定位信息，标定对象是变压器的本体、油枕、套管和散热器；FasterRCNN模型训练：利用标定信息和训练图像对FasterRCNN模型进行训练；训练分为三个部分，第一部分是模型的共享阶段CNN网络，用以提取监测图像的卷积特征；第二部分是模型的区域推荐网络(RegionProposalNetwork,RPN),通过标定信息的监督训练，使得RPN具备自动监测定位图像中变压器关键部件位置的能力；第三部分是模型的多分类网络，利用标注信息中部件的类别进行监督训练，以对RPN网络输出的定位信息进行分类识别能力；部件窗口自适应NMS：将监测图像进行预处理，输入到训练好的FasterRCNN模型，输出准确的变压器部件的定位窗口、识别种类和置信度信息；同时对模型输出的检测窗口进行自适应NMS处理。2.根据权利要求1所述的基于FasterRCNN的自适应变压器部件检测识别方法，其特征在于：在FasterRCNN模型训练过程中，处理CNN共享网络得到的监测图像卷积特征块时，将以卷积特征块上的每个像素点为中心构造8种窗口，完成对整幅图像的窗口遍历；其中，在构造窗口时，提供4种窗口比例和2种窗口大小进行随意组合，从而得到8种可能的遍历窗口。3.根据权利要求2所述的基于FasterRCNN的自适应变压器部件检测识别方法，其特征在于：构造遍历窗口时，变压器监测图像中各类部件的最大边缘是明显长方形的窗口，选取的窗口长宽比例为1:2、2:1、1:1.5和1.5:1。4.根据权利要求3所述的基于FasterRCNN的自适应变压器部件检测识别方法，其特征在于：在对变压器进行监测时，变压器占据图像80％的面积，在构造遍历窗口时，将窗口大小设置为128和256，利用128×128的窗口检测套管，256×256的窗口检测其他变压器部件。5.根据权利要求1所述的基于FasterRCNN的自适应变...

【专利技术属性】
技术研发人员：李文震，罗汉武，秦若锋，吴启瑞，张海龙，李昉，刘海波，冯新文，彭仲晗，陈凯，
申请(专利权)人：国网内蒙古东部电力有限公司，国网电力科学研究院武汉南瑞有限责任公司，
类型：发明
国别省市：内蒙古,15