一种基于Faster RCNN的变电站隔离开关检测识别方法技术

本发明专利技术公开了一种基于Faster RCNN的变电站隔离开关检测识别方法，包括以下步骤：获取变电站的监测图像；将所述监测图像输入Faster RCNN判断模型，获取隔离开关的可能目标窗口；通过分类识别网络从所述可能目标窗口中获取隔离开关窗口。本发明专利技术通过深度神经网络对变电站监测图像进行特征提取，减少人工参与程度，避免传统图像处理方法带来的误判问题，避免了传统手工提取特征的误差和不全面性，且利用CNN网络提取的隔离开关特征具备较强的鲁棒性，在检索图像背景复杂或监测角度变化时，仍能保持较好的检索精度，将隔离开关的定位和识别放在同一模型中进行，很大程度上提高关键设备检索效率。

A Detection and Recognition Method of Substation Isolator Switch Based on Faster RCNN

【技术实现步骤摘要】
一种基于FasterRCNN的变电站隔离开关检测识别方法
本专利技术涉及到变电站关键设备检测识别领域，具体是一种基于FasterRCNN的变电站隔离开关检测识别方法。
技术介绍
变电站内高压隔离开关的作用是将停电的设备和线路与运行系统的带电部分进行明显可见的安全隔离，确保检修人员和停电设备的人身安全和设备安全。根据有关资料的统计数据，隔离开关分合闸操作异常占到了隔离开关所有危急和严重缺陷的20％以上，而隔离开关故障频发将严重威胁电网安全稳定运行。传统的人工方法对变电站进行实时监测，耗费大量的人力资源，切工作人员劳动强度较大，人工误检率较高，变电站运检的维护成本较大。本申请部分英文术语：卷积神经网络(ConvolutionalNeuralNetwork,CNN)是深度学习技术中极具代表的网络结构之一。FasterR-CNN(Fastregionproposals&CNN)属于快速目标检测技术。RegionProposalNetwork(RPN)，RPN属于一种卷积网络，RegionOfInterest(ROI)图像尺寸处理技术。
技术实现思路
为解决上述
技术介绍
中提出的问题，本专利技术提供一种基于FasterRCNN模型的变电站隔离开关检测识别方法，利用深度神经网络对检测图像进行隔离开关的特征进行提取并分析，能够有效提高隔离开关检测识别的识别精度和检测速度，并且具备较强的鲁棒性。本专利技术提供一种基于FasterRCNN的变电站隔离开关检测识别方法，包括以下步骤：获取变电站的监测图像；将所述监测图像输入FasterRCNN判断模型，获取隔离开关的可能目标窗口；通过分类识别网络从所述可能目标窗口中获取隔离开关窗口。作为一种可选方案，所述方法还包括：对所述监测图像进行预处理，所述预处理包括图像噪声处理或/和图像增强处理或/和图像尺寸处理。作为一种可选方案，所述方法还包括：建立FasterRCNN模型训练图像库，通过所述图像库对所述FasterRCNN判断模型进行隔离开关识别训练；所述图像库包括含有隔离开关的图像以及不含隔离开关的背景图像，图像库的图像为经过图像预处理后的图像，所述含有隔离开关的图像对隔离开关进行标定。作为一种可选方案，所述通过所述图像库对所述FasterRCNN判断模型进行隔离开关识别训练具体为：利用截断CNN结构提取图像的卷积特征，在所述卷积特征上进行逐个像素点的窗口扫描，获取样本窗口；根据所述样本窗口与真实隔离开关窗口之间的重叠部分，获取训练RPN网络的正样本和负样本；利用所述正样本和负样本训练RPN网络。作为一种可选方案，所述根据所述样本窗口与真实隔离开关窗口之间的重叠部分，确定训练RPN的有隔离开关的窗口样本和背景窗口样本具体为：若重叠部分超过70％则定义所述窗口样本为正样本，若重叠部分小于30％则定义为所述窗口样本负样本。作为一种可选方案，所述正样本为含有隔离开关的图像，所述负样本为不含隔离开关的背景图像；所述利用正样本和负样本训练RPN之后还包括：将RPN处理得到的有隔离开关的窗口样本数据输入FasterRCNN判断模型的多分类网络，通过样本的状态标注信息计算分类网络的误差rpn_cls_loss，并根据所述误差反向调整多分类网络。作为一种可选方案，所述将所述监测图像输入FasterRCNN判断模型，获取隔离开关的可能目标窗口具体为：通过RPN网络的CNN结构提取监测图像的卷积特征块，以卷积特征块上的每个像素点为中心构造9个可能目标窗口。作为一种可选方案，所述对隔离开关进行标定包括标定隔离开关的位置和开合状态，所述开合状态包括开、合、中间。作为一种可选方案，所述获取训练RPN网络的正样本和负样本之后还包括：利用ROI池化方法进行特征池化和维度统一化。本专利技术的优点在于：本专利技术通过深度神经网络对变电站监测图像进行特征提取，减少人工参与程度，避免传统图像处理方法带来的误判问题，避免了传统手工提取特征的误差和不全面性，且利用CNN网络提取的隔离开关特征具备较强的鲁棒性，在检索图像背景复杂或监测角度变化时，仍能保持较好的检索精度，将隔离开关的定位和识别放在同一模型中进行，很大程度上提高关键设备检索效率。附图说明图1为本专利技术实施例提供的基于FasterRCNN的隔离开关检测识别方法框架图；图2为本专利技术实施例提供的基于FasterRCNN的隔离开关检测识别方法另一框架图；图3为本专利技术实施例提供的图像标注过程；图4为本专利技术实施例提供的FasterRCNN模型框架图。具体实施方式下面参照附图并结合具体的实施例，对本专利技术作进一步的详细说明。请参照图1至4，本专利技术实施例提供一种基于FasterRCNN的变电站隔离开关检测识别方法，包括以下步骤：获取变电站的监测图像；将所述监测图像输入FasterRCNN判断模型，获取隔离开关的可能目标窗口；通过分类识别网络从所述可能目标窗口中获取隔离开关窗口。本实施例通过深度神经网络对变电站监测图像进行特征提取，减少人工参与程度，避免传统图像处理方法带来的误判问题，避免了传统手工提取特征的误差和不全面性。本实施例主要分为下列几个部分：图像采集和图像预处理部分：采集大量变电站监测隔离开关的图像，然后对这些图像进行预处理，首先对原始变电站监测图像进行高斯滤波去噪，减轻噪声对隔离开关检测精度的影响。然后按比例对监测图像进行放缩，使得最终的训练图像数据均为统一的600x800尺寸。针对图像数据中存在的横图和竖图问题，在统一图像尺寸之前，需要将所有监测图像中的竖图先按顺时针旋转90度。图像标定对已有监测图像数据中每张图像进行标定，首先利用selectivesearch的方法，通过对色块的融合达到对突出目标物的标定目的。然后利用LabelImg标定工具将图像中隔离开关设备的精确位置和开合状态进行标定，整个标定过程见图3。在标注图像时，隔离开关的状态分为“开”、“合”和“中间”三种状态，分别代表隔离开关的完全打开状态，完全闭合状态和中间状态。标定过程将保留图像上目标物体的定位信息和该目标窗口的状态信息，并以XML文件的形式存在，从而形成一个标定信息库。模型训练部分：利用标定信息和训练图像对FasterRCNN模型进行训练，该训练分为三个部分进行，首先是模型的共享阶段CNN网络，该网络能够直接提取监测图像的卷积特征；然后是模型的区域推荐网络(RegionProposalNetwork,RPN),该网络通过标定信息的监督训练，输出图像中隔离开关可能存在的位置；最后是模型的多分类网络，该网络对RPN输出的目标图像块进行分类，分为“开”状态隔离开关、“合”状态隔离开关、“中间”状态隔离开关和背景图像四个类别。在模型在训练阶段，只需要将训练图像和标注数据输入到FasterRCNN中，首先利用RPN网络选择出可能包含目标的候选窗口，然后对候选窗口进行分类识别，利用网络输出的定位检测结果与真实结果之间的误差调整整个模型的参数。模型主要由四个结构组成，首先是截断的CNN网络，其作用是提取图像的卷积块特征；其次是ROI池化层，主要是用来池化不同尺寸的目标窗口卷积特征，将它们统一为相同纬度的一维特征；然后是RPN网络，该网络能自动遍历图像，检索图像中隔离开关的候选窗口位置；最后就是多分类网络，这本文档来自技高网...

【技术保护点】
1.一种基于Faster RCNN的变电站隔离开关检测识别方法，其特征在于，包括以下步骤：获取变电站的监测图像；将所述监测图像输入Faster RCNN判断模型，获取隔离开关的可能目标窗口；通过分类识别网络从所述可能目标窗口中获取隔离开关窗口。

【技术特征摘要】
1.一种基于FasterRCNN的变电站隔离开关检测识别方法，其特征在于，包括以下步骤：获取变电站的监测图像；将所述监测图像输入FasterRCNN判断模型，获取隔离开关的可能目标窗口；通过分类识别网络从所述可能目标窗口中获取隔离开关窗口。2.根据权利要求1所述的一种基于FasterRCNN的变电站隔离开关检测识别方法，其特征在于，所述方法还包括：对所述监测图像进行预处理，所述预处理包括图像噪声处理或/和图像增强处理或/和图像尺寸处理。3.根据权利要求2所述的一种基于FasterRCNN的变电站隔离开关检测识别方法，其特征在于，所述方法还包括：建立FasterRCNN模型训练图像库，通过所述图像库对所述FasterRCNN判断模型进行隔离开关识别训练；所述图像库包括含有隔离开关的图像以及不含隔离开关的背景图像，图像库的图像为经过图像预处理后的图像，所述含有隔离开关的图像对隔离开关进行标定。4.根据权利要求3所述的一种基于FasterRCNN的变电站隔离开关检测识别方法，其特征在于，所述通过所述图像库对所述FasterRCNN判断模型进行隔离开关识别训练具体为：利用截断CNN结构提取图像的卷积特征，在所述卷积特征上进行逐个像素点的窗口扫描，获取样本窗口；根据所述样本窗口与真实隔离开关窗口之间的重叠部分，获取训练RPN网络的正样本和负样本；利用所述正样本和负样本训练RPN网络。5.根据权利要求4所述的一种基于FasterRCNN的变电站隔离开关检测识别方法，其特征在于，...

【专利技术属性】
技术研发人员：李文震，张成松，李昉，吴启瑞，张海龙，刘海波，彭仲晗，谷凯凯，陈凯，李穆，张辉，沈厚明，曹磊，
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