【技术实现步骤摘要】
一种基于Mask-RCNN的电力设备红外图像分割方法
本专利技术涉及一种基于Mask-RCNN的电力设备红外图像分割方法，属于变电站电力设备的图像处理领域。
技术介绍
近年来，许多监测技术得到积极地推广和应用，在众多监测技术中红外热成像技术因其不停电、不取样、不解体等优点而备受青睐。目前对红外图像的分析诊断多依赖人工，而目前的红外监测人员较少，无法满足对巨量红外图像的分析工作，再加上部分监测人员的专业知识水平和监测经验积累不足，因此对缺陷的分析判断能力较差，这大大制约了设备状态监测智能化水平的提升。为了提高电气设备状态监测的智能化水平，可以采用一些智能的图像处理方法对红外图像进行分割，提取出电力设备区域，便于故障诊断工作。在数字图像研究领域，已经出现了很多图像分割方法。目前传统的图像分割方法主要适用于图像目标突出、且非密集的情况，而且分割结果的精确度不高。此外，目前基于传统方法的电力设备分割结果图中，没有保留原始红外图像的图像信息，输出的结果为黑白图像，由于红外图像中的颜色信息对应着设备的温度信息，这是电力设备红外故...
【技术保护点】
1.一种基于Mask-RCNN的电力设备红外图像分割方法，其特征在于：包含以下步骤：/n步骤S1：建立电力设备红外图像的数据集，标注好训练集和测试集；/n步骤S2：构建立深度学习模型；/n步骤S3：设置模型初始超参数和迭代次数，训练集中所有样本被训练模型计算一次就叫做一次迭代；/n步骤S4：使用步骤S1中标注好的训练集，输入构建好的模型中进行训练；/n步骤S5：每2000～3000迭代次数，采用步骤S1中标注好的测试集，评估步骤S4中该次训练得到的模型的性能；/n步骤S6：当迭代次数达到设定值时，停止训练，综合步骤S5中获取的各个训练阶段的模型超参数，对比各项性能，筛选出性...
【技术特征摘要】 【专利技术属性】
1.一种基于Mask-RCNN的电力设备红外图像分割方法，其特征在于：包含以下步骤：
步骤S1：建立电力设备红外图像的数据集，标注好训练集和测试集；
步骤S2：构建立深度学习模型；
步骤S3：设置模型初始超参数和迭代次数，训练集中所有样本被训练模型计算一次就叫做一次迭代；
步骤S4：使用步骤S1中标注好的训练集，输入构建好的模型中进行训练；
步骤S5：每2000～3000迭代次数，采用步骤S1中标注好的测试集，评估步骤S4中该次训练得到的模型的性能；
步骤S6：当迭代次数达到设定值时，停止训练，综合步骤S5中获取的各个训练阶段的模型超参数，对比各项性能，筛选出性能最优的深度学习模型；
步骤S7：将待测电力设备红外图像输入训练好最优的深度学习模型进行处理，获得分割结果。
2.如权利要求1所述的基于Mask-RCNN的电力设备红外图像分割方法，其特征在于：步骤S1：建立电力设备红外图像的数据集：对红外成像设备在变电站现场采集的红外图像进行预处理，预处理包括统一图像尺寸、及标注出电力设备在图像中的位置和形状，并按(8±2):2比例分为训练集和测试集。
3.如权利要求1或2所述的基于Mask-RCNN的电力设备红外图像分割方法，其特征在于：步骤S2：采用Mask-RCNN网络架构建立深度学习模型；其中，采用ResNet101和FPN作为特征提取网络。
4.如权利要求1或2所述的基于Mask-RCNN的电力设备红外图像分割方法，其特征在于：在步骤S3中，迭代次数设置在5000～10000次。
技术研发人员：吴克河，陈祖歌，莫蓓蓓，谢云澄，陈观澜，李为，王昱颖，王敏鉴，李渊博，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：北京;11
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。