一种基于人类概念学的电力设备目标识别方法技术

本发明专利技术公开了一种基于人类概念学的电力设备目标识别方法，包括，建立电力设备图像数据集，并对所述电力设备图像中的电力设备进行标注；通过利用标注后的数据集训练神经网络和贝叶斯网络，分别获得识别结果和条件概率；利用所述条件概率计算联合概率；筛选最高联合概率所对应的识别结果作为所述电力设备的识别结果，完成所述电力设备的识别。本发明专利技术通过结合Mask R‑CNN和概率图模型，底层使用Mask R‑CNN，顶层使用贝叶斯网络对电力设备图像进行识别训练，使得通过少量的数据样本也能达到很好的识别效果，且成功地提升了Mask R‑CNN模型的性能。

【技术实现步骤摘要】
一种基于人类概念学的电力设备目标识别方法
本专利技术涉及图像识别的
，尤其涉及一种基于人类概念学的电力设备目标识别方法。
技术介绍
检查高压设备是确保设备可靠供电的有效手段，随着中国国有企业固定岗位政策的实施和电网的发展，设备检查的问题日益突出，如果能够采用先进的检测诊断技术，实现变电站关键设备的无人值守检查和对隐患，异常情况的自动判断，则可以极大地解放一线人员的检查负担，大大提高了当前变电站运维水平。在电力设备目标识别领域，国内外学者进行了一定的研究并取得了一定的成就。在国外，一些学者使用红外和可见光图像来实现电线检测目标。首先，从红外和可见光传感器获取视频流图像，然后使用图像处理确定电线是否有故障，并通过复合图像流实时显示；除了输电线路，一些学者还尝试了绝缘算子的方向。他们提出了一种基于视频的在线检测方法。该方法使用诸如模板，直方图和边缘之类的信息来考虑亮度不同时的情况，并用于倾斜绝缘体和降雪检测。六年前的中国，有人指出，图像识别技术的发展为智能电网的实现提供了技术保障，它可以解决电力设备在线监控面临的巨大计算问题，对提高电力设备的在线监测意义重大。一般的方法是在对摄像机采集的变电站的图像进行预处理之后，提取出电力设备目标形状的不变矩，并将其用作特征向量，使用支持向量机识别电力设备的类型，然后使用设备操作图片和数据库比较图片以确定是否存在故障。使用支持向量机进行训练时，该方法一次只能训练两个类别，但是电力设备种类很多，因此需要多次使用支持向量机，由于总运行时间是所有SVM训练时间的总和，因此效率很低。还有其他方法可以定位和识别电力设备标志，以读出电力设备的类型和参数。这种方法有一定的局限性，一方面，图片的分辨率可能无法满足要求，另一方面，这项工作并没有必要使用图像识别方法。例如，为了减少图像识别算法的运行时间，使用了模板匹配算法，电力设备的特定部分用作模板来遍历和匹配整个图片。例如，要识别变压器，只需在图片中找到绝缘算子，计算效率大大提高，但是此方法的先决条件是拍摄相机的角度是已知且固定的，这等效于拍摄对象的已知形状和大小。
技术实现思路
本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。鉴于上述现有存在的问题，提出了本专利技术。因此，本专利技术提供了一种基于人类概念学的电力设备目标识别方法，解决了现有方法需要提前知道电力设备图片或视频的拍摄角度，否则无法达到预期效果的问题。为解决上述技术问题，本专利技术提供如下技术方案：包括，建立电力设备图像数据集并进行标注；利用标注后的数据集训练神经网络和贝叶斯网络，分别获得识别结果和条件概率；结合所述条件概率计算联合概率；筛选最高联合概率所对应的识别结果作为所述数据集中电力设备的识别结果，完成所述电力设备的识别。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述数据集包括，利用VIAVGG图像注释器标记工具建立包含750张所述电力设备图像的数据集，其中所述电力设备图像由变电站检查机器人拍摄。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述标注包括，使用标签工具对每个电力设备图像中包含的电力设备进行所述标注，并利用标签信息与有向边信构造相应的有向无环图。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述标签信息包括，电力设备的轮廓，类型和图像质量信息。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述训练贝叶斯网络包括，利用标签信息计算相应的贝叶斯网络的节点和边缘信息，从而获取相应的条件概率表。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述节点包括，设备类型，设备相对面积，设备质心的横坐标，设备质心的纵坐标，设备轮廓上每个标记点的横坐标，设备轮廓上每个标记点的坐标，设备序列号，子节点设备，以及设备中包含的所有像素。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述边缘信息包括，边缘的方向：基于定义的优先级信息，优先级较高的节点指向优先级较低的节点。边缘的权重：比较每个节点所在多边形中心的相对位置与位置矩阵。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述识别结果包括，矩形框参数，类别参数，得分参数和遮罩参数。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述条件概率包括，相同类型的两个设备同时存在的概率表达式如下：Ps＝P(p2|p1,p4)P(p3|p2,p4)其中，P1为1号设备存在的概率，P2为2号设备存在的概率，P3为3号设备存在的概率，P4为4号设备存在的概率；每个设备的相对面积与设备本身的类型相关联的概率表达式如下：Pa＝P(s1|p1)P(s2|p2)其中，S1为1号设备的相对面积，S2为2号设备的相对面积；设备与设备之间的空间关系与两个设备的类型相关联的概率表达式如下：Pr＝P(R1,2|p1,p2)P(R2,3|p2,p3)P(R3,4|p3,p4)P(R4,5|p4,p5)P(R5,6|p5,p6)P(R6,7|p6,p7)P(R7,8|p7,p8)P(R8,9|p8,p9)P(R9,10|p9,p10)]其中，R1,2为1号设备与2号设备的空间关系，R2,3为2号设备与3号设备的空间关系，R3,4为3号设备与4号设备的空间关系，R4,5为4号设备与5号设备的空间关系，R5,6为号设5备与6号设备的空间关系，R6,7为6号设备与7号设备的空间关系，R7,8为7号设备与8号设备的空间关系，R8,9为号设8备与9号设备的空间关系，R9,10为9号设备与10号设备的空间关系；P5为5号设备存在的概率，P6为6号设备存在的概率，P7为7号设备存在的概率，P8为8号设备存在的概率，P9为9号设备存在的概率，P10为10号设备存在的概率。作为本专利技术所述的一种基于人类概念学的电力设备目标识别方法的一种优选方案，其中：所述联合概率包括，所述联合概率分布表达式如下：P＝PsPaPr本专利技术的有益效果：本专利技术通过结合MaskR-CNN和概率图模型，底层使用MaskR-CNN，顶层使用贝叶斯网络对电力设备图像进行识别训练，使得通过少量的数据样本也能达到很好的识别效果，且成功地将MaskR-CNN输出的mAP值提高了12％，提升了MaskR-CNN模型的性能。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可本文档来自技高网...

【技术保护点】
1.一种基于人类概念学的电力设备目标识别方法，其特征在于：包括，/n建立电力设备图像数据集并进行标注；/n利用标注后的数据集训练神经网络和贝叶斯网络，分别获得识别结果和条件概率；/n结合所述条件概率计算联合概率；/n筛选最高联合概率所对应的识别结果作为所述数据集中电力设备的识别结果，完成所述电力设备的识别。/n

【技术特征摘要】
1.一种基于人类概念学的电力设备目标识别方法，其特征在于：包括，
建立电力设备图像数据集并进行标注；
利用标注后的数据集训练神经网络和贝叶斯网络，分别获得识别结果和条件概率；
结合所述条件概率计算联合概率；
筛选最高联合概率所对应的识别结果作为所述数据集中电力设备的识别结果，完成所述电力设备的识别。


2.如权利要求1所述的基于人类概念学的电力设备目标识别方法，其特征在于：所述数据集包括，
利用VIAVGG图像注释器标记工具建立包含750张所述电力设备图像的数据集，其中所述电力设备图像由变电站检查机器人拍摄。


3.如权利要求1或2所述的基于人类概念学的电力设备目标识别方法，其特征在于：所述标注包括，
使用标签工具对每个电力设备图像中包含的电力设备进行所述标注，并利用标签信息与有向边信构造相应的有向无环图。


4.如权利要求3所述的基于人类概念学的电力设备目标识别方法，其特征在于：所述标签信息包括，
电力设备的轮廓，类型和图像质量信息。


5.如权利要求4所述的基于人类概念学的电力设备目标识别方法，其特征在于：所述训练贝叶斯网络包括，
利用标签信息计算相应的贝叶斯网络的节点和边缘信息，从而获取相应的条件概率表。


6.如权利要求5所述的基于人类概念学的电力设备目标识别方法，其特征在于：所述节点包括，
设备类型，设备相对面积，设备质心的横坐标，设备质心的纵坐标，设备轮廓上每个标记点的横坐标，设备轮廓上每个标记点的坐标，设备序列号，设备子节点，以及设备中包含的所有像素。


7.如权利要求5或6所述的基于人类概念学的电力设备目标识别方法，其特征在于：所述边缘信息包括，
边缘的方向：基于定义的优先级信息，优先级较高的节点指向优先级较低的节点。
边缘的权重：比较每个节点所在多边形中心的相对位置与位置矩阵。
...

【专利技术属性】
技术研发人员：刘亚东，严英杰，熊思衡，裴凌，李喆，徐鹏，苏磊，傅晓飞，江秀臣，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：上海;31