一种高精度的红外图像异常检测方法及系统技术方案

本发明专利技术涉及检测技术领域，具体而言，涉及一种高精度的红外图像异常检测方法及系统，该方法包括如下步骤：S1、采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；S2、构建网络模型，利用所述数据集对SSD基础模型进行训练，得到电力设备检测神经网络模型；S3、利用所述电力设备检测神经网络模型进行待测图像检测。本发明专利技术通过更加细致的样本分类将极大的提高红外图像或者红外视频检测的效率与高精度；通过图像风格的迁移扩充图像样本，不仅能够增加训练样本量，还能够解决复杂天气对图像样本造成的影响；通过对图像样本的预处理，能够增加训练的复杂性，提高训练效果，以此提高模型检测的精度。

【技术实现步骤摘要】
一种高精度的红外图像异常检测方法及系统
本专利技术涉及检测
，具体而言，涉及一种高精度的红外图像异常检测方法及系统。
技术介绍
电力设备是变电站的基本组成模块，对电力设备状态及时检测，能对这些设备高效率管理，使变电站更加高效、安全、可靠运行。变电站中绝大部分电力设备异常发热是由于关键部位接触不良、连接部件松动、过负荷、旧设备接头氧化、泄漏电流等原因造成电力设备的部分区域异常发热。红外热像仪检测具有非接触不停电检测电力设备等优点，在各个电力单位广泛使用，并且随着变电站智能巡检与定点监测等智能设备的应用与普及，红外图像数据不断增多，海量的巡检红外图像数据靠人工进行检索分析，将费时费力效率低下。以往的红外检测方法往往需要人工去设置红外温度阈值或者人工观测判别异常发热，费时费力，不能不间断监测。应用传统的图像处理技术对电力设备异常发热识别的方法往往因训练样本太少、样本分类不细致，没有考虑到地域、季节、时段、气温和天气等环境因素对电力设备的影响，导致识别的准确率较差，其次，训练样本量过多导致训练速度慢也是一大问题。申请内容针对现有技术的不足，本专利技术的目的在于提供一种高精度的红外图像异常检测方法，以对电力设备的红外图像异常进行高精度的检测分析。为实现上述目的，本专利技术的实施例通过以下技术方案实现：一种高精度的红外图像异常检测方法，包括如下步骤：S1、采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；S2、构建网络模型，利用所述数据集对SSD基础模型进行训练，得到电力设备检测神经网络模型；S3、利用所述电力设备检测神经网络模型进行待测图像检测。进一步地，所述步骤S1的样本收集方法包括：S11、采集电力设备在不同时段、不同地域、不同季节、不同天气、不同气温等情况下的红热异常与故障设备的图像样本；S12、利用图像风格转换器将图像样本转换为不同域的图像，实现图像风格的迁移，扩充图像样本；S13、每幅图像样本均对不同的采集时段、地域、季节、天气以及气温等环境因素和不同的红热异常区域、故障设备图像标注不同标签；S14、将标注好的图像样本，进行批量去噪、立体匹配预处理，和进行旋转、镜像、下采样、模糊或增强处理中的一种或多种处理，增加训练的复杂性，提高训练效果，并对图像样本进行统一裁剪；S15、将裁剪后的红外异常发热图像作为制作数据集的材料，制作voc2007标准化数据集。进一步地，所述步骤S2的构建模型网络方法包括：S21、加载数据集，并对所述数据集进行转换数据格式，得到训练文件；S22、构建SSD基础模型，利用所述训练文件对所述SSD基础模型进行训练；S23、训练中的优化器采用RMSprop优化器，得到电力设备检测神经网络模型；S24、对所述电力设备检测神经网络模型进行评估并根据训练评估指标分析计算得到指标值。进一步地，所述步骤S24的神经网络模型评估方法包括：以全类平均精度mAP为评估指标，当mAP值小于50％时，调整MobileNets基础网络参数重新训练；当mAP值大于50％时，保存电力设备检测神经网络模型。进一步地，所述步骤S3具体包括以下步骤：S31、将待测图像输入到所述电力设备检测神经网络模型中；S32、所述电力设备检测神经网络模型随机选取所述待测图像的多个区域；S33、利用SSD算法对每个所述区域打分；S34、设定一个相似度阈值，将每个所述区域得分值与相似度阈值做对比，将得分值高于相似度阈值的区域判定为正例，并对该区域进行标注；将得分值低于相似度阈值的区域判定为负例；S35、直至所述待测图像上所有被判定为正例的区域标注完成；S36、将所述被判定为正例的区域提取出来，并通过二值图表示；S37、寻找所述二值图中的所有轮廓，对二值图进行非极大值抑制，得到最终二值图作为检测结果。相应的，本专利技术还提供了一种高精度的红外图像异常检测系统，包括：数据集模块，其用于采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；数据格式转换模块，其用于将数据集转换为xml格式，获得训练文件；模型构建模块，其用于构建SSD基础模型；模型训练模块，其用于加载数据集并对SSD基础模型进行训练，以得到电力设备检测神经网络模型；检测分析模块，其通过所述电力设备检测神经网络模型进行待测图像检测。进一步地，所述数据集模块构建数据集的具体过程为：采集电力设备在不同时段、不同地域、不同季节、不同天气、不同气温等情况下的红热异常与故障设备的图像样本；利用图像风格转换器将图像样本转换为不同域的图像，实现图像风格的迁移，扩充图像样本；每幅图像样本均对不同的采集时段、地域、季节、天气以及气温等环境因素和不同的红热异常区域、故障设备图像标注不同标签；将标注好的图像样本，进行批量去噪、立体匹配预处理，和进行旋转、镜像、下采样、模糊或增强处理中的一种或多种处理，增加训练的复杂性，提高训练效果，并对图像样本进行统一裁剪；将裁剪后的红外异常发热图像作为制作数据集的材料，制作voc2007标准化数据集。进一步地，所述模型训练模块训练所述电力设备检测神经网络模型的具体过程为：加载数据集，并对所述数据集进行转换数据格式，得到训练文件；利用所述训练文件对所述SSD基础模型进行训练；训练中的优化器采用RMSprop优化器，得到电力设备检测神经网络模型；对所述电力设备检测神经网络模型进行评估并根据训练评估指标分析计算得到指标值。进一步地，所述评估指标为全类平均精度mAP，当mAP值小于50％时，调整MobileNets基础网络参数重新训练；当mAP值大于50％时，保存电力设备检测神经网络模型。进一步地，所述检测分析模块获得检测结果的具体过程为：将待测图像输入到所述电力设备检测神经网络模型中；所述电力设备检测神经网络模型随机选取所述待测图像的多个区域；利用SSD算法对每个所述区域打分；设定一个相似度阈值，将每个所述区域得分值与相似度阈值做对比，将得分值高于相似度阈值的区域判定为正例，并对该区域进行标注；将得分值低于相似度阈值的区域判定为负例；直至所述待测图像上所有被判定为正例的区域标注完成；将所述被判定为正例的区域提取出来，并通过二值图表示；寻找所述二值图中的所有轮廓，对二值图进行非极大值抑制，得到最终二值图作为检测结果。本专利技术实施例的技术方案至少具有如下优点和有益效果：本方法及系统通过大量采集和扩充的数据对网络的参数进行训练，训练样本数据量大，具有较高的检测准确度；同时，样本分类更加细致在参与训练时能够提高训练速度。本专利技术方法及系统和传统的电力设备红外图像异常检测方法相比，本专利技术通过对采集的红外图像或者红外视频进行更本文档来自技高网...

【技术保护点】
1.一种高精度的红外图像异常检测方法，其特征在于，包括如下步骤：/nS1、采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；/nS2、构建网络模型，利用所述数据集对SSD基础模型进行训练，得到电力设备检测神经网络模型；/nS3、利用所述电力设备检测神经网络模型进行待测图像检测。/n

【技术特征摘要】
1.一种高精度的红外图像异常检测方法，其特征在于，包括如下步骤：
S1、采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；
S2、构建网络模型，利用所述数据集对SSD基础模型进行训练，得到电力设备检测神经网络模型；
S3、利用所述电力设备检测神经网络模型进行待测图像检测。


2.如权利要求1所述的红外图像异常检测方法，其特征在于，步骤S1的样本收集方法包括：
S11、采集电力设备在不同时段、不同地域、不同季节、不同天气、不同气温等情况下的红热异常与故障设备的图像样本；
S12、利用图像风格转换器将图像样本转换为不同域的图像，实现图像风格的迁移，扩充图像样本；
S13、每幅图像样本均对不同的采集时段、地域、季节、天气以及气温等环境因素和不同的红热异常区域、故障设备图像标注不同标签；
S14、将标注好的图像样本，进行批量去噪、立体匹配预处理，和进行旋转、镜像、下采样、模糊或增强处理中的一种或多种处理，增加训练的复杂性，提高训练效果，并对图像样本进行统一裁剪；
S15、将裁剪后的红外异常发热图像作为制作数据集的材料，制作voc2007标准化数据集。


3.如权利要求2所述红外图像异常检测方法，其特征在于，步骤S2的构建模型网络方法包括：
S21、加载数据集，并对所述数据集进行转换数据格式，得到训练文件；
S22、构建SSD基础模型，利用所述训练文件对所述SSD基础模型进行训练；
S23、训练中的优化器采用RMSprop优化器，得到电力设备检测神经网络模型；
S24、对所述电力设备检测神经网络模型进行评估并根据训练评估指标分析计算得到指标值。


4.如权利要求3所述的红外图像异常检测方法，其特征在于，步骤S24的神经网络模型评估方法包括：
以全类平均精度mAP为评估指标，当mAP值小于50％时，调整MobileNets基础网络参数重新训练；当mAP值大于50％时，保存电力设备检测神经网络模型。


5.如权利要求3所述的红外图像异常检测方法，其特征在于，步骤S3具体包括以下步骤：
S31、将待测图像输入到所述电力设备检测神经网络模型中；
S32、所述电力设备检测神经网络模型随机选取所述待测图像的多个区域；
S33、利用SSD算法对每个所述区域打分；
S34、设定一个相似度阈值，将每个所述区域得分值与相似度阈值做对比，将得分值高于相似度阈值的区域判定为正例，并对该区域进行标注；
将得分值低于相似度阈值的区域判定为负例；
S35、直至所述待测图像上所有被判定为正例的区域标注完成；
S36、将所述被判定为正例的区域提取出来，并通过二值图表示；
S37、寻找所述二值图中的所有轮廓，对二值图进行非极大值抑制，得到最终二值图作为检测结果。


6.一种高精度...

【专利技术属性】
技术研发人员：张昱顺，徐登科，宋伟，池丽丽，杨晓昕，刘盛晓，孔祥罡，程虹，程薇，陈勇，王雪梅，黄沼，周俊鹏，
申请(专利权)人：四川嘉能佳网创新能源科技有限责任公司，
类型：发明
国别省市：四川;51