一种基于DBNet的智能变电站内二次回路端子排接线检测方法技术

本发明专利技术公开一种基于DBNet的智能变电站内二次回路端子排接线检测方法，所述检测方法包括以下步骤：S1：对图像数据进行标准化预处理放缩图片；S2：提取待检测图像的端子排目标和号码管接线目标的多通道特征图；S3：得出各自目标的概率图和自适应阈值图；S4：得出端子排连通区域和号码管连通区域，求解出各个目标边界轮廓；S5：端子排和号码管的边界轮廓可用旋转矩形框简化描述，通过重叠面积占比判断号码管连接至端子排结果。本发明专利技术检测方法实现了实地不规整密集排列工况下的号码管和端子排不定目标形状检测，充分利用重叠面积与位置关系判断二者之间的对应连接关系，有效平衡检测方法的快速性和鲁棒性，实现了变电站二次回路转接情况的快速统计收集。

【技术实现步骤摘要】
一种基于DBNet的智能变电站内二次回路端子排接线检测方法
本专利技术涉及智能变电站三维建模与智能运检领域
，具体是一种基于DBNet的智能变电站内二次回路端子排接线检测方法。
技术介绍
智能变电站三维建模数字化技术，可视为变电站监控遥视系统的一种扩展。通过对实际变电站内的，二次设备及其连接回路进行三维建模，可做到对变电站内所有关键设备的全景化数字图像展示，有助于变电站内保护设备装置的状态评估工作。但由于二次回路的实际设备使用端子排与号码管接线连接，实地情况下的端子排接线判别工作仍具有较高的挑战性。在目前的计算机视觉和模式识别领域，基于深度学习的目标检测和实例分割方法大行其道。目标检测和实例分割在任务要求上存在一定的递进关系。大多数目标检测方法计算出目标的水平包围框，获悉目标的所处位置和整体占据范围。而实例分割可在该基础上更进一步，对该目标检测的包围框内区域进行像素级别的分类，通过大量的计算工作，可得出细化后的目标实际轮廓。而基于深度学习的人工智能技术也逐渐被应用到传统电力系统的设备运维管理场景之中。电力设备铭牌文本识别、输电线路故障缺陷检测、无人机巡检、调度系统指令分析和语音识别以及检修人员操作监控管理等应用落地，极大地提高电网状态感知与监控的智能化水平。基于深度学习的目标检测方法，可按网络预测直接输出结果分成两大类方法：基于回归的目标检测方法和基于分割的目标检测方法。其中，由于变电站二次回路端子排接线往往在有限的屏柜内部空间内发生下垂和弯曲等现象，基于不定形状的分割网络检测方法可获得更为准确的轮廓边界，有利于后续的接线匹配判断工作。针对这种情况，现提出一种基于DBNet的智能变电站内二次回路端子排接线检测方法。
技术实现思路
本专利技术的目的在于提供一种基于DBNet的智能变电站内二次回路端子排接线检测方法，能够有效解决上述问题，本专利技术检测方法实现了实地不规整密集排列工况下的号码管和端子排不定目标形状检测，充分利用重叠面积与位置关系判断二者之间的对应连接关系，有效平衡检测方法的快速性和鲁棒性，实现了变电站二次回路转接情况的快速统计收集。本专利技术的目的可以通过以下技术方案实现：一种基于DBNet的智能变电站内二次回路端子排接线检测方法，所述检测方法包括以下步骤：S1：对变电站实地拍摄收集的图像数据进行标准化预处理并在保持图像原始比例下放缩图片至短边640像素大小；S2：使用两个经过训练与模型压缩后的图像分割网络分别提取待检测图像的端子排目标和号码管接线目标的多通道特征图；S3：两组特征分别通过各自两个训练压缩后的图像区域分类预测卷积神经网络，可得出各自目标的概率图和自适应阈值图；S4：概率图和自适应阈值图经过求差和近似二值化后得出端子排连通区域和号码管连通区域，求解出各个目标边界轮廓；S5：端子排和号码管的边界轮廓可用旋转矩形框简化描述，通过重叠面积占比判断号码管连接至端子排结果。进一步地，所述检测方法使用的两个模型的训练数据集经过数据增强处理，包含图片标准化、随机旋转与水平镜像翻转、随机亮度、对比度变换和随机裁剪，训练集图片统一剪裁至640×640大小。进一步地，所述检测方法使用两个各自独立的检测模型，模型剪枝前的端子排检测和号码管检测网络结构和通道数量相同，使用实地拍摄图像数据集训练后，利用模型压缩通道剪枝技术，去除网络中冗余的特征图通道，对所得到的压缩过后的模型进行一次相对较短训练周期的权重微调再训练，经过剪枝压缩后的两个模型的网络结构存在一定的差异。进一步地，所述检测方法使用两个各自独立的检测模型，以端子排区域和号码管接线区域的正类目标的轻量化分割网络为主体结构包括骨干特征提取网络ResNet-18、特征融合金字塔网络FPN、目标分割区域概率图预测网络分支、自适应阈值图预测网络分支。进一步地，所述检测方法使用的两个检测模型训练损失有多个组成部分，包括分割网络输出的概率图与真实目标区域标签分类交叉熵损失、阈值图和目标边界轮廓标签的L1距离损失、概率图和阈值图做差近似二值化后得到的近似二值图与真实目标区域标签分类交叉熵损失。进一步地，所述检测方法使用了两种监督性训练标签，两种监督性训练标签包括：概率图监督性学习使用的是原始标注目标多边形边界经过多边形剪裁算法VattiClipping算法收缩过后的包围区域；阈值图监督性学习标签图为原始人工标注的多边形边界同时向外扩张和向内收缩一定补偿量形成的间隔区域。进一步地，所述检测方法使用的检测网络模型区域预测输出经过近似二值化，对概率图预测网络分支和阈值图预测网络分支得出的结果进行逐元素相减，差值图经过可微的近似二值化激活函数fas(x)＝1/(1+e-kx)，对该近似二值图求取标准化二值图。进一步地，所述检测方法对端子排和号码管接线区域检测定位并判断号码管接线位置，根据端子排目标二值图和号码管二值图结果提取目标轮廓，并用旋转矩形近似表示；各端子排和号码管实例依据重叠面积与中心坐标进行接线匹配。本专利技术的有益效果：本专利技术检测方法实现了实地不规整密集排列工况下的号码管和端子排不定目标形状检测，充分利用重叠面积与位置关系判断二者之间的对应连接关系，有效平衡检测方法的快速性和鲁棒性，实现了变电站二次回路转接情况的快速统计收集。附图说明下面结合附图对本专利技术作进一步的说明。图1是本专利技术检测方法整体构架图；图2是本专利技术DBNet网络结构示意图；图3是本专利技术特征融合网络结构示意图；图4是本专利技术区域预测明结构示意图；图5是本专利技术边界标注与收缩扩张标签示意图；图6是本专利技术二值化函数曲线图；图7是本专利技术输出目标图片的概率图；图8是本专利技术输出目标图片的阈值图；图9是本专利技术输出目标图片的近似二值图；图10是本专利技术输出目标图片的检测结果效果图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1至图10所示，一种基于DBNet的智能变电站内二次回路端子排接线检测方法，检测方法包括以下步骤：检测方法分为前期模型训练压缩阶段和实际推理预测阶段。一、前期模型训练压缩阶段的具体实施过程如下：S1：原始图像数据集数据增强：1)图片标准化：全图像素值按固定标准值和方差归一化。2)随机旋转与水平镜像：新图像由原图像在[-15°,15°]范围内随机旋转得到，新图像也有0.5的概率发生水平镜像翻转。3)亮度与随机对比度随机调整：图像的亮度、饱和度和色调均会添加上一最大幅值为0.2的随机变量。4)随机放缩与裁剪：图像最终在[0.75,2]之间随机选择一个放缩比例进行双插值放缩，并图像上随本文档来自技高网...

【技术保护点】
1.一种基于DBNet的智能变电站内二次回路端子排接线检测方法，其特征在于，所述检测方法包括以下步骤：/nS1：对变电站实地拍摄收集的图像数据进行标准化预处理并在保持图像原始比例下放缩图片至短边640像素大小；/nS2：使用两个经过训练与模型压缩后的图像分割网络分别提取待检测图像的端子排目标和号码管接线目标的多通道特征图；/nS3：两组特征分别通过各自两个训练压缩后的图像区域分类预测卷积神经网络，可得出各自目标的概率图和自适应阈值图；/nS4：概率图和自适应阈值图经过求差和近似二值化后得出端子排连通区域和号码管连通区域，求解出各个目标边界轮廓；/nS5：端子排和号码管的边界轮廓可用旋转矩形框简化描述，通过重叠面积占比判断号码管连接至端子排结果。/n

【技术特征摘要】
1.一种基于DBNet的智能变电站内二次回路端子排接线检测方法，其特征在于，所述检测方法包括以下步骤：
S1：对变电站实地拍摄收集的图像数据进行标准化预处理并在保持图像原始比例下放缩图片至短边640像素大小；
S2：使用两个经过训练与模型压缩后的图像分割网络分别提取待检测图像的端子排目标和号码管接线目标的多通道特征图；
S3：两组特征分别通过各自两个训练压缩后的图像区域分类预测卷积神经网络，可得出各自目标的概率图和自适应阈值图；
S4：概率图和自适应阈值图经过求差和近似二值化后得出端子排连通区域和号码管连通区域，求解出各个目标边界轮廓；
S5：端子排和号码管的边界轮廓可用旋转矩形框简化描述，通过重叠面积占比判断号码管连接至端子排结果。


2.根据权利要求1所述的一种基于DBNet的智能变电站内二次回路端子排接线检测方法，其特征在于，所述检测方法使用的两个模型的训练数据集经过数据增强处理，包含图片标准化、随机旋转与水平镜像翻转、随机亮度、对比度变换和随机裁剪，训练集图片统一剪裁至640×640大小。


3.根据权利要求1所述的一种基于DBNet的智能变电站内二次回路端子排接线检测方法，其特征在于，所述检测方法使用两个各自独立的检测模型，模型剪枝前的端子排检测和号码管检测网络结构和通道数量相同，使用实地拍摄图像数据集训练后，利用模型压缩通道剪枝技术，去除网络中冗余的特征图通道，对所得到的压缩过后的模型进行一次相对较短训练周期的权重微调再训练，经过剪枝压缩后的两个模型的网络结构存在一定的差异。


4.根据权利要求1所述的一种基于DBNet的智能变电站内二次回路端子排接线检测方法，其特征在于，所述检测方法使用两个各自独立的检测模型，以端子排区域和号码管接线区域...

【专利技术属性】
技术研发人员：邓旭晖，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏;32