【技术实现步骤摘要】
基于Faster RCNN算法的配电设备异常发热点红外图片检测方法
[0001]本专利技术属于电力设备故障检测
,涉及配电设备异常发热点红外图片目标检测方法,尤其是一种基于Faster RCNN算法的配电设备异常发热点红外图片目标检测方法。
技术介绍
[0002]配电设备的红外异常发热状态监控与故障诊断对于电力系统安全稳定至关重要。长期以来,许多国内外学者一直致力于研究电力设备异常发热故障诊断方法,提出了电压分布法、脉冲电晕电流法、电场测量法、红外成像法等检测方法。其中,红外成像法是通过红外波段的辐射效应反应待测物体的温度高低,具有非接触、无损伤、可靠性高、测温面积大等优势。
[0003]国内红外成像技术的研究发展较为深入,近年来,国内很多输电线路、变电站已配备专门的巡检机器人及无人机专用的红外热成像仪,对配电设备进行红外巡检。
[0004]尽管如此,由于检测平台多样、红外监控设备点多面广、海量的红外图像数据积压、处理难度大、处理效率低等,都对巡检图像的信息挖掘和目标识别提出了更高的要求。传统的智能定位技术,采用人工设计的特征,如Adaboost、边缘检测符,结合纹理、颜色、形状等浅层特征进行识别。这些算法具有准确率低、泛化能力较差,模型僵化等缺陷。
[0005]随着机器视觉的发展,一些具备智能化调参和样本自适应学习的目标识别模型应运而生。
[0006]随着人工智能深度学习理论体系的发展,2015年Ross Girshick团队提出了Faster
‑
RCNN模型 ...
【技术保护点】
【技术特征摘要】
1.一种基于Faster
‑
RCNN算法的配电设备异常发热点红外图片检测方法,其特征在于:包括以下步骤:步骤1、构建Faster RCNN目标损失函数,包括分类损失函数和回归损失函数;步骤2、基于步骤1所构建的Faster RCNN目标损失函数构建异常发热点红外图像检测算法,该异常发热点红外图像检测算法Fast R
‑
CNN算法模型和区域建议网络RPN两个网络结构部分;步骤3、对步骤2的异常发热点红外图像检测算法中区域建议网络RPN和Fast R
‑
CNN网络进行训练,不断优化学习至共享特征,进而红外图片故障点识别与定位的结果。2.根据权利要求1所述的一种基于Faster
‑
RCNN算法的配电设备异常发热点红外图片检测方法,其特征在于:所述步骤1的具体方法为:构建Faster RCNN目标损失函数公式如下所示:其中,目标损失函数包括分类损失和回归损失两个部分;在损失函数中,下标i为1个最小训练步长(mini
‑
batch)中某个参考窗口(anchor);p
i
为该第i个参考窗口为检测目标的概率,当参考窗口为负样本时当参考窗口为正样本时由此可知,回归损失项仅会在参考窗口为正样本情况下才会被激活;t
i
={t
x
,t
y
,t
w
,t
h
}为向量,表示该预测的包围框的x坐标、y坐标、宽度w、高度h这4项参数化坐标,是与正样本参考窗口的标注框的坐标向量;λ参数用来权衡分类损失L
cls
和回归损失L
reg
,默认值λ=10;N
cls
和N
reg
分别用来标准化分类损失项L
cls
和回归损失项L
reg
,默认用最小训练步长值为256设置N
cls
,用参考窗口位置数值至2400的范围区间初始化N
reg
;其中,所述步骤1中的分类损失函数和回归损失函数如下所示:为分类损失函数,表示为:L
reg
为回归损失函数,表示为,其中,R函数的定义如下所示,p
i
为该第i个参考窗口为检测目标的概率,当参考窗口为负样本时为该第i个参考窗口为检测目标的概率,当参考窗口为负样本时当参考窗口为正样本时由此可知,回归损失项仅会在参考窗口为正样本情况下才会被激活;t
i
={t
x
,t
y
,t
w
,t
h
【专利技术属性】
技术研发人员:丁一,张磐,滕飞,霍现旭,戚艳,尚学军,吴莉萍,杜明,陈沛,孙峤,王明磊,安新成,傅文进,
申请(专利权)人:国网天津市电力公司国家电网有限公司,
类型:发明
国别省市:
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。