基于FasterRCNN算法的配电设备异常发热点红外图片检测方法技术

本发明专利技术涉及一种基于Faster

【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，在COCO检测大赛一举夺魁，实现了目标检测准确率与测试速度的双优突破。该算法在RCNN和Fast
‑
RCNN的基础上进行了改进，引入了区域建议网络(region proposal network，RPN)用来提取检测区域，将检测步骤统一到一个深度网络框架之内，大大提升了检测速度和效率。目前，Faster
‑
RCNN模型应用于电力设备异常发热目标诊断的研究还处于初步阶段。
[0007]随着红外热成像检测技术在变电站巡检机器人及输电线路无人机等检测平台的广泛应用，定期大量的红外图片需要人工进行分级诊断。同时在配电设备带电红外检测的过程中面临伪彩色类型多样、背景干扰复杂、拍摄角度不一、红外图像叠加图形字符等多种干扰因素，对红外图像种异常发热故障点的智能识别造成了一定的挑战和困难。
[0008]因此，本专利技术提出了一种基于Faster RCNN算法的配电设备异常发热点红外图片检测方法。
[0009]经检索，未发现与本专利技术相同或相近似的现有技术的文献。

技术实现思路

[0010]本专利技术的目的在于克服现有技术的不足，提出一种基于Faster RCNN算法的配电
设备异常发热点红外图片检测方法，采用人工智能深度学习理论体系中改进的Faster
‑
RCNN算法模型，通过对现场红外异常发热图像数据样本收集，进行算法模型的训练及验证，最终实现配电设备红外图像异常发热故障点目标识别。
[0011]本专利技术解决其现实问题是采取以下技术方案实现的：
[0012]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，包括以下步骤：
[0013]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；
[0014]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。
[0015]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；
[0016]而且，所述步骤1的具体方法为：
[0017]构建Faster RCNN目标损失函数公式如下所示：
[0018][0019]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
。
[0020]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：
[0021]为分类损失函数，表示为:
[0022][0023]L
reg
为回归损失函数，表示为，
[0024][0025]其中，R函数的定义如下所示，
[0026][0027]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
}为向量，表示该预测的包围框(bounding box)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(ground truth bounding box)
的坐标向量。L
cls
为分类损失和L
reg
为回归损失。
[0028]而且，所述步骤2的具体步骤包括：
[0029]步骤2.1：向由13层卷集层、13层Relu层、4层池化层构成的ZF深度卷积网络模型输入任意大小图片；
[0030]步骤2.2：经过ZF网络前向传播至最后共享的卷积特征图，一方面输入至候选区域网络得到位置坐标以及分类得分信息，另一方面在ROI池化层与卷积特征图融合，提取对应区域建议的特征；
[0031]步骤2.3：经过多层全连接层输出该区域的分类得分以及检测检测定位的坐标框，将输出的分类得分及坐标框位置叠加在输入图片上，输出展示输入红外图片故障点识别与定位本文档来自技高网...

【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：