一种复杂背景下的高压电缆绝缘层截面分类方法技术

本发明专利技术提供一种复杂背景下的高压电缆绝缘层截面分类方法，在获取电缆绝缘层截面的候选区域和截面特征之后，利用定位神经网络更加准确地预测电缆绝缘层的真实区域，避免了复杂背景对分类结果准确性的影响；后根据预测的真实区域采用加入了注意力机制的MobileNetV2轻量型网络对电缆绝缘层截面进行分类，降低了分类的计算量，提高了分类效率，同时有效提高了分类的准确率。该分类方法具有分类精度高、适用于多种电缆绝缘层截面和环境、去除复杂背景干扰能力强、网络模型轻量化程度高、运算速度快等优点，能大幅优化绝缘层截面参数检测流程，减少人工操作步骤，减轻复杂背景影响，降低分类网络硬件要求。分类网络硬件要求。分类网络硬件要求。

【技术实现步骤摘要】
一种复杂背景下的高压电缆绝缘层截面分类方法


[0001]本专利技术属于电缆绝缘层截面分类
，具体涉及一种复杂背景下的高压电缆绝缘层截面分类方法。

技术介绍

[0002]电缆的绝缘结构一般由导体屏蔽层、绝缘层、绝缘屏蔽层以及半导体屏蔽层等组成。如果电缆绝缘厚度低于标准或者偏心度超标都会严重影响电缆的使用性能，甚至危害电网安全，造成财产损失和人员伤亡。其中电缆的绝缘层厚度、偏心度对电缆的使用安全起决定性作用，所以电缆绝缘层参数的测量占据了电缆整体质量检测的主要部分。随着行业发展，电缆诞生了许多种不同的类别，而对于各种类别的电缆，其测量参数也会随之改变。
[0003]在过去传统的电缆绝缘层厚度检测方法中，所有工作都是人工操作完成，所使用的测量装置多为读数显微镜，测量难度高的同时误差也比较大。
[0004]即使目前市场上已经有了针对高压电缆绝缘层厚度和外径进行检测的测量仪器，但该检测仪器无法达到全自动检测的程度，在检测过程中，还有大量步骤是由检测人员手工完成的，尤其是进行检测前，检测人员必须先手动选择待检测的绝缘层切片种类才能进行后续检测，这会增加检测人员的工作量，无法做到全自动化检测。
[0005]同时，随着电缆铺设率的上升，电缆检测不再局限于实验室无干扰检测，当前的大量应用场景多为工厂流水线或施工铺设现场，无法保证没有环境干扰，检测图像往往背景复杂且具有较多干扰因素，传统方法无法在复杂背景下准确进行绝缘层截面分类。
[0006]目前市场上的电缆绝缘层参数检测设备多使用计算机集成一体机作为处理终端，其运行内存无法满足较大的分类神经网络进行预测，且过去的分类神经网络运算速度极慢，严重影响电缆绝缘层检测的工作效率。
[0007]综上所述，目前针对绝缘层截面参数的检测存在无法自动分类电缆绝缘层截面种类、无法去除复杂环境干扰、运算硬件要求较高、神经网络分类速度较慢等问题，现有技术中的检测设备无法满足该行业的需求，急需进行技术改造和升级。

技术实现思路

[0008]为解决现有技术中存在的问题，本专利技术提供一种复杂背景下的高压电缆绝缘层截面分类方法，该分类方法对高清摄像头获取的复杂背景下的高压电缆绝缘层截面图像进行处理与分类，提出基于快速卷积神经网络(Faster R
‑
CNN)的复杂背景下电缆绝缘层截面定位方法，通过特征图生成电缆绝缘层截面候选区域，而后通过全连接层来定位电缆绝缘层截面的位置。而后，通过构建的基于MobileNetV2的电缆绝缘层截面分类轻量型网络对绝缘层截面种类进行分类，最终获取复杂背景下的绝缘层截面的种类。本方法具有分类精度高、适用范围广、去除复杂背景干扰能力强、网络模型轻量化程度高、运算速度快等优点。
[0009]一种复杂背景下的高压电缆绝缘层截面分类方法，包括以下步骤：
[0010](1)提取复杂背景下的电缆绝缘层截面原始图像的特征图Ⅰ；
[0011](2)在区域生成网络中采用Anchor根据特征图Ⅰ生成电缆绝缘层截面的候选区域；
[0012](3)对候选区域进行RoI池化处理，提取电缆绝缘层的截面特征；
[0013](4)根据候选区域和截面特征，利用训练得到的定位神经网络预测电缆绝缘层截面的真实区域；
[0014](5)以预测的真实区域作为输入，采用基于MobileNetV2的轻量型分类网络对电缆绝缘层截面进行分类；
[0015](6)在原始图像中标注电缆绝缘层截面的区域和种类，输出结果。
[0016]若待处理原始图像有多张，则对每一张原始图像都按照上述分类方法进行处理，处理完成之后输出分类结果即可。该多张原始图像可以是由高清摄像头采集完成后集中处理，也可以是采集一张处理一张。
[0017]本专利技术的在复杂背景下的电缆绝缘层截面分类方法，针对绝缘层截面参数检测时无法自动分类电缆绝缘层截面种类、无法去除复杂环境干扰、运算硬件要求较高等问题，实现了在复杂背景下对电缆绝缘层截面的自动分类。该方法具有分类精度高、适用于多种电缆绝缘层截面和环境、去除复杂背景干扰能力强、网络模型轻量化程度高、运算速度快等优点，能大幅优化绝缘层截面参数检测流程，减少人工操作步骤，减轻复杂背景影响，降低分类网络硬件要求。
[0018]上述分类方法中，步骤(1)中：
[0019]作为优选，通过高清摄像头获取复杂背景下的电缆绝缘层截面原始图像。
[0020]作为优选，采用快速卷积神经网络中的多层卷积和池化处理对原始图像的特征图Ⅰ进行提取。
[0021]作为优选，步骤(2)的具体操作为：
[0022]在区域生成网络中，选用256
×
256，1024
×
1024两种大小的Anchor，而后通过1：2的固定长宽比来完成特征图Ⅰ的滑窗缩放；将得到的两个不同的滑窗作为输入，通过分类层得出输入的滑窗为电缆绝缘层截面的概率大小，并通过阈值判断该滑窗是否为电缆绝缘层截面，具体判断标准如下：
[0023]若得到的概率大于设定阈值，则在通过边框预测层得出电缆绝缘层截面候选区域的具体坐标，进而得到电缆绝缘层截面的候选区域。若得到的概率小于设定阈值，则输入的滑窗不能被认定为电缆绝缘层截面，对该原始图像终止处理。
[0024]作为优选，步骤(3)中，RoI池化区域由特征图Ⅰ在快速卷积神经网络中生成的网络构建得到。
[0025]作为优选，步骤(3)的具体操作为：
[0026]将电缆绝缘层截面的候选区域映射到特征图Ⅰ上，根据特征图Ⅰ在神经网络中生成的网络建立RoI池化区域(r,c,h,w)，式中(r,c)指RoI的左上角坐标，(h,w)指RoI池化区域的高与宽。而后将候选区域分成大小为h/H
×
w/W的子区域，其中(H,W)为RoI池化层的输入特征图Ⅰ的空间幅度(大小)。对每个子区域进行最大池化处理，将每个子区域的计算结果(最大池化处理结果)视为RoI池化层中某层输出内的一元素，使不同大小的电缆绝缘层截面在候选子区域中得到固定大小的输出特征图，得到电缆绝缘层的截面特征。
[0027]作为优选，所述定位神经网络选用联合训练法，由区域生成网络和快速卷积神经网络共用卷积特征训练得到；
[0044]最后利用确定模型参数的定位神经网络在候选区域中对电缆绝缘层截面的真实区域进行定位，得到预测的真实区域M：
[0045]M＝(M
x
,M
y
,M
w
,M
h
)
ꢀꢀ
(1
‑
6)。
[0046]为了提升对电缆绝缘层截面分类的准确率，要在感受野获得扩展的情况下降低次要的特征的权重，提升显著特征的权重。作为优选，所述基于MobileNetV2的轻量型分类网络为加入注意力机制的MobileNetV2轻量型网络，所述注意力机制中设定有空间注意力模块和通道注意力模块。
[0047]MobileNetV2轻量型网络采用先扩本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂背景下的高压电缆绝缘层截面分类方法，其特征在于，包括以下步骤：(1)提取复杂背景下的电缆绝缘层截面原始图像的特征图Ⅰ；(2)在区域生成网络中采用Anchor根据特征图Ⅰ生成电缆绝缘层截面的候选区域；(3)对候选区域进行RoI池化处理，提取电缆绝缘层的截面特征；(4)根据候选区域和截面特征，利用训练得到的定位神经网络预测电缆绝缘层截面的真实区域；(5)以预测的真实区域作为输入，采用基于MobileNetV2的轻量型分类网络对电缆绝缘层截面进行分类；(6)在原始图像中标注电缆绝缘层截面的区域和种类，输出结果。2.根据权利要求1所述的复杂背景下的高压电缆绝缘层截面分类方法，其特征在于，所述定位神经网络由区域生成网络和快速卷积神经网络共用卷积特征训练得到；步骤(3)中提取的截面特征包括电缆绝缘层截面的特征向量。3.根据权利要求2所述的复杂背景下的高压电缆绝缘层截面分类方法，其特征在于，定位神经网络的模型参数W为：W＝argmin∑(t
i
‑
W
iT
Φ
s
(F))2其中，t
i
表示由候选区域得到真实区域的真实调整量；Φ
s
(F)表示特征向量；W
iT
表示设定的要学习的参数；i∈{x,y,w,h}，x、y分别表示候选区域的中心点两个方向的坐标、w表示候选区域的宽、h表示候选区域的高。4.根据权利要求1所述的复杂背景下的高压电缆绝缘层截面分类方法，其特征在于，所述基于MobileNetV2的轻量型分类网络为加入注意力机制的MobileNetV2轻量型网络，所述注意力机制中设定有空间注意力模块和通道注意力模块。5.根据权利要求4所述的复杂背景下的高压电缆绝缘层截面分类方法，其特征在于，预测的真实区域在MobileNetV2轻量型网络中经过扩张、卷积处理后得到特征图Ⅱ，以特征图Ⅱ作为输入，采...

【专利技术属性】
技术研发人员：侯北平，胡飞阳，朱文，李丰余，于爱华，周乐，郑洪波，
申请(专利权)人：浙江科技学院，
类型：发明
国别省市：