一种基于改进Mask-RCNN的变电站现场进度识别方法技术

一种基于改进Mask

【技术实现步骤摘要】
一种基于改进Mask
‑
RCNN的变电站现场进度识别方法


[0001]本专利技术属于工程
，具体涉及一种基于改进Mask
‑
RCNN的变电站现场进度识别方法，适用于提高现场进度识别准确率、精确率、召回率的同时降低识别耗时。

技术介绍

[0002]随着信息技术的飞速发展，电网基础建设工程的数字化水平已得到了显著提升。由于传统装配式变电站项目工程进度管理存在延迟严重、资源浪费、耗时较长的缺点，因此运用数字化、智能化的手段加强装配式变电站基建项目工程进度管理，提升装配式变电站进度计划管控水平已迫在眉睫。深度学习方法能够很好地提取图像中的设备特征并将其融入到模型建立过程中，相比于传统图像检测方法，其具有抗干扰能力强，图像检测精度高，误检率和不良漏检率低的优点。因此，为了能够保质保量的完成装配式变电站基建重点工程项目的建设，如何将深度学习用于对装配式变电站基建现场进度的智能化识别，以实现对项目实际进度的及时跟踪和管控，是一个值得深入研究的课题。
[0003]《红外技术》期刊2021年第43卷230页起报道本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进Mask
‑
RCNN的变电站现场进度识别方法，其特征在于：所述识别方法依次按照以下步骤进行：S1、采集不同时序定点区域范围的装配式变电站工程现场的设备与建筑图像，并将其均分为样本数据集、待检测数据集；S2、先将样本数据集、待检测数据集输入改进Mask
‑
RCNN网络模型的CNN网络中提取图像特征，然后通过改进EC模块整合图像特征得到特征图，随后通过RPN网络对特征图的ROI进行提取和过滤，再通过兴趣区域对齐层根据过滤后的ROI统一特征图的尺寸，最后在全连接层中对特征图进行二值分类、边框回归、Mask掩膜分割生成二值掩膜图像，建立二值掩膜图像的多任务损失函数；S3、通过不断调整二值分类、边框回归、Mask掩膜的参数以减小多任务损失函数的值，直至得到多任务损失函数的全局最优解；S4、将多任务损失函数的全局最优解、权重矩阵代入到变电站工程现场的设备与建筑图像处理目标函数中，多次迭代改进Mask
‑
RCNN网络模型参数，直至得到图像处理目标函数的最优解，对图像处理目标函数的最优解进行处理分析即可得到装配式变电站基建项目工程现场进度识别的最终结果。2.根据权利要求1所述的一种基于改进Mask
‑
RCNN的变电站现场进度识别方法，其特征在于：步骤S4中，所述权重矩阵，为样本数据集和待检测数据集的数量，的表达式如下：；上式中，、、分别为限制装配式变电站设备和建筑图像的颜色特征向量、纹理特征向量、形状特征向量对于相似性测度的实际贡献度，、、分别为限制装配式变电站设备和建筑图像的个颜色特征向量、个纹理特征向量、个形状特征的总相似性测度的实际贡献度，、、分别为装配式变电站电力设备和建筑待检测数据集中第个图像的颜色特征向量、纹理特征向量、形状特征向量，、、分别为装配式变电站电力设备和建筑样本数据集中第个图像的颜色特征向量、纹理特征向量、形状特征向量，为待检测数据集，为样本数据集，为图像在数据集中的时序序号；所述图像处理目标函数的表达式如下：；
上式中，为损失函数，为激活函数，为待检测数据集，为权重矩阵，为灰度图像函数，为样本数据集和待检测数据集的数量。3.根据权利要求2所述的一种基于改进Mask
‑
RCNN的变电站现场进度识别方法，其特征在于：步骤S4中，所述图像处理目标函数的最优解的表达式如下：；上式中，为图像处理目标函数的最优解，为样本数据集和待检测数据集的数量，为灰度图像函数，为激活函数，为样本数据集，为权重矩阵，为激活函数对权重矩阵的偏导，为正则化系数。4.根据权利要求1
‑
3中任一项所述的一种基于改进Mask
‑
RCNN的变电站现场进度识别方法，其特征在于：步骤S2中，所述多任务损失函数的表达式如下：；上式中，、、分别为二值分类误差函数、边框回归误差函数、Mask掩膜分割误差函数。5.根据权利要求1
‑
3中任一项所述的一种基于改进Mask
‑
RCNN的变电站现场进度识别方法，其特征在于：步骤S2中，通过RPN网络对特征图的ROI进行提取和过滤具体为：先利用非极大抑...

【专利技术属性】
技术研发人员：陈然，贺兰菲，周蠡，蔡杰，李智威，许汉平，熊川羽，张赵阳，周英博，孙利平，
申请(专利权)人：国网湖北省电力有限公司经济技术研究院，
类型：发明
国别省市：