一种基于特征识别的变电设备红外图像识别方法技术

本发明专利技术公开了一种基于特征识别的变电设备红外图像识别方法，其目的在于解决在红外图像中设备与背景难以区分的情况下对变电设备目标检测困难的问题，首先对变电设备的红外图像进行兴趣特征的提取，再通过识别的难易程度放到深度学习中进行训练，通过目标检测数据集的标准制作变电设备红外数据集，并使用目标检测网络在该数据集上进行训练，实现对多种变电设备的目标检测。其利用先验知识对多种变电设备进行定位与分类，解决在红外图像中设备与背景难以区分的情况下对变电设备目标检测困难的问题，本发明专利技术方法检测更准确，通用性较强，检测过程无需人工参与。测过程无需人工参与。测过程无需人工参与。

【技术实现步骤摘要】
一种基于特征识别的变电设备红外图像识别方法


[0001]本专利技术涉及视觉图像识别领域，具体涉及一种基于特征识别的变电设备红外图像识别方法。

技术介绍

[0002]变电设备的温度监测与热故障诊断对于其安全运行至关重要。近年来，运维人员使用搭载在巡检机器人、无人机等监测平台上的红外热像仪对变电站设备进行智能巡检，减少了人工采集变电设备红外图像的工作量，但海量变电设备红外图像的识别与检测还依赖耗时长、过程复杂且效率低下的人工方法。因此，非常有必要提出一种高效的变电设备红外图像自动检测方法。
[0003]近年来人工智能的发展使得越来越多基于深度学习的目标检测方法被应用到电气设备的红外图像检测中。目前主流的目标检测深度学习算法可分为双阶段检测算法和单阶段检测算法两大类，第一类方法分两步进行，首先利用区域建议网络(RPN)等结构生成候选区域，之后对候选区域进行目标分类与位置调整。代表算法有Faster R
‑
CNN。第二类方法无需单独生成候选区域，只通过全卷积的结构即可得出目标的分类与边框回归参数。典型方法有YOLO、SSD等。双阶段算法虽检测速度低于单阶段算法，但准确率提升明显，在电力领域中有着更广泛的应用。
[0004]变电站复杂的背景是影响变电设备红外图像自动检测精度的重要因素。由于变电设备与背景的温度差异较小及极端天气造成的杂波、噪点等因素的干扰，目标检测算法难以区分检测变电设备与背景环境。同时，现有检测方法普遍照搬目标检测算法在公开数据集上的实现方式，缺少对变电设备红外图像的针对性分析，难以同时检测多个相似度较高的变电设备，导致现有方法检测准确率不高。

技术实现思路

[0005]本专利技术目的在于提供一种基于特征识别的变电设备红外图像识别方法，在包含多种变电设备的红外图像中，利用兴趣特征对多种变电设备进行定位与分类，解决在红外图像中设备与背景难以区分的情况下对变电设备目标检测困难的问题。
[0006]本专利技术通过下述技术方案实现：
[0007]一种基于特征识别的变电设备红外图像识别方法，包括步骤：
[0008]1.一种基于特征识别的变电设备红外图像识别方法，其特征在于，包括步骤：
[0009]S1:获取多种变电设备的红外图像数据，对红外图像数据中的变电设备进行初步类型划分，获得类型集；
[0010]S2:检测不同变电设备的兴趣特征，生成特征组，并对训练集中在类型集下有所属分类的变电设备进行与其对应的特征提取；再分别对不同的变电设备进行初步标注，并根据初步标注的结果，划分训练集与验证集；
[0011]S3:将提取的特征进行局部处理后，将训练集中含有被提取特征的变电设备局部
图像信息输入到学习网络，将提取的特征作为学习网络的训练参数开始对训练集进行识别训练，输出含有权重文件的类型识别模型；
[0012]S4：基于类型识别模型对变电设备进行识别。
[0013]作为本专利技术的一种可选方式，兴趣特征为变电设备的视觉显著特征，根据不同的变电设备的视觉显著特征的不同，生成由多个不同种类视觉显著特征构成的特征组；根据特征组包含的类型不同，分别提取变电设备的视觉显著特征。
[0014]作为本专利技术的一种可选方式，在上述步骤S2中，对变电设备进行特征提取后，生成第一特征集合与第二特征集合；第一特征集合是由变电设备对应的视觉显著特征组成，第二特征集合是由提取特征后的变电设备图像信息组成。
[0015]作为本专利技术的一种可选方式，在上述步骤S2中，采用LabelMe对红外图像数据进行初步标注，初步标注包括整体标注与特征标注，特征标注为根据第一特征集合对变电设备的视觉特征进行标注生成第一标注集，整体标注为根据第二特征集合对变电设备红外图像数据进行标注生成第二标注集；根据初步标注的次数与种类的不同确定类型集的容量，将第一标注集与第二标注集整合制作成数据集。
[0016]作为本专利技术的一种可选方式，在上述步骤S3之前，还包括对训练集进行随机排序，将随机排序后的训练集中的图片以第一标注集为顺序分批送入特征提取骨干网络进行特征提取，生成多级的特征图。作为本专利技术的一种可选方式，将特征图输入区域建议网络后进行卷积处理，输出集中特征信息；在经过全卷积网络在特征图上生成至少一个基准框；以任一基准框为起点，对不同的图片按照基准框的交并比大小选出每一个真实边框的目标候选区域，再根据目标候选框和基准框所对应的候选区域计算出区域建议网络的回归损失与分类损失。
[0017]作为本专利技术的一种可选方式，将特征图送入目标候选区域的池化层，输出大小一致的特征图；并将特征图通过全连接与分类层进行分类计算，输出特征图与所属类型集的概率向量，再对训练集按照预设的训练步长进行多次训练，训练结束后输出并保存类型识别模型的权重文件；将测试图片输入到带有权重文件的模型中进行检测，输出检测结果。
[0018]作为本专利技术的一种可选方式，视觉显著特征的确定方式为：
[0019]提取变电设备的兴趣特征后，对提取兴趣特征后的变电设备局部图像进行识别，若不能识别出其所属的类型集，则视该兴趣特征为该变电设备的视觉显著特征。
[0020]此外，为实现上述目的，本实施例还提供了一种电子设备，包括存储器和处理器，存储器存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的基于特征识别的变电设备红外图像识别方法的步骤。
[0021]此外，为实现上述目的，本实施例还提供了一种存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述的基于特征识别的变电设备红外图像识别方法中的步骤。
[0022]本专利技术与现有技术相比，具有如下的优点和有益效果：
[0023]本专利技术在包含多种变电设备的红外图像中，利用兴趣特征对多种变电设备进行定位与分类，基于深度学习的目标检测方法，解决了复杂红外图像中变电设备难以定位和分类的问题，提升了对不同变电设备的视觉检测精度，方法通用性较强，对相关问题的方案设计具有启发性。
附图说明
[0024]此处所说明的附图用来提供对本专利技术实施例的进一步理解，构成本申请的一部分，并不构成对本专利技术实施例的限定。在附图中：
[0025]图1为本专利技术实施例提供的变电设备红外图像类型识别方法步骤流程示意图；
[0026]图2为本专利技术实施例提供的类型识别模型结构示意图。
具体实施方式
[0027]为使本专利技术的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本专利技术作进一步的详细说明，本专利技术的示意性实施方式及其说明仅用于解释本专利技术，并不作为对本专利技术的限定。
[0028]因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。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他实施例，都属于本专利技术保护的范围。
[0029]本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征识别的变电设备红外图像识别方法，其特征在于，包括步骤：S1:获取多种变电设备的红外图像数据，对红外图像数据中的变电设备进行初步类型划分，获得类型集；S2:检测不同变电设备的兴趣特征，生成特征组，并对训练集中在类型集下有所属分类的变电设备进行与其对应的特征提取；再分别对不同的变电设备进行初步标注，并根据初步标注的结果，划分训练集与验证集；S3:将提取的特征进行局部处理后，将训练集中含有被提取特征的变电设备局部图像信息输入到学习网络，将提取的特征作为学习网络的训练参数开始对训练集进行识别训练，输出含有权重文件的类型识别模型；S4：基于类型识别模型对变电设备进行识别。2.根据权利要求1所述的一种基于特征识别的变电设备红外图像识别方法，其特征在于，所述兴趣特征为变电设备的视觉显著特征，根据不同的变电设备的视觉显著特征的不同，生成由多个不同种类视觉显著特征构成的特征组；根据特征组包含的类型不同，分别提取变电设备的视觉显著特征。3.根据权利要求2所述的一种基于特征识别的变电设备红外图像识别方法，其特征在于，在上述步骤S2中，对变电设备进行特征提取后，生成第一特征集合与第二特征集合；所述第一特征集合是由变电设备对应的视觉显著特征组成，所述第二特征集合是由提取特征后的变电设备图像信息组成。4.根据权利要求3所述的一种基于特征识别的变电设备红外图像识别方法，其特征在于，在上述步骤S2中，采用LabelMe对红外图像数据进行初步标注，初步标注包括整体标注与特征标注，所述特征标注为根据所述第一特征集合对变电设备的视觉特征进行标注生成第一标注集，所述整体标注为根据所述第二特征集合对变电设备红外图像数据进行标注生成第二标注集；根据初步标注的次数与种类的不同确定类型集的容量，将第一标注集与第二标注集整合制作成数据集。5.根据权利要求4所述的一种...

【专利技术属性】
技术研发人员：张凌浩，常政威，赵振兵，冯烁，梁晖辉，窦国贤，庞博，陶俊，向思屿，刘春，梁翀，魏阳，刘雪原，陈玉敏，郭庆，
申请(专利权)人：华北电力大学保定安徽继远软件有限公司，
类型：发明
国别省市：