一种紫外图像无锚框目标检测方法及存储介质技术

本发明专利技术公开一种紫外图像无锚框目标检测方法，具体为：获取紫外图像的目标检测真值标签

【技术实现步骤摘要】
一种紫外图像无锚框目标检测方法及存储介质、电子设备


[0001]本专利技术涉及图像处理
，尤其涉及一种紫外图像无锚框目标检测方法及存储介质
、
电子设备
。

技术介绍

[0002]基于紫外图像的电晕放电检测是一种用于检测电力设备中电晕放电现象的技术
。
电晕放电是指在高电压电力设备表面或附近，由于电场强度过高导致空气分子发生电离和放电现象
。
电晕放电不仅会引起电力设备的能量损耗和电磁干扰，还可能导致设备的损坏和事故的发生
。
[0003]紫外图像技术在电晕放电检测中具有重要的应用价值
。
紫外图像能够捕捉到电晕放电过程中产生的紫外光辐射，因为电晕放电产生的光谱主要集中在紫外波段
。
通过使用紫外摄像机和相应的图像处理算法，可以实时监测和分析电力设备表面的紫外图像，从而检测和识别电晕放电现象
。
[0004]基于紫外图像的电晕放电检测技术已经在电力行业得到广泛应用
。
通过对电力设备进行紫外图像监测，可以实现对电晕放电的实时监测和预警，提高电力设备的安全性和可靠性
。
同时，该技术还可以帮助电力运维人员进行设备状态评估和故障诊断，提高电力设备的维护效率和运行质量
。
[0005]基于紫外图像的电晕放电检测技术还存在一些挑战和限制
。
例如，电晕放电的特征复杂多样，需要针对不同类型的电晕放电进行算法设计和优化
。
此外，紫外图像中的噪声和干扰也会对检测结果产生影响，需要采用合适的图像处理和分析方法进行抑制和滤除
。
同时电晕放电在紫外图像中呈小目标出现频率较高，目前许多算法对小目标检测效果不佳，需要进行算法设计和优化来改善对小目标检测效果
。

技术实现思路

[0006]为了解决上述问题，本专利技术提出一种紫外图像无锚框目标检测方法，包括以下步骤：
S1、
采集电气设备紫外图像数据，并对紫外图像数据进行预处理，获取目标检测真值标签及对应标注框
、
语义分割真值标签及对应标注框，将预处理后的紫外图像数据划分为训练集
、
验证集和测试集；
S2、
基于训练集中的目标检测真值标签及对应标注框
、
语义分割真值标签及对应标注框获得掩码标签，并对训练集和掩码标签进行相同的增强处理；
S3、
构建无锚框目标检测模型，所述模型包括编码部分
、
解码部分
、
检测头部分；编码部分包括主干特征提取网络和空洞空间卷积池化金字塔网络，用于特征提取；检测头部分有三个检测头，包含两个无锚框检测头，一个无锚框双头检测头，无锚框双头检测头的双头分别为一个无锚框检测头及一个辅助检测头；
S4、
基于增强后的训练集和增强后的掩码标签对模型进行训练，使用验证集对训
练后的模型进行验证，并调整模型超参数，使用测试集对验证后的模型进行评估，得到最终的无锚框目标检测模型，将待检测的紫外图像数据输入最终的无锚框目标检测模型，得到目标检测结果
。
[0007]进一步地，步骤
S1
中，目标检测真值标签相应标注框为矩形标注框，语义分割真值标签相应标注框为多边形标注框
。
[0008]进一步地，步骤
S2
具体为：将目标检测真值标签对应标注框
、
语义分割真值标签对应标注框进行对比，获得两个标注框的并集和交集，将训练集图像中除去并集的区域中像素点掩码设置为0，目标检测真值标签对应标注框区域除去交集区域中像素点掩码设置为1，目标检测真值标签对应标注框与语义分割真值标签对应标注框相交且目标检测真值标签与语义分割真值标签一致则将相交区域中像素点掩码设置为2，若目标检测真值标签对应标注框与语义分割真值标签对应标注框相交但目标检测真值标签与语义分割真值标签不一致则将相交区域中像素点掩码设置为
3。
[0009]进一步地，主干特征提取网络采用由空洞卷积构建的基于
VGG16
架构的主干特征提取网络
。
[0010]进一步地，空洞空间卷积池化金字塔网络包括三个卷积
、
三个空洞卷积
、
四个归一化层
、
一个全局平均池化层
、
一个上采样
、
一个堆叠层
、
一个批标准化层；第一卷积和第一归一化层组成第一卷积单元，第一空洞卷积和第二归一化层组成第一空洞卷积单元，第二空洞卷积和第三归一化层组成第二空洞卷积单元，第三空洞卷积和第四归一化层组成第三空洞卷积单元；堆叠层有五个输入，空洞空间卷积池化金字塔网络的输入经过第一卷积单元的输出为堆叠层的第一输入，堆叠层的第一输入经过全局平均池化层得到池化后的堆叠层的第一输入，池化后的堆叠层的第一输入经过第二卷积提取特征，提取特征的池化后的堆叠层的第一输入经过上采样得到堆叠层的第二输入，堆叠层的第一输入经过第一空洞卷积单元得到堆叠层的第三输入，堆叠层的第三输入经过第二空洞卷积单元得到堆叠层的第四输入，堆叠层的第四输入经过第三空洞卷积单元得到堆叠层的第五输入；堆叠层的五个输入通过堆叠层得到堆叠后的特征图，堆叠后的特征图通过第三卷积提取特征，并通过批标准化层得到空洞空间卷积池化金字塔网络输出的新特征
。
[0011]进一步地，无锚框检测头采用两个普通卷积操作进行特征调整，并经一次普通卷积操作将通道数调整为
C1
得到输出；辅助检测头采用两个普通卷积操作进行特征调整，再经一次普通卷积操作将通道数调整为
C2
得到输出；无锚框检测通道数
C1=C+4+1
，辅助检测头通道数
C2=C+1
，其中的4代表存储边界框位置的4个通道，代表像素点距离左边框距离，代表像素点距离右边框距离，代表像素点距离上边框距离，代表像素点距离下边框距离，其中的1代表存储像素点与真实框中心点的偏离度的1个通道，
C
为可检测出来的目标种类，存储相应种类分类的二分类置信度
。
[0012]进一步地，检测头采用
NIoU
与
DIOU
两种方式对模型预测结果进行过滤得到最终结果；
其中，表示复合交并比，表示目标检测真值标签对应标注框的真值框和语义分割真值标签对应标注框的真值框相交，且目标检测真值标签和语义分割真值标签一致时交集部分，表示目标检测真值标签对应标注框的真值框和语义分割真值标签对应标注框的预测框相交，且目标检测真值标签和语义分割真值标签一致时交集部分，表示距离交并比
。
[0013]进一步地，无锚框目标检测模型的损失函数包括无锚框检测头损失函数
、
辅助预测头损失函数；无锚框检测头损失函数包括分类损失
、
边界框本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种紫外图像无锚框目标检测方法，其特征在于，包括以下步骤：
S1、
采集电气设备紫外图像数据，并对紫外图像数据进行预处理，获取目标检测真值标签及对应标注框
、
语义分割真值标签及对应标注框，将预处理后的紫外图像数据划分为训练集
、
验证集和测试集；
S2、
基于训练集中的目标检测真值标签及对应标注框
、
语义分割真值标签及对应标注框获得掩码标签，并对训练集和掩码标签进行相同的增强处理；
S3、
构建无锚框目标检测模型，所述模型包括编码部分
、
解码部分
、
检测头部分；编码部分包括主干特征提取网络和空洞空间卷积池化金字塔网络，用于特征提取；检测头部分有三个检测头，包含两个无锚框检测头，一个无锚框双头检测头，无锚框双头检测头的双头分别为一个无锚框检测头及一个辅助检测头；
S4、
基于增强后的训练集和增强后的掩码标签对模型进行训练，使用验证集对训练后的模型进行验证，并调整模型超参数，使用测试集对验证后的模型进行评估，得到最终的无锚框目标检测模型，将待检测的紫外图像数据输入最终的无锚框目标检测模型，得到目标检测结果
。2.
根据权利要求1所述的一种紫外图像无锚框目标检测方法，其特征在于，步骤
S1
中，目标检测真值标签相应标注框为矩形标注框，语义分割真值标签相应标注框为多边形标注框
。3.
根据权利要求1所述的一种紫外图像无锚框目标检测方法，其特征在于，步骤
S2
具体为：将目标检测真值标签对应标注框
、
语义分割真值标签对应标注框进行对比，获得两个标注框的并集和交集，将训练集图像中除去并集的区域中像素点掩码设置为0，目标检测真值标签对应标注框区域除去交集区域中像素点掩码设置为1，目标检测真值标签对应标注框与语义分割真值标签对应标注框相交且目标检测真值标签与语义分割真值标签一致则将相交区域中像素点掩码设置为2，若目标检测真值标签对应标注框与语义分割真值标签对应标注框相交但目标检测真值标签与语义分割真值标签不一致则将相交区域中像素点掩码设置为
3。4.
根据权利要求1所述的一种紫外图像无锚框目标检测方法，其特征在于，主干特征提取网络采用由空洞卷积构建的基于
VGG16
架构的主干特征提取网络
。5.
根据权利要求1所述的一种紫外图像无锚框目标检测方法，其特征在于，空洞空间卷积池化金字塔网络包括三个卷积
、
三个空洞卷积
、
四个归一化层
、
一个全局平均池化层
、
一个上采样
、
一个堆叠层
、
一个批标准化层；第一卷积和第一归一化层组成第一卷积单元，第一空洞卷积和第二归一化层组成第一空洞卷积单元，第二空洞卷积和第三归一化层组成第二空洞卷积单元，第三空洞卷积和第四归一化层组成第三空洞卷积单元；堆叠层有五个输入，空洞空间卷积池化金字塔网络的输入经过...

【专利技术属性】
技术研发人员：谢松，黄海，张珣，杜勇，刘晓华，刘姜，辛巍，张迪，李小来，王身丽，吴军，邓鹤鸣，金哲，张学锋，冷飞宇，
申请(专利权)人：湖北省超能电力有限责任公司湖北大学，
类型：发明
国别省市：