【技术实现步骤摘要】
本专利技术涉及人工智能，尤其是一种电力设备红外图像检测方法。
技术介绍
1、变电站电力设备的安全稳定运行是保证电网可靠供电的关键因素。由于电力设备的长期带电运行和环境因素的影响，经常会出现各种故障，通常表现为整体或局部异常发热,因此监测电力设备的温度状态具有重要意义。
技术实现思路
1、变电站作为电力系统的重要组成部分，实时的变电设备监测对保障变电站安全稳定运行具有十分重要的意义。传统主要依靠人工检测和分析电力设备红外图像信息，这种方式存在手动操作效率低、易出错、缺陷判断实时性差等问题，而当前目标检测方法大多使用机器学习，特征提取阶段和对象检测阶段往往分开进行。近年来，深度学习在图像领域发展迅速，许多研究人员将其应用于电力设备图像识别领域。基于深度学习的目标检测算法可分为两阶段目标检测算法和端到端目标检测算法，两阶段检测算法主要包括 rcnn、fast-rcnn、 faster-rcnn等，该类算法首先生成候选区域，再进行分类与定位。端到端检测算法主要包括 ssd，yolov3等，该类算法无需生成候选区域，直接预测目标的种类与位置，相比两阶段检测算法具有更快的检测速度。上述研究虽然在一定程度上提升了红外电气设备的检测效果，但所提方法依赖大量锚框，计算效率较低且易造成漏检，centernet是一种采用关键点检测的无锚框算法，相比上述基于锚框的算法具有更优秀的检测效率及准确率。centernet的无锚方案将检测到的目标当作一个点，只需要预测目标的中心点和大小，整个过程不依赖于锚点机制，
2、1. 变电站背景复杂，而已有的电力设备红外图像目标检测算法无法很好的检测此类目标。
3、2. 变电站中存在一些弱感知目标，容易造成漏检现象。
4、为了克服现有技术的不足，本专利技术提供一种基于centernet的电力设备红外图像检测方法。
5、本专利技术解决其技术问题所采用的技术方案包括如下步骤：
6、步骤1、在变电站拍摄目标图像，制作数据集；
7、通过红外检测仪对变电站故障设备进行红外图像拍摄，得到目标图像，将目标图像制作为数据集；
8、步骤2、将数据集分为训练集和测试集，并对训练集进行标注；
9、步骤3、选择对目标特征提取能力效果更好的resnext18作为特征提取网络对输入图像进行特征提取；在检测头前加入se注意力机制，提高模型对于关键目标的关注度，并输出注意力加权的特征图至检测头中；
10、步骤4、使用centernet算法对训练集中的图像及标注的信息进行深度学习的训练，得到训练后的centernet算法模型；
11、步骤5、使用centernet算法对测试集中的图像或实际拍摄的图像进行目标检测，获取图像中待检测目标的分类信息和位置信息。
12、所述步骤2包括如下步骤：
13、将所述图像按比例分为训练集和测试集，比例在7：3至9：1之间，训练集图像数量大于500张，以保证检测算法的泛化性能。使用软件labelimage对获取的训练集图像进行数据标注，标注信息为图像中欲检测目标的位置信息及类别信息，得到红外图像数据集；
14、所述步骤3包括如下步骤：
15、标准的centernet模型一般以resnet50作为特征提取的骨干网络。resnet将残差学习引入深度网络，通过恒等映射操作将浅层信息带入网络的深层，解决了深度网络退化的问题。然而，对于具有复杂背景的变电站环境，resnet50的特征提取效果仍然不足，因此，我们改用提取特征能力更强的resnext50网络。使resnext50网络使用分组卷积，以提取多个级别的特征。resnext50网络将输入特征划分为几个组，并用由几个1×1和3×3卷积构成的区块来更新每个组的特征；然后连接这些更新的特征来增强特征信息，并且执行参考resnet结构的快捷连接以防止网络劣化。resnext50通过增加网络宽度来提取网络不同级别的丰富特征，从而提高了网络的性能。为了提高网络对弱感知对象的关注，我们将se模块的通道关注机制应用于centernet模型。se 注意力机制主要包括压缩与激励两个操作。压缩操作：采用全局平均池化将 h×w×c 尺寸的特征 图在空间维度上进行压缩，得到 1×1×c 尺寸的全局特征；激励操作：该操作包含两个全连接层和非线性激活函 数，能加强不同特征通道之间的联系并减少计算量，并且对电气设备红外特征通道赋予不同的权重；最后将权重归一化向量与初始特征图相乘，完成 se 注意力权重分配，得到 h×w×c 的特征图。
16、所述步骤4包括如下步骤：
17、将数据集中的标注文件与图像分别储存在两个文件夹中，共同移入算法的data文件夹下，在终端通过命令运行算法的main.py文件以训练网络；在训练过程中，首先调用使用了resnext50特征提取网络对训练集中的红外图像进行特征提取，再调用检测头相关文件，将特征提取网络输出的特征图输出到检测头内的损失函数(lossfunction)中计算数值，完成一次正向传播；之后，卷积神经网络根据损失函数数值的变化情况，调整模型内的参数，直到损失函数loss达到最小值，整个过程是自动的，也就是深度学习算法训练模型的过程，使训练模型的loss向最小值变化。算法在训练过程中会生成不断更新的训练模型，在反复的正向传播与反向传播过程中，loss逐渐收敛至最小值，即loss与时间的关系曲线趋于平缓，不再下降，此时的训练模型即为最优的电力设备红外图像目标检测训练模型，即完成centernet算法的训练部分。
18、所述步骤5包括如下步骤：
19、将测试集中的红外图像通过电力设备红外图像检测算法进行检测；
20、在检测阶段，首先将输入图像缩放至512×512的大小，随后对缩放后的图像通过特征提取网络进行特征提取，此时特征提取网络中的参数即为训练模型的参数，提取最优的红外图像中的特征信息，此时模型的loss收敛，说明此时模型内的参数是最适合提取特征的参数，即为最优，若不是最优，loss不收敛，还会继续上升或下降，特征信息将输入至检测头部分，检测头部分的具体检测方式如下：
21、假设输入图像为i∈rw×h×3，其中w和h分别为图像的宽和高，在检测时，通过高斯核产生出关键点的热点图(keypoint heatmap)：代表热点图中每个点的值，其中r为输出对应原图的步长，设置为4，c代表目标检测对象的类别，如电力设备检测目标共4种，则c＝4；这样，就是一个检测到物体的预测值，对于本文档来自技高网...
【技术保护点】
1.一种基于CenterNet的电力设备红外图像检测方法，其特征在于
【技术特征摘要】
1.一种基于centernet的电...
【专利技术属性】
技术研发人员：张宇华，蒋志哲，王育飞，薛花，于艾清，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。