CN110992306B - 基于深度学习的红外图像中劣化绝缘子的分割方法及装置 - Google Patents

基于深度学习的红外图像中劣化绝缘子的分割方法及装置 Download PDF

Info

Publication number
CN110992306B
CN110992306B CN201911066307.0A CN201911066307A CN110992306B CN 110992306 B CN110992306 B CN 110992306B CN 201911066307 A CN201911066307 A CN 201911066307A CN 110992306 B CN110992306 B CN 110992306B
Authority
CN
China
Prior art keywords
prediction
layer
feature map
insulator
infrared
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911066307.0A
Other languages
English (en)
Other versions
CN110992306A (zh
Inventor
武建华
张喆
裴少通
梁利辉
尹子会
赵志刚
耿三平
刘海峰
杨阳
尹河
刘云鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Original Assignee
North China Electric Power University
Maintenance Branch of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North China Electric Power University, Maintenance Branch of State Grid Hebei Electric Power Co Ltd filed Critical North China Electric Power University
Priority to CN201911066307.0A priority Critical patent/CN110992306B/zh
Publication of CN110992306A publication Critical patent/CN110992306A/zh
Application granted granted Critical
Publication of CN110992306B publication Critical patent/CN110992306B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10048—Infrared image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analyzing Materials Using Thermal Means (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Radiation Pyrometers (AREA)

Abstract

本发明公开了基于深度学习的红外图像中劣化绝缘子的分割方法及装置，包括全卷积神经网络和多尺度特征融合两部分，利用全卷积神经网络模型对红外图谱中的劣化绝缘子进行自动提取以及学习劣化绝缘子的纹理、形状等特征，避免了传统分割模型对于复杂背景无法有效分离的弊端，避免了传统分割算法模型复杂的特征选择过程，通过FCN模型实现了端到端的特征提取的自主化与智能化。在减少人工电力巡检的工作量的同时，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境。该自动分割和诊断方法，极大的减少了误检的情况，使得高压绝缘子劣化检测全自动巡检成为可能。

Description

基于深度学习的红外图像中劣化绝缘子的分割方法及装置
技术领域
本发明涉及电力设备技术领域，特别涉及基于深度学习的红外图像中劣化绝缘子的分割方法及装置。
背景技术
目前，绝缘子是电力系统中使用范围较广、数量较大的重要电工原件，其能否正常运行直接关系到电网能否稳定运行。然而，由于绝缘子本身的工艺缺陷和长期处在复杂的环境条件中，长此以往，绝缘子很容易出现劣化，劣化后的绝缘子则更容易成为零值绝缘子，零值绝缘子容易使绝缘子串发生闪络或者掉串。一旦绝缘子串发生闪络或者掉串，电网将出现大面积停电。因此，对劣化绝缘子的检测一直是电力检修中重要的组成部分。
发明内容
本发明的目的在于至少解决现有技术中存在的技术问题之一，提供一种基于深度学习的红外图像中劣化绝缘子的分割方法及装置，不但减少了人工电力巡检的工作量，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境；而且还极大地减少了误检的情况，使得高压绝缘子劣化检测全自动巡检成为可能。
本发明的第一方面，提供基于深度学习的红外图像中劣化绝缘子的分割方法，包括以下步骤：
获取劣化绝缘子的红外图谱；
将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；
将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；
将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；
将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。
根据本发明第一方面所述的基于深度学习的红外图像中劣化绝缘子的分割方法，所述红外图谱中所提取的特征包括劣化绝缘子的纹理特征和形状特征。
本发明的第二方面，提供基于深度学习的红外图像中劣化绝缘子的分割装置，包括以下单元：
红外图谱获取单元，用于获取劣化绝缘子的红外图谱；
第一预测特征图输出单元，用于将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；
第二预测特征图输出单元，用于将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；
第三预测特征图输出单元，用于将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；
多尺度特征融合分割提取单元，将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。
本发明的第三方面，提供基于深度学习的红外图像中劣化绝缘子的分割设备，包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如上所述的基于深度学习的红外图像中劣化绝缘子的分割方法。
本发明的第四方面，提供一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如上所述的基于深度学习的红外图像中劣化绝缘子的分割方法。
本发明的第五方面，提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于深度学习的红外图像中劣化绝缘子的分割方法。
本发明的基于深度学习的红外图像中劣化绝缘子的分割方法及装置至少具有以下有益效果：本发明能够获取劣化绝缘子的红外图谱；将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。本发明包括全卷积神经网络和多尺度特征融合两部分，利用全卷积神经网络模型对红外图谱中的劣化绝缘子进行自动提取以及学习劣化绝缘子的纹理、形状等特征，避免了传统分割模型对于复杂背景无法有效分离的弊端，避免了传统分割算法模型复杂的特征选择过程，通过FCN模型实现了端到端的特征提取的自主化与智能化。在减少人工电力巡检的工作量的同时，提高了巡检的效率和准确度，具有很大的实用性，十分符合复杂的现场环境。该自动分割和诊断方法，极大的减少了误检的情况，使得高压绝缘子劣化检测全自动巡检成为可能。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割方法的流程图；
图2是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割方法的全卷积神经网络结构图；
图3是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割方法的多尺度特征融合模型结构示意图；
图4是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割方法的卷积神经网络模型多层可视化图；
图5是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割方法的红外放电图谱FCN分割效果图；
图6是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割装置的结构示意图；
图7是本发明一个实施例提供的基于深度学习的红外图像中劣化绝缘子的分割设备的结构示意图。
具体实施方式
本部分将详细描述本发明的具体实施例，本发明之较佳实施例在附图中示出，附图的作用在于用图形补充说明书文字部分的描述，使人能够直观地、形象地理解本发明的每个技术特征和整体技术方案，但其不能理解为对本发明保护范围的限制。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
目前国内外研究者提出多种绝缘子状态检测方法，但在电网实际应用中，绝缘子状态检测以火花间隙法、红外热像法两种手段为主。火花间隙法需要人工登杆、逐片测量，检测效率低、工作强度大、安全性差，易造成误检、漏检；红外热像法可实现远程、非接触检测，且不受电磁干扰，安全、可靠，结合图像处理技术，自动定位故障，是绝缘子智能检测的发展方向。
研究表明：低、零值绝缘子的异常发热主要体现在钢帽区域，污秽绝缘子的异常发热主要体现在盘面区域。因此，在红外图像中，准确提取钢帽、盘面区域，是绝缘子红外智能检测的基础。目前的红外图像劣化绝缘子分割提取思路主要如下：首先，对红外图像进行灰度化、双边滤波、OTSU二值分割等预处理；然后，通过设计特定的边缘检测算法，提取绝缘子串的边缘图像；最后通过统计分析或拟合的方式确定劣化绝缘子的位置。
综合以上的研究成果不难发现，由于人为设定的多步骤以及不同提取特征的方式，当前的红外图像中劣化绝缘子的分割方法不够理想。已经提出的劣化绝缘子分割提取算法不足以涵盖多发热源、多拍摄角度、多阻值、多位置和复杂背景等多种情况下的劣化绝缘子分割提取。同时以上方法过于依赖红外图像的预处理，预处理直观影响到红外劣化绝缘子分割提取的效果，无法有效设定固定的预处理方式及合理阈值实现复杂情况的劣化绝缘子分割提取。
基于上述情况，本发明提供了基于深度学习的红外图像中劣化绝缘子的分割方法及装置，用于解决上述问题。
参照图1，本发明的第一方面，提供基于深度学习的红外图像中劣化绝缘子的分割方法，包括以下步骤：
S1：获取劣化绝缘子的红外图谱；
S2：将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；
S3：将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；
S4：将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；
S5：将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。
本发明主要包括全卷积神经网络和多尺度特征融合两部分。当输电线路绝缘子串中存在劣化绝缘子片时，劣化绝缘子片的钢帽区域会出现异常的发热，因此可以用红外成像法来捕捉绝缘子串的温度信息并转换为图像信号。本发明可针对该图像信号进行处理，提取出放电的区域，同时避免复杂背景噪声的干扰，可有效地应用于输变电设备智能巡检当中，以减少人工处理红外图像的复杂度。
所述的全卷积神经网络，首先通过卷积层进行抽象特征提取，每个卷积层中包含多个卷积神经元，通过滑动的卷积核实现对不同局部的特征的特征提取，一旦该局部特征被提取后，它与其他特征间的位置关系也随之确定下来。每个输出的特征图包含与多个输入特征图的卷积。然后通过池化层进行二次取样运算得到的特征图层。最后通过反卷积层输出和输入尺寸相同尺寸的分割图片。
所述的多尺度特征融合方法，是为了实现红外劣化绝缘子更好分割效果，根据融合浅卷积层细节特征的多少，分别搭建了全卷积神经网络FCN-32s、FCN-16s和FCN-8s模型，最终通过实验效果来确定最优的全卷积网络结构模型。
本发明包括全卷积神经网络和多尺度特征融合两部分，利用全卷积神经网络模型对红外图谱中的劣化绝缘子进行自动提取以及学习劣化绝缘子的纹理、形状等特征，避免了传统分割模型对于复杂背景无法有效分离的弊端，避免了传统分割算法模型复杂的特征选择过程，通过FCN模型实现了端到端的特征提取的自主化与智能化。在减少人工电力巡检的工作量的同时，提高了巡检的效率和准确度，具有很大的实用性，实现了在复杂背景和干扰下，红外劣化绝缘子的自动分割。该自动分割和诊断方法，极大的减少了误检的情况，使得高压绝缘子劣化检测全自动巡检成为可能。
根据本发明第一方面所述的基于深度学习的红外图像中劣化绝缘子的分割方法，所述红外图谱中所提取的特征包括劣化绝缘子的纹理特征和形状特征。
参照图2，通过全卷积神经网络把卷积神经网络中的全连接层替换成卷积层，同时对最后一个卷积层特征图进行上采样计算，使得该特征图恢复到与输入图像同样大小，在保留输入原始图像空间信息的前提下，也保留了对输入的每个像素进行分类输出预测值，实现了对输入红外图谱劣化绝缘子的分割提取。
参照图3，由于红外成像仪保存下的图片中包含劣化绝缘子的轮廓、形状等很多细节特征信息，如果将具有劣化绝缘子的红外图谱经过全卷积层后直接进行反卷积，由于经过多层卷积计算的图像降维，会丢失很多的细节特征，得到的结果较为粗糙。因此为了实现对劣化绝缘子的红外图谱更好的分割，本发明实现经典全卷积神经网络FCN-32s模型以外，结合更浅卷积层细节特征，实现多尺度融合FCN-16s、FCN-8s两种网络结构模型，最终通过实验效果来确定最优的全卷积网络结构模型。
参照图4，为了更全面展现全卷积神经网络训练后的模型参数，从训练生成的模型文件中导出模型参数进行可视灰度着色，以便更直观了解全卷积神经网络生成的网络模型参数分布，模型多层可视化效果图如图4示。在图4用于分割提取红外图谱中劣化绝缘子的全卷积可视化网络中，每层的网络由多张特征图构成。随着卷积层的层层深入，卷积层的的特征图变得多样，同时特征图的边缘特征逐渐显现。多层卷积特征图的变化，表明随着全卷积神经网络对输入的红外图片中的劣化绝缘子轮廓边缘的敏感程度逐渐提高，最终通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。
参照图5，通过对比FCN-8s、FCN-16s、FCN-32s三种不同程度融合更多细节特征的FCN模型，通过训练结束的FCN模型参数对测试集中的红外放电图谱进行测试，如图5所示为测试集在三种FCN模型中的测试效果图。
参照图6，本发明的第二方面，提供基于深度学习的红外图像中劣化绝缘子的分割装置100，包括但不限于以下单元：红外图谱获取单元110、第一预测特征图输出单元120、第二预测特征图输出单元130、第三预测特征图输出单元140和多尺度特征融合分割提取单元150。
其中，红外图谱获取单元110，用于获取劣化绝缘子的红外图谱；
第一预测特征图输出单元120，用于将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；
第二预测特征图输出单元130，用于将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；
第三预测特征图输出单元140，用于将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；
多尺度特征融合分割提取单元150，将所述第一预测特征图和所述第三预测特征图经过FCN-8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN-16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN-32s模型进行32倍上采样预测处理，上述三种上采样预测处理时通过反卷积输出分割图像，实现对红外图谱中劣化绝缘子的分割提取。
需要说明的是，由于本实施例中的基于深度学习的红外图像中劣化绝缘子的分割装置100与上述的基于深度学习的红外图像中劣化绝缘子的分割方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本装置实施例，此处不再详述。
参照图7，本发明的第三方面，提供基于深度学习的红外图像中劣化绝缘子的分割设备200，该基于深度学习的红外图像中劣化绝缘子的分割设备200可以是任意类型的智能终端，例如手机、平板电脑、个人计算机等。
具体地，该基于深度学习的红外图像中劣化绝缘子的分割设备200包括：一个或多个控制处理器210和存储器220，图7中以一个控制处理器210为例。
控制处理器210和存储器220可以通过总线或者其他方式连接，图7中以通过总线连接为例。
存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态性计算机可执行程序以及模块，如本发明实施例中的基于深度学习的红外图像中劣化绝缘子的分割方法对应的程序指令/模块，例如，图6中所示的红外图谱获取单元110、第一预测特征图输出单元120、第二预测特征图输出单元130、第三预测特征图输出单元140和多尺度特征融合分割提取单元150。控制处理器210通过运行存储在存储器220中的非暂态软件程序、指令以及模块，从而执行基于深度学习的红外图像中劣化绝缘子的分割装置100的各种功能应用以及数据处理，即实现上述方法实施例的基于深度学习的红外图像中劣化绝缘子的分割方法。
存储器220可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据基于深度学习的红外图像中劣化绝缘子的分割装置100的使用所创建的数据等。此外，存储器220可以包括高速随机存取存储器220，还可以包括非暂态存储器220，例如至少一个磁盘存储器220件、闪存器件、或其他非暂态固态存储器220件。在一些实施方式中，存储器220可选包括相对于控制处理器210远程设置的存储器220，这些远程存储器220可以通过网络连接至该基于深度学习的红外图像中劣化绝缘子的分割设备200。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器220中，当被所述一个或者多个控制处理器210执行时，执行上述方法实施例中的基于深度学习的红外图像中劣化绝缘子的分割方法，例如，执行以上描述的图1中的方法步骤S1至S5，实现图6中的单元110-150的功能。
本发明的第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器210执行，例如，被图7中的一个控制处理器210执行，可使得上述一个或多个控制处理器210执行上述方法实施例中的基于深度学习的红外图像中劣化绝缘子的分割方法，例如，执行以上描述的图1中的方法步骤S1至S5，实现图6中的单元110-150的功能。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述，本领域技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现。本领域技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(ReadOnly Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
本发明的第五方面，提供一种计算机程序产品，所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使计算机执行如上所述的基于深度学习的红外图像中劣化绝缘子的分割方法。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所述技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (5)

1.基于深度学习的红外图像中劣化绝缘子的分割方法，其特征在于，包括以下步骤：
获取劣化绝缘子的红外图谱；
将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；
将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；
将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；
将所述第一预测特征图和所述第三预测特征图经过FCN－8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN－16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN－32s模型进行32倍上采样预测处理，上述三种上采样预测处理时，首先通过卷积层进行抽象特征提取，每个卷积层中包含多个卷积神经元，通过滑动的卷积核实现对不同局部的特征的特征提取，每个输出的特征图包含与多个输入特征图的卷积，然后通过池化层进行二次取样运算得到的特征图层，最后通过反卷积层输出和输入尺寸相同尺寸的分割图像，实现对红外图谱中劣化绝缘子的分割提取。
2.根据权利要求1所述的基于深度学习的红外图像中劣化绝缘子的分割方法，其特征在于：所述红外图谱中所提取的特征包括劣化绝缘子的纹理特征和形状特征。
3.基于深度学习的红外图像中劣化绝缘子的分割装置，其特征在于，包括以下单元：
红外图谱获取单元，用于获取劣化绝缘子的红外图谱；
第一预测特征图输出单元，用于将所述红外图谱依次通过第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层和第三池化层的特征提取和取样运算，得到第一预测特征图；
第二预测特征图输出单元，用于将所述第一预测特征图经过第四卷积层的特征提取和第四池化层的取样运算，得到第二预测特征图；
第三预测特征图输出单元，用于将所述第二预测特征图经过第五卷积层的特征提取和第五池化层的取样运算，得到第三预测特征图；
多尺度特征融合分割提取单元，将所述第一预测特征图和所述第三预测特征图经过FCN－8s模型进行8倍上采样预测处理，将所述第二预测特征图和所述第三预测特征图经过FCN－16s模型进行16倍上采样预测处理，将所述第三预测特征图经过第一全连接层和第二全连接层后再经过FCN－32s模型进行32倍上采样预测处理，上述三种上采样预测处理时，首先通过卷积层进行抽象特征提取，每个卷积层中包含多个卷积神经元，通过滑动的卷积核实现对不同局部的特征的特征提取，每个输出的特征图包含与多个输入特征图的卷积，然后通过池化层进行二次取样运算得到的特征图层，最后通过反卷积层输出和输入尺寸相同尺寸的分割图像，实现对红外图谱中劣化绝缘子的分割提取。
4.基于深度学习的红外图像中劣化绝缘子的分割设备，其特征在于：包括至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器；存储器存储有可被至少一个控制处理器执行的指令，指令被至少一个控制处理器执行，以使至少一个控制处理器能够执行如权利要求1或2所述的基于深度学习的红外图像中劣化绝缘子的分割方法。
5.一种计算机可读存储介质，其特征在于：计算机可读存储介质存储有计算机可执行指令，计算机可执行指令用于使计算机执行如权利要求1或2所述的基于深度学习的红外图像中劣化绝缘子的分割方法。
CN201911066307.0A 2019-11-04 2019-11-04 基于深度学习的红外图像中劣化绝缘子的分割方法及装置 Active CN110992306B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911066307.0A CN110992306B (zh) 2019-11-04 2019-11-04 基于深度学习的红外图像中劣化绝缘子的分割方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911066307.0A CN110992306B (zh) 2019-11-04 2019-11-04 基于深度学习的红外图像中劣化绝缘子的分割方法及装置

Publications (2)

Publication Number Publication Date
CN110992306A CN110992306A (zh) 2020-04-10
CN110992306B true CN110992306B (zh) 2022-04-22

Family

ID=70083049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911066307.0A Active CN110992306B (zh) 2019-11-04 2019-11-04 基于深度学习的红外图像中劣化绝缘子的分割方法及装置

Country Status (1)

Country Link
CN (1) CN110992306B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183667B (zh) * 2020-10-31 2022-06-14 哈尔滨理工大学 一种协同深度学习的绝缘子故障检测方法
CN114487742B (zh) * 2022-04-14 2022-07-05 湖北工业大学 基于多模态纹理分析的高压壳体放电绝缘性能检测系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734143A (zh) * 2018-05-28 2018-11-02 江苏迪伦智能科技有限公司 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109118491A (zh) * 2018-07-30 2019-01-01 深圳先进技术研究院 一种基于深度学习的图像分割方法、系统及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106934418B (zh) * 2017-03-09 2021-05-14 国家电网公司 一种基于卷积递归网络的绝缘子红外诊断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108734143A (zh) * 2018-05-28 2018-11-02 江苏迪伦智能科技有限公司 一种巡检机器人的基于双目视觉的输电线路在线检测方法
CN109087327A (zh) * 2018-07-13 2018-12-25 天津大学 一种级联全卷积神经网络的甲状腺结节超声图像分割方法
CN109118491A (zh) * 2018-07-30 2019-01-01 深圳先进技术研究院 一种基于深度学习的图像分割方法、系统及电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于深度学习的红外遥感信息自动提取;陈睿敏等;《红外》;20170831;第37-43页 *

Also Published As

Publication number Publication date
CN110992306A (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
CN110321933B (zh) 一种基于深度学习的故障识别方法和装置
CN111340787A (zh) 输电线路的导线缺陷检测识别方法、装置及计算机设备
CN111044570A (zh) 电力设备的缺陷识别及预警方法、装置及计算机设备
CN110992306B (zh) 基于深度学习的红外图像中劣化绝缘子的分割方法及装置
CN111047598B (zh) 基于深度学习的输变电设备紫外放电光斑分割方法及装置
CN112734698B (zh) 基于红外图像的电缆终端异常诊断方法和装置
CN111598889B (zh) 均压环倾斜故障的识别方法、装置、计算机设备
CN109345586A (zh) 基于紫外成像技术的电气设备放电特征提取方法
CN113222949B (zh) 一种电力设备导体插接位置的x射线影像自动检测方法
Wang et al. Railway insulator detection based on adaptive cascaded convolutional neural network
Wanguo et al. Typical defect detection technology of transmission line based on deep learning
CN112819784A (zh) 一种配电线路导线断股散股检测方法及系统
CN110910379B (zh) 一种残缺检测方法及装置
CN116977907A (zh) 基于图像识别的电力巡检故障诊断方法及系统
Bai et al. Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018)
Tao et al. Electric insulator detection of UAV images based on depth learning
CN111931721B (zh) 年检标签颜色和个数的检测方法、装置及电子设备
CN111626104B (zh) 一种基于无人机红外热像的电缆隐患点检测方法和装置
Liu et al. Quality assessment for inspection images of power lines based on spatial and sharpness evaluation
CN116739963A (zh) 一种基于多层级多尺度特征融合的电网设备缺陷检测方法
CN114037840A (zh) 一种基于多特征融合的输电线路视物提取方法及系统
Zhao et al. A hybrid CNN/Poisson fusion based power transformer external defect detecting method
CN111402552A (zh) 一种电力设备监测报警系统及方法
CN112598632A (zh) 一种压接连接器接触件外观检测方法及装置
Ren et al. Research on the Rapid Check and Identification of Insulator Faults in Transmission Lines Based on a Modified Faster RCNN Network

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant