CN113361470A - 一种基于深度学习的电力外绝缘设备自动定位识别方法 - Google Patents
一种基于深度学习的电力外绝缘设备自动定位识别方法 Download PDFInfo
- Publication number
- CN113361470A CN113361470A CN202110740075.3A CN202110740075A CN113361470A CN 113361470 A CN113361470 A CN 113361470A CN 202110740075 A CN202110740075 A CN 202110740075A CN 113361470 A CN113361470 A CN 113361470A
- Authority
- CN
- China
- Prior art keywords
- external insulation
- neural network
- power external
- deep learning
- insulation equipment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000009422 external insulation Methods 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 239000012212 insulator Substances 0.000 claims abstract description 50
- 238000011176 pooling Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 230000001629 suppression Effects 0.000 claims abstract description 8
- 238000003062 neural network model Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 8
- 239000000725 suspension Substances 0.000 claims description 7
- 230000007423 decrease Effects 0.000 claims description 6
- 238000007670 refining Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000009432 framing Methods 0.000 description 2
- 230000005764 inhibitory process Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013100 final test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本公开提供了一种基于深度学习的电力外绝缘设备自动定位识别方法，获取待识别的图像；根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识别结果；其中，卷积神经网络模型采用R2CNN神经网络，R2CNN神经网络中：对提取到的图像特征，通过区域建议网络生成水平框来包围图中任意方向的绝缘子，使用不同的池化尺寸提取水平框的池化特征，通过全连接层连接特征，生成预测的水平框和倾斜框，结合倾斜的非极大抑制算法来获得检测结果；本公开极大的提高了电力外绝缘设备自动定位识别的准确率。
Description
技术领域
本公开涉及电力设备定位识别技术领域，特别涉及一种基于深度学习的电 力外绝缘设备自动定位识别方法。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有 技术。
现阶段，无人机、机器人等电力巡检手段的更新迭代，实现了图像和视频 信息与电力系统的云间对接，将现场与调度中心机动联结，有效解决传统电力 巡检效率低、实时性差、危险系数高等问题，推动电力设备检测朝着智能化、 自动化的方向发展，是一种巨大的技术进步。然而，现有的图像视频监控系统 仅仅是将大量多媒体数据传输到调度段，运维人员仍需逐帧观察图像，依照经 验评估，效率极低。此外，海量的图像数据在低效筛选处理下极易积压，反倒 降低了设备运维的实时性，难以适应智能化的电力系统的发展。
发明人发现，现有的电力外绝缘设备的识别大多采用深度学习的方式，但 是，目前的基于深度学习的电力外绝缘设备的定位识别方法的精度较低且干扰 较多，无法满足电力巡检的需求。
发明内容
为了解决现有技术的不足，本公开提供了一种基于深度学习的电力外绝缘 设备自动定位识别方法，提高了电力外绝缘设备的定位识别精度。
为了实现上述目的，本公开采用如下技术方案：
本公开第一方面提供了一种基于深度学习的电力外绝缘设备自动定位识别 方法。
一种基于深度学习的电力外绝缘设备自动定位识别方法，包括以下过程：
获取待识别的图像；
根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识 别结果；
其中，卷积神经网络模型采用R2CNN神经网络，R2CNN神经网络中：对 提取到的图像特征，通过区域建议网络生成水平框来包围图中任意方向的绝缘 子，使用不同的池化尺寸提取水平框的池化特征，通过全连接层连接特征，生 成预测的水平框和倾斜框，结合倾斜的非极大抑制算法来获得检测结果。
进一步的，根据全连接层连接特征得到支撑类绝缘子、悬式绝缘子和背景 的预测得分，根据预测得分得到预测的水平框和倾斜框。
进一步的，倾斜非极大抑制算法的IoU为两个倾斜框之间的IoU，具体为两 个倾斜框交集面积和并集面积之比。
更进一步的，IoU的计算，具体为：
先计算两个倾斜框的交点，生成一个多变形，然后将多边形分割成三角形 进行计算，分别得到两个便捷狂交集的面积和两个倾斜框并集的面积，以两个 倾斜框交集的面积与两个倾斜框并集的面积的比值为IoU。
进一步的，卷积神经网络模型的训练中，学习率的取值随迭代次数的增加 而下降。
进一步的，卷积神经网络中包括ROI Pooling，ROI Pooling在特征图上进行， 用于将大小不同的特征图池化成大小相同的特征图。
进一步的，在经过区域建议网络之后，把由区域建议网络生成的水平建议 框分类为支撑类绝缘子或悬式绝缘子或非绝缘子，细化调整这些包含任意方向 绝缘子的水平建议框并预测倾斜框，根据每个类别的得分进行边框回归，且每 个倾斜框都与水平框相关联。
本公开第二方面提供了一种基于深度学习的电力外绝缘设备自动定位识别 系统。
一种基于深度学习的电力外绝缘设备自动定位识别系统，包括：
数据获取模块，被配置为：获取待识别的图像；
定位识别模块，被配置为：根据获取的图像和预设卷积神经网络模型，得 到电力外绝缘设备的定位识别结果；
其中，卷积神经网络模型采用R2CNN神经网络，R2CNN神经网络中：对 提取到的图像特征，通过区域建议网络生成水平框来包围图中任意方向的绝缘 子，使用不同的池化尺寸提取水平框的池化特征，通过全连接层连接特征，生 成预测的水平框和倾斜框，结合倾斜的非极大抑制算法来获得检测结果。
本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程 序被处理器执行时实现如本公开第一方面所述的基于深度学习的电力外绝缘设 备自动定位识别方法中的步骤。
本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储 器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第 一方面所述的基于深度学习的电力外绝缘设备自动定位识别方法中的步骤。
与现有技术相比，本公开的有益效果是：
1、本公开所述的方法、系统、介质或电子设备，通过增加额外约束(即水 平框)，提高预测倾斜框的性能，进而提高了定位识别精度。
2、本公开所述的方法、系统、介质或电子设备，可以在预测的水平框上执 行常规NMS(非极大抑制)，也可以在预测的倾斜框上执行倾斜NMS，进一步 的提高了定位识别精度。
3、本公开所述的方法、系统、介质或电子设备，在经过RPN(区域建议网 络)之后，把由RPN生成的水平建议框分类为支撑类绝缘子或悬式绝缘子或非 绝缘子，细化调整这些包含任意方向绝缘子的水平建议框并预测倾斜框，根据 每个类别的得分进行边框回归(Bouding Box Regression)，使得RPN生成的水 平建议框与真值更加接近。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公 开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1为本公开实施例1提供的R2CNN的网络框架示意图。
图2为本公开实施例1提供的R2CNN算法处理流程示意图。
图3为本公开实施例1提供的不同方向的绝缘子示意图。
图4为本公开实施例1提供的IoU计算示意图。
图5为本公开实施例1提供的不同学习率下的准确率变化曲线图。
图6为本公开实施例1提供的不同学习率下的LOSS曲线图。
图7为本公开实施例1提供的学习率随迭代次数的增加而下降示意图。
图8为本公开实施例1提供的两种学习率设置的loss及准确率示意图。
图9为本公开实施例1提供的不同权值衰减系数下的loss值及准确率示意 图。
图10为本公开实施例1提供的不同学习率下的实测效果图。
图11为本公开实施例1提供的不同学习率设置策略下的实测效果图。
图12为本公开实施例1提供的不同权值衰减系数下的实测效果图。
图13为本公开实施例1提供的初始学习率0.0003、权值衰减系数0.0001下 的实测效果图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。 除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的 普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图 限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确 指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说 明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器 件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例1：
本公开实施例1提供了一种基于深度学习的电力外绝缘设备自动定位识别 方法，包括以下过程：
获取待识别的图像；
根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识 别结果。
卷积神经网络模型采用R2CNN网络模型，R2CNN(Rotational Region CNN) 基于Faster R-CNN架构，在这里被用于检测任意方向的绝缘子。
如图1所示，输入图像后，应用ResNet101核心网提取图像特征，通过区域 建议网络(RPN)生成水平框来包围图中任意方向的绝缘子。然后，使用不同 的池化尺寸提取RPN生成的水平框的池化特征，并通过全连接层连接特征，这 些获得的特征被用于支撑类绝缘子(支柱绝缘子和套管)/悬式绝缘子/背景的预 测得分，生成预测的水平框和倾斜框。完成上述操作后，使用倾斜的非极大抑 制(NMS)算法来获得检测结果。
如图2所示，(a)是原始的输入图像，(b)是RPN网络从被处理的图像中 勾勒出的需要处理的区域，这些感兴趣区域ROI(region of interest)都是常规的 水平框，(c)是经过R2CNN算法预测得到的水平预测框和倾斜预测框。每一个 倾斜框都和一个水平框相关联，并用同一个颜色表示，(d)是通过倾斜NMS算 法后得到的最终输出结果。
如图3所示，图像中的绝缘子有以下几种情况：(a)绝缘子处于水平方向； (b)绝缘子处于垂直方向；(c)绝缘子位于水平框的对角线方向。RPN能够生 成包围任意方向绝缘子的水平框。与一般绝缘子检测相比，还有一些小场景绝 缘子需要检测。这一问题通过在RPN中利用较小的anchor scale来解决。在Faster R-CNN算法中的anchor scale是(8,16,32)，开源R2CNN代码里采用的anchor scale 是(4,8,16,32)。采用较小的anchor有助于绝缘子检测，这里采用的anchor scale 是(0.0625，0.125，0.25，0.5，1.0，2.0)。Anchor aspectratios、正样本和负样 本的定义等RPN的其他设置与Faster R-CNN保持相同。
ROI Pooling就是将大小不同的特征图池化成大小相同的特征图，利于输出 到下一层网络中。在FasterR-CNN的框架里，ROI Pooling是在特征图上进行的。 针对每个RPN的建议框的ROIPooling的池化尺寸为7×7。浏览绝缘子图像样本数 据集发现，一部分的绝缘子的图像的宽度比它们的高度大得多。针对这个情况， 为捕捉更多绝缘子特征R2CNN算法使用三种不同尺寸的ROIPooling，即11×3、 3×11和原有的池化尺寸7×7。将被池化的特征连接在一起，有利于进一步的检 测。3×11的池化尺寸可以捕捉更多的水平特征，这样可以检测宽度远大于其高 度的水平方向的绝缘子。11×3的池化尺寸可以捕捉更多的垂直特征，这样可以 帮助检测高度远远大于宽度的竖直方向的绝缘子。
在R2CNN算法流程中，在经过RPN网络之后，把由RPN生成的水平建议框 分类为支撑类绝缘子或悬式绝缘子或非绝缘子，细化调整这些包含任意方向绝 缘子的水平建议框并预测倾斜框。根据每个类别的得分进行边框回归(Bouding Box Regression)，这一步使得RPN生成的水平建议框与真值更加接近。每个倾 斜框都与水平框相关联。虽然R2CNN算法的检测目标是倾斜边界框，但是增加 额外约束(水平框)可以提高预测倾斜框的性能。
非极大抑制(NMS)可以理解为局部最大搜索，用于目标检测中提取分数 高的窗口，对检测候选框进行后处理。之前预测的有水平框和倾斜框，这样一 来，既可以在预测的水平框上执行常规NMS，也可以在预测的倾斜框上执行倾 斜NMS。用于倾斜NMS的IoU(Intersection-over-Union)的是指的两个倾斜框之 间的IoU，也就是计算两个倾斜框交集和并集之比，如图4，本实施例所用的IoU 计算的方法如下所示：
这个方法的思路是，先计算两个交点，生成一个多变形，然后将多边形分 割成三角形进行计算，这样计计算两个倾斜框交集的面积为：
I＝SNHMB＝SΔNHM+SΔNMB (1)
两个边界框并集的面积为：
U＝SABCD+SEFGH-SNBMH (2)
结合公式(1)和公式(2)，则：
一般情况下，被大家公认的是，IoU≥0.5则认为检测是正确的；当预测器框 和真值框完美重叠时，IoU为1，这时交集就等于并集。一般约定0.5是用来判断 预测的边界框是否正确的阈值，只要IoU≥0.5，那么这个检测结果就是可以接受 的。如果希望更严格，可以把阈值定得更高，阈值越高，得到的边界框越精确。 这里，设定阈值为0.7。
R2CNN算法实现及结果分析
将测试集和训练集按9：1的比例划分样本库进行训练和测试。
1)改变学习率
由图5可知，不同的训练速率直接影响R2CNN的准确率，选取训练速率为 0.0003时模型训练可达到95.21％的准确率。从图像中可以看出，改变学习率模型 收敛的速度基本一致，当学习率增加到0.001时，模型在训练过程无法收敛导致 训练失败。通过五种学习率训练对比可知，当训练速率选择0.0003左右时，模型 训练的效果最优。这表明一直增加训练速率，不一定更加优化训练过程。综上 所述，高的学习率在权重更新上的步长大，因此，模型就可能在收敛到最优权 值的过程中耗时短。然而过高的学习率会导致跨越太大，训练不够精准，最后 难以达到最佳点。
由图6所示，学习率不同，loss曲线收敛并趋于稳定的速度基本一致，学习 率取0.0003时，loss曲线收敛于更低的值，而较大的学习率则导致loss曲线发散。
学习率对于机器学习具有两面性，大的学习率能使损失函数快速下降，但 会致使不收敛或者振荡现象的发生；小的学习速率更易收敛，但同时损失函数 下降缓慢，致使训练时间延长，同时也易导致局部最优问题。因此，一种通过 改变学习率的折中解决方法被提出：在迭代过程中使学习率随迭代次数的增加 而下降。如图7所示，学习率在迭代次数为0-30000时为0.0003，在30000-45000 时为0.00003，在45000-200000时为0.000003。
对比相同初始学习率固定不变的loss曲线，采取图8所示的学习率设置方案 时的loss曲线收敛更快，且趋于更低的结果；准确率曲线收敛更快，且趋于较高 的结果。
如图9所示，权值衰减系数取0.0001时，比取0.0005时loss曲线收敛更快。但 是权值衰减系数为0.0001下的准确率曲线易产生更高的结果。
应用测试及效果比对：
(1)不同学习率的测试结果
图10展示了设置不同学习率时模型的实测效果图，可以发现，其 中学习率设置为0.00005、0.0001、0.0008时，倾斜框不是很贴合绝缘 子的边缘，学习率为0.0003和0.0005时，识别效果较好，但观察图中 包围红色绝缘子的倾斜框，学习率为0.0003时，识别效果更好。
(2)学习率固定和随迭代次数改变的测试结果
如图11所示，学习率固定为0.0003时图中有四个绝缘子漏检，且有两个绝缘 子的类别判断错误，学习率初始为0.0003随后随迭代次数改变的测试结果只有一 个绝缘子没有检测出来，类别全部判断正确。
(3)不同权值衰减系数的测试结果
本实施例采用的初始学习率为0.0003且随迭代次数减小。如图12所示，权值 衰减系数为0.0001时，实测效果更佳。
(4)最终测试结果
如图13所示，左边一列的图实现的是水平框框选识别绝缘子，右边一列的 图实现的是倾斜框框选识别绝缘子，可以清晰的看出，对于倾斜的绝缘子，倾 斜框更能贴合绝缘子边缘，水平框中存在大量空白无关内容。实测效果图使用 的模型的训练参数是，初始学习率为0.0003且随迭代次数减小，权值衰减系数为 0.0001，可以看出模型的识别效果尚佳，此模型迭代180000次，平均识别精度可 达87.32％，平均检测时间为0.54s。
实施例2：
本公开第二方面提供了一种基于深度学习的电力外绝缘设备自动定位识别 系统。
一种基于深度学习的电力外绝缘设备自动定位识别系统，包括：
数据获取模块，被配置为：获取待识别的图像；
定位识别模块，被配置为：根据获取的图像和预设卷积神经网络模型，得 到电力外绝缘设备的定位识别结果；
其中，卷积神经网络模型采用R2CNN神经网络，R2CNN神经网络中：对提 取到的图像特征，通过区域建议网络生成水平框来包围图中任意方向的绝缘子， 使用不同的池化尺寸提取水平框的池化特征，通过全连接层连接特征，生成预 测的水平框和倾斜框，结合倾斜的非极大抑制算法来获得检测结果。
所述系统的工作方法与实施例1提供的基于深度学习的电力外绝缘设备自 动定位识别方法相同，这里不再赘述。
实施例3：
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序 被处理器执行时实现如本公开实施例1所述的基于深度学习的电力外绝缘设备 自动定位识别方法中的步骤。
实施例4：
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器 上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施 例1所述的基于深度学习的电力外绝缘设备自动定位识别方法中的步骤。
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计 算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和 硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算 机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储 器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产 品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或 方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结 合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或 其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可 编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备 以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的 指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流 程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通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，可包括如上述各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(Read-Only Memory， ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领 域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则 之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之 内。
Claims (10)
1.一种基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：包括以下过程：
获取待识别的图像；
根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识别结果；
其中，卷积神经网络模型采用R2CNN神经网络，R2CNN神经网络中：对提取到的图像特征，通过区域建议网络生成水平框来包围图中任意方向的绝缘子，使用不同的池化尺寸提取水平框的池化特征，通过全连接层连接特征，生成预测的水平框和倾斜框，结合倾斜的非极大抑制算法来获得检测结果。
2.如权利要求1所述的基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：
根据全连接层连接特征得到支撑类绝缘子、悬式绝缘子和背景的预测得分，根据预测得分得到预测的水平框和倾斜框。
3.如权利要求1所述的基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：
倾斜非极大抑制算法的IoU为两个倾斜框之间的IoU，具体为两个倾斜框交集面积和并集面积之比。
4.如权利要求3所述的基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：
IoU的计算，具体为：
先计算两个倾斜框的交点，生成一个多变形，然后将多边形分割成三角形进行计算，分别得到两个便捷狂交集的面积和两个倾斜框并集的面积，以两个倾斜框交集的面积与两个倾斜框并集的面积的比值为IoU。
5.如权利要求1所述的基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：
卷积神经网络模型的训练中，学习率的取值随迭代次数的增加而下降。
6.如权利要求1所述的基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：
卷积神经网络中包括ROIPooling，ROIPooling在特征图上进行，用于将大小不同的特征图池化成大小相同的特征图。
7.如权利要求1所述的基于深度学习的电力外绝缘设备自动定位识别方法，其特征在于：
在经过区域建议网络之后，把由区域建议网络生成的水平建议框分类为支撑类绝缘子或悬式绝缘子或非绝缘子，细化调整这些包含任意方向绝缘子的水平建议框并预测倾斜框，根据每个类别的得分进行边框回归，且每个倾斜框都与水平框相关联。
8.一种基于深度学习的电力外绝缘设备自动定位识别系统，其特征在于：包括：
数据获取模块，被配置为：获取待识别的图像；
定位识别模块，被配置为：根据获取的图像和预设卷积神经网络模型，得到电力外绝缘设备的定位识别结果；
其中，卷积神经网络模型采用R2CNN神经网络，R2CNN神经网络中：对提取到的图像特征，通过区域建议网络生成水平框来包围图中任意方向的绝缘子，使用不同的池化尺寸提取水平框的池化特征，通过全连接层连接特征，生成预测的水平框和倾斜框，结合倾斜的非极大抑制算法来获得检测结果。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于深度学习的电力外绝缘设备自动定位识别方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于深度学习的电力外绝缘设备自动定位识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110740075.3A CN113361470A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的电力外绝缘设备自动定位识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110740075.3A CN113361470A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的电力外绝缘设备自动定位识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113361470A true CN113361470A (zh) | 2021-09-07 |
Family
ID=77537635
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110740075.3A Pending CN113361470A (zh) | 2021-06-30 | 2021-06-30 | 一种基于深度学习的电力外绝缘设备自动定位识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113361470A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
| CN111291684A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种自然场景下的船牌检测方法 |
| CN112488991A (zh) * | 2020-11-09 | 2021-03-12 | 南京土星信息科技有限公司 | 一种基于r2cnn++算法的绝缘子自爆缺陷检测方法 |
| CN113052108A (zh) * | 2021-04-01 | 2021-06-29 | 罗普特科技集团股份有限公司 | 基于深度神经网络的多尺度级联航拍目标检测方法和系统 |
-
2021
- 2021-06-30 CN CN202110740075.3A patent/CN113361470A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109166094A (zh) * | 2018-07-11 | 2019-01-08 | 华南理工大学 | 一种基于深度学习的绝缘子故障定位识别方法 |
| CN111291684A (zh) * | 2020-02-10 | 2020-06-16 | 浙江工业大学 | 一种自然场景下的船牌检测方法 |
| CN112488991A (zh) * | 2020-11-09 | 2021-03-12 | 南京土星信息科技有限公司 | 一种基于r2cnn++算法的绝缘子自爆缺陷检测方法 |
| CN113052108A (zh) * | 2021-04-01 | 2021-06-29 | 罗普特科技集团股份有限公司 | 基于深度神经网络的多尺度级联航拍目标检测方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 张烽: "基于倾斜目标检测技术的快消品识别研究与应用", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
| 樊姣萌: "铁路接触网4C缺陷识别方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
| CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
| CN112199993B (zh) | 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法 | |
| CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
| CN110458798B (zh) | 基于关键点检测的防振锤缺陷视觉检测方法、系统及介质 | |
| CN109859171A (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
| CN111738056B (zh) | 一种基于改进YOLO v3的重卡盲区目标检测方法 | |
| CN110309765B (zh) | 一种视频运动目标高效检测方法 | |
| CN111145159B (zh) | 提取巡检关键部件点的方法及装置 | |
| CN110807765A (zh) | 一种基于图像处理的悬垂绝缘子串倾斜检测方法与系统 | |
| CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
| CN111639579A (zh) | 一种基于红外图像的电力变压器套管智能油位识别方法 | |
| CN113313107A (zh) | 一种斜拉桥缆索表面多类型病害智能检测和识别方法 | |
| CN111931915A (zh) | 一种基于diou损失函数的训练网络的方法 | |
| CN111967595B (zh) | 候选框标注方法及系统及模型训练方法及目标检测方法 | |
| CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 | |
| CN113361470A (zh) | 一种基于深度学习的电力外绝缘设备自动定位识别方法 | |
| CN115830302B (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
| CN117115527A (zh) | 一种基于红外热成像的电力设备故障检测方法和系统 | |
| CN116596895A (zh) | 一种变电设备图像缺陷识别方法及系统 | |
| CN115797314A (zh) | 零件表面缺陷检测方法、系统、设备及存储介质 | |
| CN115937492A (zh) | 一种基于特征识别的变电设备红外图像识别方法 | |
| CN112884026B (zh) | 一种图像识别辅助的输电线路激光LiDAR点云分类方法 | |
| CN111860264B (zh) | 一种基于梯度均衡策略的多任务实例级道路场景理解算法 | |
| CN114219763A (zh) | 基于Faster RCNN算法的配电设备异常发热点红外图片检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210907 |