CN116778386A - 一种六氟化硫的泄露检测方法、装置、设备及存储介质 - Google Patents

一种六氟化硫的泄露检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116778386A
CN116778386A CN202310763221.3A CN202310763221A CN116778386A CN 116778386 A CN116778386 A CN 116778386A CN 202310763221 A CN202310763221 A CN 202310763221A CN 116778386 A CN116778386 A CN 116778386A
Authority
CN
China
Prior art keywords
image data
sulfur hexafluoride
network
infrared
infrared image
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
Application number
CN202310763221.3A
Other languages
English (en)
Inventor
樊道庆
林捷
李文波
陈涛
姜清雷
何晓燕
陈文旭
许国伟
范晟
陈赟
纪长城
刘文佳
王东鹏
蔡哲淳
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.)
Guangdong Power Grid Co Ltd
Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Shantou Power Supply Bureau of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Shantou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310763221.3A priority Critical patent/CN116778386A/zh
Publication of CN116778386A publication Critical patent/CN116778386A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种六氟化硫的泄露检测方法、装置、设备及存储介质，该方法包括：获取对电网中充入六氟化硫的电力设备采集的红外视频数据，红外视频数据中具有多帧红外图像数据；依据多帧红外图像数据生成多帧光流场图像数据；加载检测网络；在特征网络中，依据多帧光流场图像数据从多帧红外图像数据中提取图像特征；在候选网络中，从图像特征中检测对泄露六氟化硫属于感兴趣的候选区域；在分类器中，从候选区域中识别泄露六氟化硫的锚点；在红外图像数据中渲染锚点。联合时序与运动的特征可以有效识别出泄露六氟化硫的锚点，将泄露六氟化硫的锚点在红外图像数据上增强显示，画面的对比度强，方便用户定位出泄露六氟化硫的锚点。

Description

一种六氟化硫的泄露检测方法、装置、设备及存储介质
技术领域
本发明涉及计算机视觉的技术领域，尤其涉及一种六氟化硫的泄露检测方法、装置、设备及存储介质。
背景技术
在电网中大量使用充入SF6(六氟化硫)的电力设备，在使用的过程中，这些电力设备存在碰撞、老化等问题，可能存在SF6泄露的风险，影响电网的安全运行。
目前，为了检测SF6是否存在泄露，通常是使用红外热成像的方法，但是该方法容易受背景光中的红外线所干扰，从而造成画面对比度不足，给泄漏点定位带来障碍，在泄漏量较小的情况下尤为明显。
发明内容
本发明提供了一种六氟化硫的泄露检测方法、装置、设备及存储介质，以解决如何提高红外定位SF6泄漏点的精确度的问题。
根据本发明的一方面，提供了一种六氟化硫的泄露检测方法，包括：
获取对电网中充入六氟化硫的电力设备采集的红外视频数据，所述红外视频数据中具有多帧红外图像数据；
依据多帧所述红外图像数据生成多帧光流场图像数据；
加载检测网络，所述检测网络包括特征网络、候选网络、分类器；
在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征；
在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域；
在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点；
在所述红外图像数据中渲染所述锚点。
可选地，所述特征网络交错分布有多个卷积层与多个池化层，所述在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征，包括：
分别在连续的N帧所述红外图像数据提取第一通道中的数据、在连续的N帧所述光流场图像数据提取第二通道中的数据，以组成多帧原始图像数据；
在连续的m帧所述原始图像数据中选择指定大小的数据，作为卷积核；
按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述原始图像数据进行卷积处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征。
可选地，所述按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述红外图像数据进行卷积处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征，包括：
按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述红外图像数据进行卷积处理、对所述红外图像数据进行激活处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征；
其中，所述激活处理为：
i为层数，j和s均为处理所述原始图像数据过程中生成的特征的标号，x、y、z及p、q、r均为坐标，b为加法偏差，w为卷积核的权重值，P、Q、R分别为垂直、水平、时间维度上卷积核的大小，tanh为双曲正切函数。
可选地，所述特征网络交错分布有多个卷积层与多个池化层，所述在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征，还包括：
对所述图像特征修改至指定的形状；
若完成修改，则将所述图像特征映射至预设的范围。
可选地，所述池化层包括最大池化层；
在所述特征网络中，依次排列卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层。
可选地，在所述候选网络包括区域候选层，所述分类器包括全连接层；
所述在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域，包括：
在所述候选区域层中，通过分类器对所述图像特征中的锚点进行正、负判定，以选择提取对泄露所述六氟化硫属于感兴趣的候选区域；
所述在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点，包括：
在所述全连接层中，对所述候选区域执行映射操作，以分类出泄露所述六氟化硫的锚点。
可选地，所述在所述红外图像数据中渲染所述锚点，包括：
在所述光流场图像数据中识别围绕所述锚点的光流失量；
在所述红外图像数据中，以所述锚点为中心、沿所述光流失量进行渲染。
根据本发明的另一方面，提供了一种六氟化硫的泄露检测装置，包括：
红外视频数据获取模块，用于获取对电网中充入六氟化硫的电力设备采集的红外视频数据，所述红外视频数据中具有多帧红外图像数据；
光流场图像数据生成模块，用于依据多帧所述红外图像数据生成多帧光流场图像数据；
检测网络加载模块，用于加载检测网络，所述检测网络包括特征网络、候选网络、分类器；
图像特征提取模块，用于在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征；
候选区域检测模块，用于在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域；
锚点识别模块，用于在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点；
锚点渲染模块，用于在所述红外图像数据中渲染所述锚点。
可选地，所述特征网络交错分布有多个卷积层与多个池化层，所述图像特征提取模块包括：
原始图像数据提取模块，用于分别在连续的N帧所述红外图像数据提取第一通道中的数据、在连续的N帧所述光流场图像数据提取第二通道中的数据，以组成多帧原始图像数据；
卷积核选择模块，用于在连续的m帧所述原始图像数据中选择指定大小的数据，作为卷积核；
卷积池化处理模块，用于按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述原始图像数据进行卷积处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征。
可选地，所述卷积池化处理模块还用于：
按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述红外图像数据进行卷积处理、对所述红外图像数据进行激活处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征；
其中，所述激活处理为：
i为层数，j和s均为处理所述原始图像数据过程中生成的特征的标号，x、y、z及p、q、r均为坐标，b为加法偏差，w为卷积核的权重值，P、Q、R分别为垂直、水平、时间维度上卷积核的大小，tanh为双曲正切函数。
可选地，所述图像特征提取模块还包括：
形状修改模块，用于对所述图像特征修改至指定的形状；
特征映射模块，用于若完成修改，则将所述图像特征映射至预设的范围。
可选地，所述池化层包括最大池化层；
在所述特征网络中，依次排列卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层。
可选地，在所述候选网络包括区域候选层，所述分类器包括全连接层；
所述候选区域检测模块包括：
候选区域提取模块，用于在所述候选区域层中，通过分类器对所述图像特征中的锚点进行正、负判定，以选择提取对泄露所述六氟化硫属于感兴趣的候选区域；
所述锚点识别模块包括：
全连接模块，用于在所述全连接层中，对所述候选区域执行映射操作，以分类出泄露所述六氟化硫的锚点。
可选地，所述锚点渲染模块包括：
光流失量识别模块，用于在所述光流场图像数据中识别围绕所述锚点的光流失量；
光流失量渲染模块，用于在所述红外图像数据中，以所述锚点为中心、沿所述光流失量进行渲染。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的六氟化硫的泄露检测方法。
根据本发明的另一方面，提供了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程序，所述计算机程序用于使处理器执行时实现本发明任一实施例所述的六氟化硫的泄露检测方法。
在本实施例中，获取对电网中充入六氟化硫的电力设备采集的红外视频数据，红外视频数据中具有多帧红外图像数据；依据多帧红外图像数据生成多帧光流场图像数据；加载检测网络，检测网络包括特征网络、候选网络、分类器；在特征网络中，依据多帧光流场图像数据从多帧红外图像数据中提取图像特征；在候选网络中，从图像特征中检测对泄露六氟化硫属于感兴趣的候选区域；在分类器中，从候选区域中识别泄露六氟化硫的锚点；在红外图像数据中渲染锚点。多帧红外图像数据与多帧光流场图像数据具有时序上的特征，多帧光流场图像数据具有运动上的特征，联合时序与运动的特征可以有效识别出泄露六氟化硫的锚点，将泄露六氟化硫的锚点在红外图像数据上增强显示，可克服背景光中红外线的干扰，画面的对比度强，方便用户定位出泄露六氟化硫的锚点。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种六氟化硫的泄露检测方法的流程图；
图2是根据本发明实施例一提供的一种卷积核的示例图；
图3是根据本发明实施例一提供的一种检测网络的结构示例图；
图4是根据本发明实施例一提供的一种红外图像数据的增强示例图；
图5是根据本发明实施例二提供的一种六氟化硫的泄露检测装置的结构示意图；
图6是实现本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供的一种六氟化硫的泄露检测方法的流程图，本实施例可适用于依据运动矢量对红外检测SF6泄露进行增强的情况，该方法可以由六氟化硫的泄露检测装置来执行，该六氟化硫的泄露检测装置可以采用硬件和/或软件的形式实现，该六氟化硫的泄露检测装置可配置于电子设备中。如图1所示，该方法包括：
步骤101、获取对电网中充入六氟化硫的电力设备采集的红外视频数据。
在实际应用中，SF6为气体，SF6具有优异的绝缘和灭弧性能，电网中许多电力设备充入SF6，作为电器绝缘设备(GIS)，如主网运行中高压等级的运行电流互感器、配网中的开关柜、断路器等。
针对这些电力设备，可以固定安装红外设备监控，持续对这些电力设备采集红外视频数据，或者，驱动自动飞行器搭载红外摄像设备，在巡检时对这些电力设备采集红外视频数据，或者，由技术人员手提红外摄像设备对这些电力设备采集红外视频数据。
步骤102、依据多帧红外图像数据生成多帧光流场图像数据。
红外视频数据中具有多帧红外图像数据，可以通过光流法(optical flow)对多帧红外图像数据生成多帧光流场图像数据。
多帧红外图像数据组成一个序列，在光流法中，可以利用序列中不同红外图像数据的灰度分布的不同，获得运动图像的运动场描述，并将空间中的运动场转移到图像上，表示为光流场图像数据。
通过光流场的二维矢量场特性，反映了红外图像数据上每一点灰度的变化趋势，以及带有灰度的像素点在红外图像数据的平面上运动而产生的瞬时速度场。
在光流场的生成过程中，为准确反馈像素运动情况，可采用相邻帧、间隔帧以及与短周期循环第一帧等方式计算。
步骤103、加载检测网络。
在本实施例中，可以预先构建并训练检测网络，其中，检测网络包括特征网络、候选网络、分类器，特征网络用于从图像数据中提取特征图像，候选网络从该特征图像中筛选对于SF6泄露感兴趣的候选区域，分类器用于从候选区域检测是否存在SF6的泄露点。
进一步而言，检测网络(含特征网络、候选网络、分类器)的结构不局限于人工设计的神经网络，也可以通过模型量化方法优化的神经网络，通过NAS(Neural ArchitectureSearch，神经网络结构搜索)方法针对红外与SF6的特性搜索的神经网络，等等，本实施例对此不加以限制。
步骤104、在特征网络中，依据多帧光流场图像数据从多帧红外图像数据中提取图像特征。
在具体实现中，多帧光流场图像数据包既含了时序上的特征、也包含了运动上的特征，因此，可以将多帧光流场图像数据与多帧红外图像数据输入特征网络中，特征网络按照其结构以多帧光流场图像数据为参考，从多帧红外图像数据中提取图像特征。
在本发明的一个实施例中，特征网络交错分布有多个卷积层(ConvolutionalLayer)与多个池化层(Pooling Layer)，那么，在本实施例中，步骤104可以包括如下步骤：
步骤1041、分别在连续的N帧红外图像数据提取第一通道中的数据、在连续的N帧光流场图像数据提取第二通道中的数据，以组成多帧原始图像数据。
在本实施例中，可以将红外图像数据、光流场图像数据按照时间次序排列，每N(N为正整数)个连续帧作为一组。
在每组图像中，选取灰度、x方向(水平方向)梯度、y方向(垂直方向)梯度、x方向光流、y方向光流这五个通道来提取原始图像数据。其中，x方向光流、y方向光流由相邻两帧的光流场图像数据之间计算得出。
步骤1042、在连续的m帧原始图像数据中选择指定大小的数据，作为卷积核。
如图2所示，在每组原始图像数据201的每个通道中，选择m(m为正整数，N≥m≥3)个连续帧，划分大小为为a×a×m的像素点，组成卷积核202。
其中，a×a代表单独一个帧的x轴(水平方向)、y轴(垂直方向)方向像素点区域，m代表时间次序中的帧数量。
每次取帧组成卷积核时，起始帧号加1，遍历最终完全覆盖一组中的N个帧。即：{Frame1，Frame2,…,Framem}{Frame2,Frame3,…,Framem+1}…{FrameN-m,FrameN-m+1,…,FrameN}。这样构建卷积核时，包含了时间次序的连续变化，从而让后续的卷积计算中，可以对运动状态进行感知。当N和m取值越大时，对图像的时序变化感知越强烈，但计算量增大。通过调整N和m的取值，可以控制卷积核规模，从而调整计算量大小。
步骤1043、按照顺序依次分别在多个卷积层中使用卷积核对原始图像数据进行卷积处理、在多个池化层中对红外图像数据进行池化处理，得到图像特征。
在特征网络中，多个卷积层与多个池化层按照一定的顺序交错分布，将原始图像数据输入特征网络时，可以按照顺序依次在各个卷积层中使用卷积核对原始图像数据进行卷积处理、在各个池化层中对红外图像数据进行池化处理，得到图像特征。
其中，卷积层由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的，卷积层提供卷积处理，可提取输入的不同特征，第一层卷积层可能提取一些低级的特征如边缘、线条和角等层级，更多层的网路能从低级特征中迭代提取更复杂的特征。
池化层提供池化处理，作用是对卷积层中提取的特征进行挑选，挑选不受位置千扰的图像信息，实现对特征进行降维，提高后续特征的感受野，也就是让池化后的一个像素对应前面图片中的一个区域，池化层包括最大池化层、平均池化层与最小池化层等，相应地，池化处理包括最大池化处理、平均池化处理与最小池化处理等，池化层是由大小为u×v的短阵窗口滑动来进行计算的，求u×v的矩阵中的最大值、平均值、最小值等。
在一个示例中，池化层包括最大池化层，在本示例中，如图3所示，在特征网络中，依次排列卷积层Conv、最大池化层Maxpool、卷积层Conv、卷积层Conv、最大池化层Maxpool、卷积层Conv、卷积层Conv、最大池化层Maxpool、卷积层Conv、卷积层Conv、最大池化层Maxpool。
进一步地，在部分或全部卷积层之后可以设置激活函数，按照顺序依次分别在多个卷积层中使用卷积核对红外图像数据进行卷积处理、调用激活函数对红外图像数据进行激活处理、在多个池化层中对红外图像数据进行池化处理，得到图像特征。
其中，激活处理为：
i为层数，j和s均为处理原始图像数据过程中生成的特征的标号，x、y、z及p、q、r均为坐标(x和p为水平坐标，y和q为垂直坐标，z和r为原始图像数据的时间维度坐标)，b为加法偏差，w为卷积核的权重值，P、Q、R分别为垂直、水平、时间维度上卷积核的大小，tanh为双曲正切函数。
进一步地，如图3所示，可以使用view、Reshape等方法对图像特征修改至指定的形状，以满足神经网络对输入数据的维度要求。
以Reshape为例，其是在不改变数据总量的情况下改变原有张量的形状，Reshape既可以返回原始的图像特征tensor的视图(view)，也可以返原始的图像特征tensor的一个复制(copy)，具体哪种情况取决于这个原始的图像特征tensor的内存空间分布是否连续。即，如果发现这个原始的图像特征tensor因为经过permute或transpose等操作变得在内存空间不连续，那么Reshape会返回复制(copy)，而如果是正常情况，使用Reshape会返回视图(view)。
若完成修改，则可以使用Softmax等函数将图像特征映射至预设的范围如[0，1])。
当然，上述特征网络的结构只是作为示例，在实施本实施例时，可以根据实际情况设置其它特征网络的结构，例如，在特征网络中设置9个卷积层、5个池化层，等等，本实施例对此不加以限制。另外，除了上述特征网络的结构外，本领域技术人员还可以根据实际需要采用其它特征网络的结构，本实施例对此也不加以限制。
步骤105、在候选网络中，从图像特征中检测对泄露六氟化硫属于感兴趣的候选区域。
在本实施例中，将图像特征输入候选网络中，候选网络按照自身的结构对图像特征进行处理，从图像特征中检测对SF6属于感兴趣的候选区域(region of interest，ROI)。
在一种设计中，如图3所示，在候选网络包括区域候选层(Region ProposalNetwork，RPN)、映射层；那么，在候选区域层中，通过分类器对图像特征中的锚点进行正、负判定，以从图像特征中选择提取对泄露六氟化硫SF6属于感兴趣的候选区域，
进一步而言，RPN可以包括如下步骤：
1、生成Anchor boxes(锚点盒)；每个anchor(锚点)就是主干网络(即特征网络)最后一层卷积层的图像特征(feature map)上的元素点。而anchor boxes是以anchor为中心点而生成的一系列框boxes(盒)。
2、判断anchor boxes包含的是前景还是背景；
3、回归学习anchor boxes和groud truth(基准真相/真实)的标注的位置差，来精确定位物体。
步骤106、在分类器中，从候选区域中识别泄露六氟化硫的锚点。
在本实施例中，将候选区域输入分类器中，分类器按照自身的结构对候选区域进行处理，从候选区域中识别电力设备泄露SF6的锚点。
在一种设计中，如图3所示，分类器包括全连接层(Fully Connected)，那么，在本示例中，在全连接层中，对候选区域执行映射操作，以分类出泄露六氟化硫的锚点。
特征网络中的卷积层、池化层和激活函数等操作是将原始图像数据映射到隐层特征空间，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。
在实际使用中，全连接层可由卷积操作实现，对前层是全连接的全连接层可以转化为卷积核为1×1的卷积，而前层是卷积层的全连接层可以转化为卷积核为h×w的全局卷积，h、w分别为前层卷积结果的高和宽，全连接的核心操作就是矩阵向量乘积y＝Wx。
进一步地，为训练检测网络，损失函数可采用Hinge Loss(合页损失函数)，其计算过程为：
其中，J为损失值，N为样本的总数量，K是分类的数量，△为边界值，zcorrect为正确分类的得分，zother为其他错位分类的得分，max为取最大值。
步骤107、在红外图像数据中渲染锚点。
在本实施例中，如图4所示的左侧的红外图像数据，考虑到原始的红外图像数据对于泄露SF6的点存在一定干扰，泄露SF6的点并不明显，因此，如图4所示的右侧的红外图像数据，可以在红外图像数据中以区别于红外图像数据的参数(如颜色、透明度等)渲染泄露SF6的锚点，对泄露SF6的锚点进行增强显示，便于用户观察。
进一步地，可以在光流场图像数据中识别围绕锚点的光流失量，在红外图像数据中，以泄露SF6的锚点为中心、以区别于红外图像数据的参数(如颜色、透明度等)沿光流失量进行渲染，使得泄露SF6的锚点更加清晰地标记在红外图像数据中。
在本实施例中，获取对电网中充入六氟化硫的电力设备采集的红外视频数据，红外视频数据中具有多帧红外图像数据；依据多帧红外图像数据生成多帧光流场图像数据；加载检测网络，检测网络包括特征网络、候选网络、分类器；在特征网络中，依据多帧光流场图像数据从多帧红外图像数据中提取图像特征；在候选网络中，从图像特征中检测对泄露六氟化硫属于感兴趣的候选区域；在分类器中，从候选区域中识别泄露六氟化硫的锚点；在红外图像数据中渲染锚点。多帧红外图像数据与多帧光流场图像数据具有时序上的特征，多帧光流场图像数据具有运动上的特征，联合时序与运动的特征可以有效识别出泄露六氟化硫的锚点，将泄露六氟化硫的锚点在红外图像数据上增强显示，可克服背景光中红外线的干扰，画面的对比度强，方便用户定位出泄露六氟化硫的锚点。
实施例二
图5为本发明实施例二提供的一种六氟化硫的泄露检测装置的结构示意图。
如图5所示，该装置包括：
红外视频数据获取模块501，用于获取对电网中充入六氟化硫的电力设备采集的红外视频数据，所述红外视频数据中具有多帧红外图像数据；
光流场图像数据生成模块502，用于依据多帧所述红外图像数据生成多帧光流场图像数据；
检测网络加载模块503，用于加载检测网络，所述检测网络包括特征网络、候选网络、分类器；
图像特征提取模块504，用于在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征；
候选区域检测模块505，用于在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域；
锚点识别模块506，用于在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点；
锚点渲染模块507，用于在所述红外图像数据中渲染所述锚点。
在本发明的一个实施例中，所述特征网络交错分布有多个卷积层与多个池化层，所述图像特征提取模块504包括：
原始图像数据提取模块，用于分别在连续的N帧所述红外图像数据提取第一通道中的数据、在连续的N帧所述光流场图像数据提取第二通道中的数据，以组成多帧原始图像数据；
卷积核选择模块，用于在连续的m帧所述原始图像数据中选择指定大小的数据，作为卷积核；
卷积池化处理模块，用于按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述原始图像数据进行卷积处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征。
在本发明的一个实施例中，所述卷积池化处理模块还用于：
按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述红外图像数据进行卷积处理、对所述红外图像数据进行激活处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征；
其中，所述激活处理为：
i为层数，j和s均为处理所述原始图像数据过程中生成的特征的标号，x、y、z及p、q、r均为坐标，b为加法偏差，w为卷积核的权重值，P、Q、R分别为垂直、水平、时间维度上卷积核的大小，tanh为双曲正切函数。
在本发明的一个实施例中，所述图像特征提取模块504还包括：
形状修改模块，用于对所述图像特征修改至指定的形状；
特征映射模块，用于若完成修改，则将所述图像特征映射至预设的范围。
在本发明实施例的一个示例中，所述池化层包括最大池化层；
在所述特征网络中，依次排列卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层。
在本发明的一个实施例中，在所述候选网络包括区域候选层，所述分类器包括全连接层；
所述候选区域检测模块505包括：
候选区域提取模块，用于在所述候选区域层中，通过分类器对所述图像特征中的锚点进行正、负判定，以选择提取对泄露所述六氟化硫属于感兴趣的候选区域；
所述锚点识别模块506包括：
全连接模块，用于在所述全连接层中，对所述候选区域执行映射操作，以分类出泄露所述六氟化硫的锚点。
在本发明的一个实施例中，所述锚点渲染模块507包括：
光流失量识别模块，用于在所述光流场图像数据中识别围绕所述锚点的光流失量；
光流失量渲染模块，用于在所述红外图像数据中，以所述锚点为中心、沿所述光流失量进行渲染。
本发明实施例所提供的六氟化硫的泄露检测装置可执行本发明任意实施例所提供的六氟化硫的泄露检测方法，具备执行六氟化硫的泄露检测方法相应的功能模块和有益效果。
实施例三
图6示出了可以用来实施本发明的实施例的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图6所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器(ROM)12、随机访问存储器(RAM)13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序，来执行各种适当的动作和处理。在RAM 13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，如六氟化硫的泄露检测方法。
在一些实施例中，六氟化硫的泄露检测方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时，可以执行上文描述的六氟化硫的泄露检测方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行六氟化硫的泄露检测方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
实施例四
本发明实施例还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序在被处理器执行时实现如本发明任一实施例所提供的六氟化硫的泄露检测方法。
计算机程序产品在实现的过程中，可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言，诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。

Claims (10)

1.一种六氟化硫的泄露检测方法，其特征在于，包括：
获取对电网中充入六氟化硫的电力设备采集的红外视频数据，所述红外视频数据中具有多帧红外图像数据；
依据多帧所述红外图像数据生成多帧光流场图像数据；
加载检测网络，所述检测网络包括特征网络、候选网络、分类器；
在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征；
在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域；
在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点；
在所述红外图像数据中渲染所述锚点。
2.根据权利要求1所述的方法，其特征在于，所述特征网络交错分布有多个卷积层与多个池化层，所述在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征，包括：
分别在连续的N帧所述红外图像数据提取第一通道中的数据、在连续的N帧所述光流场图像数据提取第二通道中的数据，以组成多帧原始图像数据；
在连续的m帧所述原始图像数据中选择指定大小的数据，作为卷积核；
按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述原始图像数据进行卷积处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征。
3.根据权利要求2所述的方法，其特征在于，所述按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述红外图像数据进行卷积处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征，包括：
按照顺序依次分别在多个所述卷积层中使用所述卷积核对所述红外图像数据进行卷积处理、对所述红外图像数据进行激活处理、在多个所述池化层中对所述红外图像数据进行池化处理，得到图像特征；
其中，所述激活处理为：
i为层数，j和s均为处理所述原始图像数据过程中生成的特征的标号，x、y、z及p、q、r均为坐标，b为加法偏差，w为卷积核的权重值，P、Q、R分别为垂直、水平、时间维度上卷积核的大小，tanh为双曲正切函数。
4.根据权利要求2所述的方法，其特征在于，所述特征网络交错分布有多个卷积层与多个池化层，所述在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征，还包括：
对所述图像特征修改至指定的形状；
若完成修改，则将所述图像特征映射至预设的范围。
5.根据权利要求2所述的方法，其特征在于，所述池化层包括最大池化层；
在所述特征网络中，依次排列卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层、卷积层、卷积层、最大池化层。
6.根据权利要求2所述的方法，其特征在于，在所述候选网络包括区域候选层，所述分类器包括全连接层；
所述在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域，包括：
在所述候选区域层中，通过分类器对所述图像特征中的锚点进行正、负判定，以选择提取对泄露所述六氟化硫属于感兴趣的候选区域；
所述在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点，包括：
在所述全连接层中，对所述候选区域执行映射操作，以分类出泄露所述六氟化硫的锚点。
7.根据权利要求1-6中任一项所述的方法，其特征在于，所述在所述红外图像数据中渲染所述锚点，包括：
在所述光流场图像数据中识别围绕所述锚点的光流失量；
在所述红外图像数据中，以所述锚点为中心、沿所述光流失量进行渲染。
8.一种六氟化硫的泄露检测装置，其特征在于，包括：
红外视频数据获取模块，用于获取对电网中充入六氟化硫的电力设备采集的红外视频数据，所述红外视频数据中具有多帧红外图像数据；
光流场图像数据生成模块，用于依据多帧所述红外图像数据生成多帧光流场图像数据；
检测网络加载模块，用于加载检测网络，所述检测网络包括特征网络、候选网络、分类器；
图像特征提取模块，用于在所述特征网络中，依据多帧所述光流场图像数据从多帧所述红外图像数据中提取图像特征；
候选区域检测模块，用于在所述候选网络中，从所述图像特征中检测对泄露所述六氟化硫属于感兴趣的候选区域；
锚点识别模块，用于在所述分类器中，从所述候选区域中识别泄露所述六氟化硫的锚点；
锚点渲染模块，用于在所述红外图像数据中渲染所述锚点。
9.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-7中任一项所述的六氟化硫的泄露检测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于使处理器执行时实现权利要求1-7中任一项所述的六氟化硫的泄露检测方法。
CN202310763221.3A 2023-06-27 2023-06-27 一种六氟化硫的泄露检测方法、装置、设备及存储介质 Pending CN116778386A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310763221.3A CN116778386A (zh) 2023-06-27 2023-06-27 一种六氟化硫的泄露检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310763221.3A CN116778386A (zh) 2023-06-27 2023-06-27 一种六氟化硫的泄露检测方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116778386A true CN116778386A (zh) 2023-09-19

Family

ID=87985620

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310763221.3A Pending CN116778386A (zh) 2023-06-27 2023-06-27 一种六氟化硫的泄露检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116778386A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993328A (zh) * 2023-09-26 2023-11-03 国网湖北省电力有限公司超高压公司 结合sf6气体监测的电力系统设备运维方法与装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993328A (zh) * 2023-09-26 2023-11-03 国网湖北省电力有限公司超高压公司 结合sf6气体监测的电力系统设备运维方法与装置
CN116993328B (zh) * 2023-09-26 2023-12-22 国网湖北省电力有限公司超高压公司 结合sf6气体监测的电力系统设备运维方法与装置

Similar Documents

Publication Publication Date Title
CN112801164B (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN112633276B (zh) 训练方法、识别方法、装置、设备、介质
CN112989995B (zh) 文本检测方法、装置及电子设备
CN113378712B (zh) 物体检测模型的训练方法、图像检测方法及其装置
CN107506792B (zh) 一种半监督的显著对象检测方法
CN115330940B (zh) 一种三维重建方法、装置、设备和介质
CN113378832B (zh) 文本检测模型训练方法、文本预测框方法及装置
CN116778386A (zh) 一种六氟化硫的泄露检测方法、装置、设备及存储介质
CN115049954A (zh) 目标识别方法、装置、电子设备和介质
CN112699824B (zh) 电能表仪表常数检测方法、设备及存储介质
CN117197571A (zh) 一种光伏组件故障检测方法、装置、电子设备及存储介质
EP4123605A2 (en) Method of transferring image, and method and apparatus of training image transfer model
CN115018784B (zh) 一种导线散股缺陷的检测方法、装置、设备及介质
CN113177545B (zh) 目标物体的检测方法、装置、电子设备和存储介质
CN114092739B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN114037865B (zh) 图像处理方法、装置、设备、存储介质和程序产品
CN114463386A (zh) 一种视觉跟踪方法、装置、设备及存储介质
CN118053027A (zh) 一种缺陷识别方法、装置、电子设备及存储介质
CN116309587A (zh) 一种布料瑕疵检测方法、装置、电子设备及存储介质
CN117893509A (zh) 一种模型训练方法、缺陷检测方法、电子设备及存储介质
CN116777871A (zh) 一种基于x射线的缺陷检测方法、装置、设备及介质
CN114757845A (zh) 基于人脸识别的光线调节方法、装置、电子设备及介质
CN118097144A (zh) 一种模型训练、点云分割方法、装置及电子设备
CN117576376A (zh) 物体检测的方法及装置、电子设备
CN116091785A (zh) 识别模型的生成方法、装置、电子设备及存储介质

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