CN117726598A - 融合红外和可见光图像的变电设备缺陷检测方法及系统 - Google Patents
融合红外和可见光图像的变电设备缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN117726598A CN117726598A CN202311770145.5A CN202311770145A CN117726598A CN 117726598 A CN117726598 A CN 117726598A CN 202311770145 A CN202311770145 A CN 202311770145A CN 117726598 A CN117726598 A CN 117726598A
- Authority
- CN
- China
- Prior art keywords
- power transformation
- module
- equipment
- transformation equipment
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 153
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 230000009466 transformation Effects 0.000 claims abstract description 160
- 238000000605 extraction Methods 0.000 claims abstract description 95
- 238000000034 method Methods 0.000 claims abstract description 50
- 230000002902 bimodal effect Effects 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 30
- 238000012360 testing method Methods 0.000 claims abstract description 19
- 238000012795 verification Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 60
- 238000010586 diagram Methods 0.000 claims description 35
- 238000003745 diagnosis Methods 0.000 claims description 19
- 230000001788 irregular Effects 0.000 claims description 11
- 230000003993 interaction Effects 0.000 claims description 7
- 230000002452 interceptive effect Effects 0.000 claims description 6
- 238000007500 overflow downdraw method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 4
- 239000012212 insulator Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical compound OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了融合红外和可见光图像的变电设备缺陷检测方法及系统,包括获取配准的变电设备红外图像和可见光图像对并形成数据集,将数据集分成训练集、验证集和测试集;构建基于双模态的变电设备目标检测模型,包括双模态特征提取网络、颈部网络和检测层;利用训练集,对基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测。本发明提升了对目标设备的检测精度和对变电设备缺陷的检测准确度。
Description
技术领域
本发明涉及变电设备检测识别技术领域,具体涉及融合红外和可见光图像的变电设备缺陷检测方法及系统。
背景技术
随着电网规模的不断扩大和智能化趋势的发展,电网的安全问题也面临着新的挑战。电网的各个环节的巡检工作对保证电网的安全正常运行具有至关重要的作用,变电站是电力传输的关键节点,变电设备能否正常运行直接影响着电网的电力供应。在变电站中,变电设备的红外缺陷是影响设备正常运行的关键原因之一,针对此问题电网中引进了红外热像仪来采集红外图像实现对变电设备进行红外缺陷巡检的任务。通过红外检测的方式进行故障诊断时,无需直接接触设备,从而做到在不停电的状态下通过变电设备红外图像诊断出设备是否出现故障以及故障的类型。但变电设备的红外图像通常面临对比度低、背景复杂的问题,直接进行缺陷检测难度较高,因此要先对变电设备进行检测与识别,剔除复杂背景的干扰信息,再对变电设备缺陷进行检测。
在变电设备的检测识别任务中,检测方法有基于传统的图像处理技术的检测和基于深度学习的设备检测。上述方案一所述的基于传统图像处理技术的变电设备检测方法以人工提取的特征为检测依据,存在特征提取困难、对光照和噪声敏感、对设备变化不适应以及难以处理复杂场景等缺点。上述方案二所述基于深度学习算法检测变电设备较方案一有了较大进步,但变电设备对检测精度要求高,这些方法模型只利用单一模态的图像信息,泛化能力较弱,在复杂的背景下检测精度没有取得令人满意的效果。针对变电设备红外图像前景和背景相似度高,无法有效提取目标设备特征造成变电设备检测精度低进而导致设备缺陷检测不够准确的问题。
有鉴于此,特提出本申请。
发明内容
本发明目的在于提供融合红外和可见光图像的变电设备缺陷检测方法及系统,有效解决了变电设备缺陷检测中红外图像里变电设备与背景区分度低造成的设备检测精度低的问题,从而提高了变电设备缺陷检测的精度。本发明提出了一种双模态特征提取网络,同时提取红外图像和可见光图像的特征并进行融合,解决了红外图像中目标设备与背景区分度低、提取到的设备特征不明显的问题。本发明提出了一种融合可变形卷积的特征提取模块提升了对不规则设备的特征提取能力,提升了对目标设备的检测精度,进而提升对变电设备缺陷的检测准确度。
本发明通过下述技术方案实现:
第一方面,本发明提供了融合红外和可见光图像的变电设备缺陷检测方法,该方法包括:
获取配准的变电设备红外图像和可见光图像对并形成数据集,将数据集分成训练集、验证集和测试集;
构建基于双模态的变电设备目标检测模型,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层;
利用训练集,对基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;并利用验证集,对基于双模态的变电设备目标检测模型进行验证;
基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;
获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断。
进一步地,数据集中的变电设备包含绝缘子、套管、避雷器、电流互感器、电压互感器五类变电设备。
进一步地,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层,包括:
双模态特征提取网络,用于分别提取红外图像和可见光图像中目标设备的不同尺度特征,并在提取特征过程中将两种模态的特征进行交互融合;
颈部网络,用于将提取到的不同尺度的融合特征进行不同尺度特征的融合增强,使特征具有两种图像的有效信息和不同尺度的丰富信息;并输出融合红外信息和可见光信息的三个不同尺度的特征图;
检测层,用于根据特征图,对目标设备进行检测。
进一步地,双模态特征提取网络是由基于改进yolov5的单模态红外图像特征提取网络和单模态可见光图像特征提取网络构成的双模态特征提取网络;
单模态红外图像特征提取网络和单模态可见光图像特征提取网络具有相同的结构,且二者之间通过特征图相加模块进行特征图相加,通过跨模态特征融合模块进行两种模态特征的融合交互。
进一步地,单模态红外图像特征提取网络包括依次设置的第一CBS模块、第二CBS模块、第一C3_DCN模块、第三CBS模块、第二C3_DCN模块、第一特征图相加模块、第四CBS模块、第三C3_DCN模块、第二特征图相加模块、第五CBS模块、第四C3_DCN模块、第三特征图相
加模块和SPPF模块;同样地,单模态可见光图像特征提取网络包括以上相同的各个模块。
第一CBS模块、第二CBS模块,用于对输入的变电设备红外图像进行下采样,提取目标设备的特征图;其他CBS每次会将特征图的宽高减半,下采样特征图,提取到两种模态的目标特征;
第一C3_DCN模块,用于将第一CBS模块、第二CBS模块中产生的特征图继续进行几何形变特征提取,从红外图像中提取更符合变电设备不规则外形的特征;其他C3_DCN模块功能类似。
SPPF模块,用于对特征图实现一个自适应尺寸的输出;
两种模态的第二C3_DCN模块输出端均连接第一跨模态特征融合模块,第一跨模态特征融合模块输出端对应连接两种模态的第一特征图相加模块;两种模态的第一特征图相加模块输出端均连接第四特征图相加模块,相加后的特征图作为第一特征图传入颈部网络;
两种模态的第三C3_DCN模块输出端均连接第二跨模态特征融合模块,第二跨模态特征融合模块输出端对应连接两种模态的第二特征图相加模块;两种模态的第二特征图相加模块输出端均连接第五特征图相加模块,相加后的特征图作为第二特征图传入颈部网络;
两种模态的第三C3_DCN模块输出端均连接第三跨模态特征融合模块,第三跨模态特征融合模块输出端对应连接两种模态的第三特征图相加模块;两种模态的第三特征图相加模块输出端均通过SPPF模块连接第六特征图相加模块,相加后的特征图作为第三特征图传入颈部网络。
进一步地,第一C3_DCN模块、第二C3_DCN模块、第三C3_DCN模块和第四C3_DCN模块均是基于可变形卷积(DCNV2)构建的几何形变特征提取模块;
几何形变特征提取模块为CSP架构,几何形变特征提取模块是对残差特征进行学习的主要模块,其结构分为两个分支:第一分支使用多个Bottleneck堆叠和3个标准卷积层;第二分支仅经过一个基本卷积模块;并将第一分支和第二分支进行concat操作;其中,Bottleneck中引入可变形卷积模块(DBS)增强对变电设备不规则特征的提取能力,具体为:先进行1×1卷积将通道数减小一半,再通过可变形卷积将通道数加倍,进而获取变电设备的特征,其输入与输出的通道数不发生改变;
其中,可变形卷积是指卷积核在每一个元素上额外增加一个偏移量的学习,加上该偏移量的学习之后,可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整。
进一步地,检测层,用于接收来自跨模态特征融合模块的三张不同大小的特征图,采用多层级特征融合法进行对目标设备的检测定位;
多层级特征融合法具体为:将颈部网络输出的特征图经过一个卷积模块进行通道数的降维和特征图的缩放;再将不同层级的特征图进行融合,得到融合后的特征图;融合后的特征图具有更加丰富的特征信息,从而提高检测性能。
进一步地,获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断,包括:
获取变电设备红外图像温度信息,并通过提取红外图像温度信息得到识别出的变电设备的表面最高温度和相对温差值;
采用变电设备的表面温度判断法和相对温差判断法,将变电设备的表面最高温度和相对温差值分别和对应的温度阈值进行对比诊断,得到诊断结果。
第二方面,本发明又提供了融合红外和可见光图像的变电设备缺陷检测系统,该系统使用上述的融合红外和可见光图像的变电设备缺陷检测方法;该系统包括:
数据集形成单元,用于获取配准的变电设备红外图像和可见光图像对并形成数据集,将数据集分成训练集、验证集和测试集;
双模态目标检测模型构建单元,用于构建基于双模态的变电设备目标检测模型,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层;
模型训练及验证单元,用于利用训练集,对基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;并利用验证集,对基于双模态的变电设备目标检测模型进行验证;
电力设备检测单元,用于基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;
缺陷诊断单元,用于获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断。
进一步地,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层,包括:
双模态特征提取网络,用于分别提取红外图像和可见光图像中目标设备的不同尺度特征,并在提取特征过程中将两种模态的特征进行交互融合;
颈部网络,用于将提取到的不同尺度的融合特征进行不同尺度特征的融合增强,使特征具有两种图像的有效信息和不同尺度的丰富信息;并输出融合红外信息和可见光信息的三个不同尺度的特征图;
检测层,用于根据特征图,对目标设备进行检测;
其中,双模态特征提取网络是由基于改进yolov5的单模态红外图像特征提取网络和单模态可见光图像特征提取网络构成的双模态特征提取网络;单模态红外图像特征提取网络和单模态可见光图像特征提取网络具有相同的结构,且二者之间通过特征图相加模块进行特征图相加,通过跨模态特征融合模块进行两种模态特征的融合交互。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明融合红外和可见光图像的变电设备缺陷检测方法及系统,有效解决了变电设备缺陷检测中红外图像里变电设备与背景区分度低造成的设备检测精度低的问题,从而提高了变电设备缺陷检测的精度。(1)本发明提出了一种双模态特征提取网络,同时提取红外图像和可见光图像的特征并进行融合,解决了红外图像中目标设备与背景区分度低、提取到的设备特征不明显的问题。(2)本发明提出了一种融合可变形卷积的特征提取模块提升了对不规则设备的特征提取能力,提升了对目标设备的检测精度,进而提升对变电设备缺陷的检测准确度。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明融合红外和可见光图像的变电设备缺陷检测方法流程图;
图2为本发明基于双模态的变电设备目标检测模型的网络架构图;
图3为本发明C3_DCN模块的结构图;
图4为本发明CFT模块结构图;
图5为本发明模型检测效果图;
图6为本发明融合红外和可见光图像的变电设备缺陷检测系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
在变电设备的检测识别任务中,检测方法有基于传统的图像处理技术的检测和基于深度学习的设备检测。上述方案一所述的基于传统图像处理技术的变电设备检测方法以人工提取的特征为检测依据,存在特征提取困难、对光照和噪声敏感、对设备变化不适应以及难以处理复杂场景等缺点。上述方案二所述基于深度学习算法检测变电设备较方案一有了较大进步,但变电设备对检测精度要求高,这些方法模型只利用单一模态的图像信息,泛化能力较弱,在复杂的背景下检测精度没有取得令人满意的效果。针对变电设备红外图像前景和背景相似度高,无法有效提取目标设备特征造成变电设备检测精度低进而导致设备缺陷检测不够准确的问题。
因此,针对以上问题,本发明设计了提供融合红外和可见光图像的变电设备缺陷检测方法及系统,有效解决了变电设备缺陷检测中红外图像里变电设备与背景区分度低造成的设备检测精度低的问题,从而提高了变电设备缺陷检测的精度。本发明提出了一种双模态特征提取网络,同时提取红外图像和可见光图像的特征并进行融合,解决了红外图像中目标设备与背景区分度低、提取到的设备特征不明显的问题。本发明提出了一种融合可变形卷积的特征提取模块提升了对不规则设备的特征提取能力,提升了对目标设备的检测精度,进而提升对变电设备缺陷的检测准确度。
实施例1
如图1所示,本发明融合红外和可见光图像的变电设备缺陷检测方法,该方法包括:
步骤1,获取配准的变电设备红外图像和可见光图像对并形成数据集,将数据集分成训练集、验证集和测试集;
步骤2,构建基于双模态的变电设备目标检测模型,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层;
步骤3,利用训练集,对基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;并利用验证集,对基于双模态的变电设备目标检测模型进行验证;
步骤4,基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;
步骤5,获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断。
具体实施时,本发明使用由FLIR T600摄像机采集到的配准的变电站设备红外图像和可见光图像构建数据集,该数据集包含绝缘子、套管、避雷器、电流互感器、电压互感器五类变电设备,总共有1925对变电设备红外图像和可见光图像对。数据集按70%训练集、20%验证集、10%测试集的分割原则随机分割。本发明所提出的基于双模态的变电设备目标检测模型使用NVIDIA RTX 3090平台进行训练和测试,操作系统为Ubuntu 18.04.1LTS。训练采用CUDA 11.3加速,计算机语言为Python 3.8,网络开发框架为Pytorch。在训练阶段,将batchsize设为4,使用了随机梯度下降(SGD)算法,将初始学习率设置为0.01,通过指数衰减方案逐渐降低,采用动量为0.937,权重衰减为0.0005的方案进行训练。
本发明搭建了基于双模态的变电设备检测模型,该模型的网络框架如下图2所示,该模型的网络包括双模态特征提取网络、颈部网络和检测层,包括:
双模态特征提取网络,用于分别提取红外图像和可见光图像中目标设备的不同尺度特征,并在提取特征过程中将两种模态的特征进行交互融合;
颈部网络,用于将提取到的不同尺度的融合特征进行不同尺度特征的融合增强,使特征具有两种图像的有效信息和不同尺度的丰富信息;并输出融合红外信息和可见光信息的三个不同尺度的特征图;
检测层,用于根据三个不同尺度的特征图,对目标设备进行检测。
第一,双模态特征提取网络的目的是对变电设备的红外图像和可见光图像进行特征的提取和融合,从而让模型能够更好地学习到两种图像中变电设备的特征。本发明构建的双模态特征提取网络是由基于改进yolov5的单模态红外图像特征提取网络和单模态可见光图像特征提取网络构成的双模态特征提取网络;单模态红外图像特征提取网络和单模态可见光图像特征提取网络具有相同的结构,且二者之间通过特征图相加模块进行特征图相加,通过跨模态特征融合模块进行两种模态特征的融合交互。每个单模态特征提取网络包括CBS模块、C3_DCN模块、CFT模块和SPPF模块。
以下以单模态红外图像特征提取网络为例进行说明:
如图2所示,单模态红外图像特征提取网络从上往下包括依次设置的第一CBS模块、第二CBS模块、第一C3_DCN模块、第三CBS模块、第二C3_DCN模块、第一特征图相加模块、第四CBS模块、第三C3_DCN模块、第二特征图相加模块、第五CBS模块、第四C3_DCN模块、第三特征图相加模块和SPPF模块;同样地,单模态可见光图像特征提取网络包括以上相同的各个模块。
两种模态的第二C3_DCN模块输出端均连接第一跨模态特征融合模块,第一跨模态特征融合模块输出端对应连接两种模态的第一特征图相加模块;两种模态的第一特征图相加模块输出端均连接第四特征图相加模块,相加后的特征图作为第一特征图传入颈部网络;
两种模态的第三C3_DCN模块输出端均连接第二跨模态特征融合模块,第二跨模态特征融合模块输出端对应连接两种模态的第二特征图相加模块;两种模态的第二特征图相加模块输出端均连接第五特征图相加模块,相加后的特征图作为第二特征图传入颈部网络;
两种模态的第三C3_DCN模块输出端均连接第三跨模态特征融合模块,第三跨模态特征融合模块输出端对应连接两种模态的第三特征图相加模块;两种模态的第三特征图相加模块输出端均通过SPPF模块连接第六特征图相加模块,相加后的特征图作为第三特征图传入颈部网络。
具体地,第一CBS模块、第二CBS模块,用于对输入的变电设备红外图像进行下采样,提取目标设备的特征图,得到两个原图大小的特征图。每个CBS模块由一个二维卷积、一个归一化层(BatchNorm2d)和一个SiLU激活函数组成,在单模态红外图像特征提取网络中CBS模块的步长(stride)全部为2,卷积核(kernel)均为3。其他CBS每次会将特征图的宽高减半,下采样特征图,提取到两种模态的目标特征;
第一C3_DCN模块,用于将第一CBS模块、第二CBS模块中产生的特征图继续进行几何形变特征提取,从红外图像中提取更符合变电设备不规则外形的特征;其他C3_DCN模块功能类似。具体地,第一C3_DCN模块是基于可变形卷积(DCNV2)构建的几何形变特征提取模块;主要目的是解决变电设备外形不规则造成的特征提取不充分的问题。几何形变特征提取模块为CSP架构,几何形变特征提取模块是对残差特征进行学习的主要模块,其结构分为两个分支:第一分支使用多个Bottleneck堆叠和3个标准卷积层;第二分支仅经过一个基本卷积模块;并将第一分支和第二分支进行concat操作;其中,Bottleneck中引入可变形卷积模块(DBS)增强对变电设备不规则特征的提取能力,具体为:先进行1×1卷积将通道数减小一半,再通过可变形卷积将通道数加倍,进而获取变电设备的特征,其输入与输出的通道数不发生改变;其中,可变形卷积是指卷积核在每一个元素上额外增加一个偏移量的学习,加上该偏移量的学习之后,可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整,其直观效果就是不同位置的卷积核采样点位置会根据图像内容发生自适应的变化,从而适应不同变电设备的形状、大小等几何形变。通过以上结合可变形卷积的特征提取方式,提高对有效目标特征的关注度,以实现对形状不规则的变电设备目标特征的提取。第一C3_DCN模块结构图如图3所示,图3中的S为步长,K为卷积核。
其他第二C3_DCN模块、第三C3_DCN模块、第四C3_DCN模块等均参见图3的结构,此处不再一一赘述。
两种模态的图像经前两个CBS模块(第一CBS模块、第二CBS模块)和第一C3_DCN模块提取后得到红外特征图和可见光特征图,两个特征图送入第一跨模态特征融合模块CFT(Cross-Modality Fusion Transformer)进行两种模态特征的融合交互。首先对每个特征图进行展平操作,其次,将两个模态的展平后的特征进行拼接,并添加一个可学习的位置编码,该位置编码是可训练参数,以获得Transformer的输入序列。输入序列进入Transformer的Encoder结构,利用多头自注意力机制来学习可见光图像和红外图像两种模态的二元关系。它可以表示为公式(1),在公式(1)中,H、W分别为特征图的高和宽,αi,j表示第i个位置和第j个位置在特征图上的相关性。根据公式(1)在计算关联矩阵α时,可以自然地推导出四个矩阵块。其中两个是模态内相关矩阵块,另外两个是模态间相关矩阵块。最后的输出序列再一分为二,加回各自原来的特征图上,将其作为补充信息添加到原始模态分支中。第一跨模态特征融合模块CFT的结构图如图4所示,其他跨模态特征融合模块CFT结构与第一跨模态特征融合模块CFT的结构相同。
在经过两种模态的第一CBS模块、第一CBS模块、第一C3_DCN模块、…、CFT模块对输入的变电设备红外图像和可见光图像进行特征提取和融合后,得到的特征图送入SPPF模块中实现一个自适应尺寸的输出。SPPF是以SPP为基础进行的改进。SPP模块是由统一步长但尺寸不同的卷积核实现的,统一步长代表输出的特征图尺寸一致,只是对于区域的敏感性不同,再通过concate按照通道拼接后用1×1卷积,以实现特征融合。SPP模块是将三个最大池化层并行计算再连接起来,SPPF模块是顺序计算并将每层结果连接起来,对于激活函数进行了改进,速度较之前快很多。
第二,颈部网络对双模态特征提取网络中提取到的不同大小的特征图进行融合,实现浅层图形特征和深层语义特征的结合,获得更为完整的目标设备特征。特征融合模块的结构是一个特征金字塔,从backbone(即双模态特征提取网络)中获取相对较浅的特征,再与深层次的语义特征concat到一起。从图2中可以看出,neck(颈部网络)在左路通过Upsample上采样的方式,向特征图中插值,使特征图的尺度变大,以便于融合来自backbone的特征图,做特征的向上融合,特征图不断变大;neck(颈部网络)的右路继续做下采样,一是为了获取不同尺度的特征图,二是使浅层的图形特征与深层的语义特征做更好的融合,最后输出三张特征图,特征图大小分别为80*80*256,40*40*512,20*20*1024。
第三,检测层,用于接收来自跨模态特征融合模块的三张不同大小的特征图,采用多层级特征融合法进行对目标设备的检测定位;
多层级特征融合法具体为:将颈部网络输出的特征图经过一个卷积模块进行通道数的降维和特征图的缩放;再将不同层级的特征图进行融合,得到融合后的特征图;融合后的特征图具有更加丰富的特征信息,从而提高检测性能。
步骤5中通过本发明构建的基于双模态的变电设备检测模型对变电设备完成检测识别后,再获取红外图像中的温度信息并依据《带电设备红外诊断技术应用导则》中的变电设备热缺陷诊断判据和已确定的温度阈值来判断设备是否存在缺陷,进而实现对变电站设备的缺陷检测和诊断。当红外成像仪拍摄图像时,设备的温度信息也会被读取和记录,在进行变电站设备红外图像热缺陷诊断时,步骤为:
获取变电设备红外图像温度信息,并通过提取红外图像温度信息得到识别出的变电设备的表面最高温度和相对温差值;
采用变电设备的表面温度判断法和相对温差判断法,将变电设备的表面最高温度和相对温差值分别和对应的温度阈值进行对比诊断,得到诊断结果。
具体判据如下表1、表2和表3所示:
表1变电设备的表面温度判断依据
设备类型 | 一般缺陷 | 重大缺陷 | 紧急缺陷 |
电流互感器 | Tmax<55℃ | 55℃≤Tmax≤80℃ | Tmax>80℃ |
高压套管 | Tmax<55℃ | 55℃≤Tmax≤80℃ | Tmax>80℃ |
表2变电设备的相对温差判断依据
设备类型 | 一般缺陷 | 重大缺陷 | 紧急缺陷 |
避雷器 | ≥20% | ≥80% | ≥95% |
绝缘子 | ≥20% | ≥80% | ≥95% |
表3电压致热型设备判断依据
设备类型 | 热像特征 | 温差/K |
油浸式电压互感器 | 以整体温升偏高,且中上部温度高 | 2-3 |
评估网络性能的指标主要有准确率(precision,P)、召回率(recall,R)、平均准确率(Average Precision,AP)、平均准确率均值(mean Average Precision,mAP)。计算公式如下:
其中n是变电设备的类别数量,TP(True Positive)为正例且预测正确,FP(FalsePositive)为正例但预测错误,FN(False Negative)为负例且预测错误。上述指标用于定量评估模型的训练效果,能反映出训练模型的性能。本发明模型使用mAP@0.5和mAP@0.5:0.95作为评估模型准确性的指标,mAP@0.5表示取计算预测框和标注框的交并比阈值为0.5,认为交并比在阈值以上时预测框为正确结果,并计算对应mAP值。mAP@0.5:0.95表示以0.05为步长,计算交并比阈值从0.5到0.95的mAP,然后取平均值。如表4所示,表4以yolov5模型与本发明模型进行对比,对比实验结果如表4所示,mAP@0.5和mAP@0.5:0.95分别提升1.9%和2%,说明本发明的模型对变电设备具有更好的检测效果。
表4对比实验结果表
模型 | P/% | R/% | mAP@0.5/% | mAP@0.5:0.95/% |
yolov5 | 90.2 | 91.1 | 93.1 | 65.7 |
本发明 | 93.5 | 91.9 | 95 | 67.7 |
在测试集上的检测结果如下图5所示,其中图(a)为yolov5检测结果,图(b)为本发明模型检测结果。
本发明引入可变形卷积,设计了融合红外图像和可见光图像的基于双模态的变电设备目标检测模型,提高对目标特征的关注度,以实现对目标特征的提取和增强,提升对前景和背景的区分度,从而提高检测精度。
实施例2
如图6所示,本实施例与实施例1的区别在于,本实施例提供了融合红外和可见光图像的变电设备缺陷检测系统,该系统使用实施例1的融合红外和可见光图像的变电设备缺陷检测方法;该系统与实施例1的融合红外和可见光图像的变电设备缺陷检测方法一一对应。该系统包括:
数据集形成单元,用于获取配准的变电设备红外图像和可见光图像对并形成数据集,将数据集分成训练集、验证集和测试集;
双模态目标检测模型构建单元,用于构建基于双模态的变电设备目标检测模型,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层;
模型训练及验证单元,用于利用训练集,对基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;并利用验证集,对基于双模态的变电设备目标检测模型进行验证;
电力设备检测单元,用于基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;
缺陷诊断单元,用于获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断。
作为进一步地实施,基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层,包括:
双模态特征提取网络,用于分别提取红外图像和可见光图像中目标设备的不同尺度特征,并在提取特征过程中将两种模态的特征进行交互融合;
颈部网络,用于将提取到的不同尺度的融合特征进行不同尺度特征的融合增强,使特征具有两种图像的有效信息和不同尺度的丰富信息;并输出融合红外信息和可见光信息的三个不同尺度的特征图;
检测层,用于根据特征图,对目标设备进行检测;
具体地,双模态特征提取网络是由基于改进yolov5的单模态红外图像特征提取网络和单模态可见光图像特征提取网络构成的双模态特征提取网络;单模态红外图像特征提取网络和单模态可见光图像特征提取网络具有相同的结构,且二者之间通过特征图相加模块进行特征图相加,通过跨模态特征融合模块进行两种模态特征的融合交互。
其中,各个单元的执行过程按照实施例1的基融合红外和可见光图像的变电设备缺陷检测方法流程步骤执行即可,此实施例中不再一一赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,该方法包括:
获取配准的变电设备红外图像和可见光图像对并形成数据集,将所述数据集分成训练集、验证集和测试集;
构建基于双模态的变电设备目标检测模型,所述基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层;
利用训练集,对所述基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;
基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;
获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断。
2.根据权利要求1所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,所述数据集中的变电设备包含绝缘子、套管、避雷器、电流互感器、电压互感器。
3.根据权利要求1所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,所述基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层,包括:
所述双模态特征提取网络,用于分别提取红外图像和可见光图像中目标设备的不同尺度特征,并在提取特征过程中将两种模态的特征进行交互融合;
所述颈部网络,用于将提取到的不同尺度的融合特征进行不同尺度特征的融合增强,使特征具有两种图像的有效信息和不同尺度的丰富信息;并输出融合红外信息和可见光信息的三个不同尺度的特征图;
所述检测层,用于根据所述特征图,对目标设备进行检测。
4.根据权利要求3所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,所述双模态特征提取网络是由基于改进yolov5的单模态红外图像特征提取网络和单模态可见光图像特征提取网络构成的双模态特征提取网络;
单模态红外图像特征提取网络和单模态可见光图像特征提取网络具有相同的结构,且二者之间通过特征图相加模块进行特征图相加,通过跨模态特征融合模块进行两种模态特征的融合交互。
5.根据权利要求4所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,所述单模态红外图像特征提取网络包括依次设置的第一CBS模块、第二CBS模块、第一C3_DCN模块、第三CBS模块、第二C3_DCN模块、第一特征图相加模块、第四CBS模块、第三C3_DCN模块、第二特征图相加模块、第五CBS模块、第四C3_DCN模块、第三特征图相加模块和SPPF模块;
所述第一CBS模块、第二CBS模块,用于对输入的变电设备红外图像进行下采样,提取目标设备的特征图;
所述第一C3_DCN模块,用于将所述第一CBS模块、第二CBS模块中产生的特征图继续进行几何形变特征提取,从红外图像中提取更符合变电设备不规则外形的特征;
所述SPPF模块,用于对特征图实现一个自适应尺寸的输出;
两种模态的第二C3_DCN模块输出端均连接第一跨模态特征融合模块,第一跨模态特征融合模块输出端对应连接两种模态的第一特征图相加模块;两种模态的第一特征图相加模块输出端均连接第四特征图相加模块,相加后的特征图作为第一特征图传入颈部网络;
两种模态的第三C3_DCN模块输出端均连接第二跨模态特征融合模块,第二跨模态特征融合模块输出端对应连接两种模态的第二特征图相加模块;两种模态的第二特征图相加模块输出端均连接第五特征图相加模块,相加后的特征图作为第二特征图传入颈部网络;
两种模态的第三C3_DCN模块输出端均连接第三跨模态特征融合模块,第三跨模态特征融合模块输出端对应连接两种模态的第三特征图相加模块;两种模态的第三特征图相加模块输出端均通过SPPF模块连接第六特征图相加模块,相加后的特征图作为第三特征图传入颈部网络。
6.根据权利要求5所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,所述第一C3_DCN模块、第二C3_DCN模块、第三C3_DCN模块和第四C3_DCN模块均是基于可变形卷积构建的几何形变特征提取模块;
所述几何形变特征提取模块为CSP架构,所述几何形变特征提取模块的结构分为两个分支:第一分支使用多个Bottleneck堆叠和3个标准卷积层;第二分支仅经过一个基本卷积模块;并将第一分支和第二分支进行concat操作;其中,Bottleneck中引入可变形卷积模块增强对变电设备不规则特征的提取能力,具体为:先进行1×1卷积将通道数减小一半,再通过可变形卷积将通道数加倍,进而获取变电设备的特征,其输入与输出的通道数不发生改变;
其中,所述可变形卷积是指卷积核在每一个元素上额外增加一个偏移量的学习,加上该偏移量的学习之后,可变形卷积核的大小和位置可以根据当前需要识别的图像内容进行动态调整。
7.根据权利要求1所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,所述检测层,用于接收来自跨模态特征融合模块的三张不同大小的特征图,采用多层级特征融合法进行对目标设备的检测定位;
所述多层级特征融合法具体为:将颈部网络输出的特征图经过一个卷积模块进行通道数的降维和特征图的缩放;再将不同层级的特征图进行融合,得到融合后的特征图。
8.根据权利要求1所述的融合红外和可见光图像的变电设备缺陷检测方法,其特征在于,获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断,包括:
获取变电设备红外图像温度信息,并通过提取红外图像温度信息得到识别出的变电设备的表面最高温度和相对温差值;
采用变电设备的表面温度判断法和相对温差判断法,将变电设备的表面最高温度和相对温差值分别和对应的温度阈值进行对比诊断,得到诊断结果。
9.融合红外和可见光图像的变电设备缺陷检测系统,其特征在于,该系统使用如权利要求1至8中任一所述的融合红外和可见光图像的变电设备缺陷检测方法;该系统包括:
数据集形成单元,用于获取配准的变电设备红外图像和可见光图像对并形成数据集,将所述数据集分成训练集、验证集和测试集;
双模态目标检测模型构建单元,用于构建基于双模态的变电设备目标检测模型,所述基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层;
模型训练单元,用于利用训练集,对所述基于双模态的变电设备目标检测模型训练,得到训练好的基于双模态的变电设备目标检测模型;
电力设备检测单元,用于基于测试集,采用训练好的基于双模态的变电设备目标检测模型进行变电设备识别,识别出变电设备;
缺陷诊断单元,用于获取变电设备红外图像温度信息,结合变电设备的表面温度判断法和相对温差判断法,对识别到的变电设备进行缺陷检测和诊断。
10.根据权利要求9所述的融合红外和可见光图像的变电设备缺陷检测系统,其特征在于,所述基于双模态的变电设备检测模型包括双模态特征提取网络、颈部网络和检测层,包括:
所述双模态特征提取网络,用于分别提取红外图像和可见光图像中目标设备的不同尺度特征,并在提取特征过程中将两种模态的特征进行交互融合;
所述颈部网络,用于将提取到的不同尺度的融合特征进行不同尺度特征的融合增强,使特征具有两种图像的有效信息和不同尺度的丰富信息;并输出融合红外信息和可见光信息的三个不同尺度的特征图;
所述检测层,用于根据所述特征图,对目标设备进行检测;
其中,所述双模态特征提取网络是由基于改进yolov5的单模态红外图像特征提取网络和单模态可见光图像特征提取网络构成的双模态特征提取网络;单模态红外图像特征提取网络和单模态可见光图像特征提取网络具有相同的结构,且二者之间通过特征图相加模块进行特征图相加,通过跨模态特征融合模块进行两种模态特征的融合交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311770145.5A CN117726598A (zh) | 2023-12-20 | 2023-12-20 | 融合红外和可见光图像的变电设备缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311770145.5A CN117726598A (zh) | 2023-12-20 | 2023-12-20 | 融合红外和可见光图像的变电设备缺陷检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117726598A true CN117726598A (zh) | 2024-03-19 |
Family
ID=90208683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311770145.5A Pending CN117726598A (zh) | 2023-12-20 | 2023-12-20 | 融合红外和可见光图像的变电设备缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117726598A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115661044A (zh) * | 2022-09-30 | 2023-01-31 | 国网山西省电力公司大同供电公司 | 一种基于多源融合的变电站电力设备故障检测方法 |
CN115937517A (zh) * | 2022-11-29 | 2023-04-07 | 浙江大学 | 一种基于多光谱融合的光伏故障自动检测方法 |
CN116091424A (zh) * | 2022-12-23 | 2023-05-09 | 山西省能源互联网研究院 | 一种基于改进YOLOv5算法的电力设备红外图像缺陷检测方法 |
CN116486233A (zh) * | 2023-04-25 | 2023-07-25 | 重庆邮电大学 | 一种多光谱双流网络的目标检测方法 |
WO2023173598A1 (zh) * | 2022-03-15 | 2023-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 基于改进ssd模型的风机叶片缺陷检测方法及系统 |
-
2023
- 2023-12-20 CN CN202311770145.5A patent/CN117726598A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023173598A1 (zh) * | 2022-03-15 | 2023-09-21 | 中国华能集团清洁能源技术研究院有限公司 | 基于改进ssd模型的风机叶片缺陷检测方法及系统 |
CN115661044A (zh) * | 2022-09-30 | 2023-01-31 | 国网山西省电力公司大同供电公司 | 一种基于多源融合的变电站电力设备故障检测方法 |
CN115937517A (zh) * | 2022-11-29 | 2023-04-07 | 浙江大学 | 一种基于多光谱融合的光伏故障自动检测方法 |
CN116091424A (zh) * | 2022-12-23 | 2023-05-09 | 山西省能源互联网研究院 | 一种基于改进YOLOv5算法的电力设备红外图像缺陷检测方法 |
CN116486233A (zh) * | 2023-04-25 | 2023-07-25 | 重庆邮电大学 | 一种多光谱双流网络的目标检测方法 |
Non-Patent Citations (1)
Title |
---|
位一鸣;童力;罗麟;杨珊;: "基于卷积神经网络的主变压器外观缺陷检测方法", 浙江电力, no. 04, 9 May 2019 (2019-05-09) * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390340B (zh) | 特征编码模型、视觉关系检测模型的训练方法及检测方法 | |
CN110490239B (zh) | 图像质控网络的训练方法、质量分类方法、装置及设备 | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN116994044A (zh) | 一种基于掩码多模态生成对抗网络的图像异常检测模型的构建方法 | |
CN117390407B (zh) | 变电站设备的故障识别方法、系统、介质和设备 | |
CN114048787B (zh) | 一种基于Attention CNN模型的轴承故障实时智能诊断方法与系统 | |
CN111539456A (zh) | 一种目标识别方法及设备 | |
CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 | |
CN115170874A (zh) | 一种基于解耦蒸馏损失的自蒸馏实现方法 | |
CN114612659A (zh) | 一种基于融合模态对比学习的电力设备分割方法及系统 | |
CN116805387B (zh) | 基于知识蒸馏的模型训练方法、质检方法和相关设备 | |
CN117726598A (zh) | 融合红外和可见光图像的变电设备缺陷检测方法及系统 | |
CN114529794B (zh) | 一种红外与可见光图像融合方法、系统及介质 | |
CN115147348B (zh) | 基于改进的YOLOv3的轮胎缺陷检测方法及系统 | |
CN117011219A (zh) | 物品质量检测方法、装置、设备、存储介质和程序产品 | |
CN114155524A (zh) | 单阶段3d点云目标检测方法及装置、计算机设备、介质 | |
CN117173530B (zh) | 目标异常检测方法及装置 | |
CN117557775B (zh) | 基于红外和可见光融合的变电站电力设备检测方法及系统 | |
CN112966569B (zh) | 一种图像处理方法、装置、计算机设备及存储介质 | |
CN112446870B (zh) | 管道损伤检测方法、装置、设备及存储介质 | |
CN117611600B (zh) | 一种图像分割方法、系统、存储介质及设备 | |
CN117726903A (zh) | 基于自适应双加权特征网络的输电线路绝缘子检测方法 | |
CN117197607A (zh) | 一种基于PID-Net的图像篡改检测方法 | |
CN117351290A (zh) | 一种iv故障曲线的分类方法及装置 |
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 |