一種電力設備銹蝕識別方法技術

本發明專利技術屬于圖像識別技術領域，具體涉及一種電力設備銹蝕識別方法。針對現有目標檢測方法在識別設備銹蝕時，準確性較低的不足，本發明專利技術采用如下技術方案：一種電力設備銹蝕識別方法，所述電力設備銹蝕識別方法包括：步驟S1，采集目標圖像；步驟S2，對所述目標圖像進行預處理；步驟S3，建立銹斑識別模型，將所述增強圖像輸入所述銹斑識別模型中，獲取特征圖；步驟S4、對所述特征圖進行細粒度特征識別，確定識別結果，根據所述識別結果確定目標圖像中是否存在銹斑；其中，所述銹斑識別模型通將ResNet50中的第4個block中的bottleneck替換為MHSA模塊。本發明專利技術的有益效果是：識別準確率更高。識別準確率更高。識別準確率更高。

【技術實現步驟摘要】
一種電力設備銹蝕識別方法


[0001]本專利技術屬于圖像識別
，具體涉及一種電力設備銹蝕識別方法。

技術介紹

[0002]變電站長期工作在戶外環境中，容易產生各種各樣的設備故障，嚴重影響電網的安全穩定運行。變電站設備大量采用金屬器件，金屬器件常年暴露在戶外環境下，極易產生金屬銹蝕現象。傳統的設備巡檢方式多為人工模式，存在巡檢效率低、巡檢質量受限于人員水平、失誤在所難免等不足。
[0003]隨著輸電線路大規模增長，傳統人工巡檢模式已不能適應電網發展。近年來，隨著計算機視覺技術迅猛發展，機器人巡檢逐步替代人工巡檢。機器人巡檢通過拍攝圖像進行智能處理，對設備的缺陷進行識別，使整個檢測過程自動化，能夠大量節省人力物力資源，提升電力系統的可靠性，已成為電網運檢發展的新突破。
[0004]申請公布號為CN111507398A的中國專利技術專利申請公開了一種基于目標檢測的變電站金屬儀器銹蝕識別方法，通過對監控視頻提取關鍵幀或者通過人工拍攝照片，得到待檢測圖像，使用深度學習網絡框架提取圖像特征得到特征圖，再根據該特征圖使用目標檢測算法檢測出變電站的金屬儀器中是否具有銹蝕部分。
[0005]申請公布號為CN110111299A的中國專利技術專利申請公開了一種銹斑識別方法及裝置，該方法包括：獲取目標圖像；將目標圖像進行預處理，生成上采樣圖片與下采樣圖片；將上采樣圖片與下采樣圖片輸入銹斑識別模型中，獲得特征圖；對特征圖進行細粒度特征識別，確定識別結構；其中，銹斑識別模型通過具有ResNet50的網絡結構的卷積神經網絡模型訓練獲得。
[0006]申請公布號為CN110111299A的中國專利技術專利申請公開了一種變壓器目標檢測與外觀缺陷識別方法，首先采集樣本，構建樣本集；然后利用SSD目標檢測算法精準截取目標設備，用于檢測外觀缺陷；而后針對負樣本不足的問題，利用基于VGG
?
net的風格遷移算法，生成缺陷樣本用于擴充樣本集，提升判別模型的泛化能力；最后根據Le
?
net的判別網絡對外觀進行檢測。
[0007]在識別過程中，圖像處理和識別模型是關鍵核心?，F有的識別模型，已有采用BotNet50網絡，但是檢測的精度仍有提高空間。

技術實現思路

[0008]本專利技術針對現有目標檢測方法在識別設備銹蝕時，準確性較低的不足，提供一種電力設備銹蝕識別方法，以提高準確性。
[0009]為實現上述目的，本專利技術采用如下技術方案：一種電力設備銹蝕識別方法，所述電力設備銹蝕識別方法包括：
[0010]步驟S1，采集目標圖像；
[0011]步驟S2，對所述目標圖像進行預處理，包括：采用均值濾波方法將目標圖像進行濾
波處理，得到去除噪聲后的增強圖像；
[0012]步驟S3，建立銹斑識別模型，將所述增強圖像輸入所述銹斑識別模型中，獲取特征圖；
[0013]步驟S4、對所述特征圖進行細粒度特征識別，確定識別結果，根據所述識別結果確定目標圖像中是否存在銹斑；
[0014]其中，所述銹斑識別模型通過具有BotNet50網絡結構的卷積神經網絡模型訓練獲得，所述BotNet50網絡由將ResNet50中的第4個block中的bottleneck替換為MHSA模塊形成。
[0015]本專利技術的電力設備銹蝕識別方法，其銹斑識別模型，采用改進的SSD網絡模型，在采用VGG16的原始SSG網絡模型基礎上，將VGG16替換為ResNet50，并將ResNet50的第4個block中的bottleneck替換為MHSA模塊，形成新的BotNet50網絡結構，相比原始SSD網絡模型和ResNet50網絡模型，BotNet50網絡模型的識別準確率更高。
[0016]作為改進，步驟S1中，采集目標圖像包括：確定待檢測設備的設備標識，基于設備標識獲取目標圖像和待檢測設備的環境信息。
[0017]作為改進，步驟S2中，包括：對采集到的圖像進行灰度化處理，灰度化處理采用平均值法，所采用的公式為：
[0018]f(i,j)＝(R(i,j)+G(i,j)+B(i,j))
[0019]其中，f(i,j)表示轉換后的灰度圖像在(i,j)處的灰度值，R(i,j)表示R分量灰度值，G(i,j)表示G分量灰度值，B(i,j)表示B分量灰度值。
[0020]作為改進，步驟S2中，均值濾波方法采用的公式為：
[0021]g(x，y)＝∑f(x，y)/m
[0022]其中，g(x，y)表示處理后的圖像在該點的灰度，m表示該模板中包含當前像素在內的像素總個數，f(x，y)表示該模板內圖像的灰度值。
[0023]作為改進，步驟S3中，包括：將所述預處理后的圖像輸入銹斑識別模型中，獲取初始特征圖；對所述初始特征圖中的每一個像素，生成多個預定參數的原始包圍盒；以及基于所述多個預定參數的原始包圍盒與所述初始特征圖生成所述特征圖。
[0024]作為改進，基于所述多個預定參數的原始包圍盒與所述初始特征圖生成所述特征圖，包括：
[0025]基于所述多個預定參數的原始包圍盒與目標檢測特殊層剔除低分辨率特征，生成篩選特征數據；
[0026]將所述篩選特征數據與所述初始特征進行疊加處理與聚合處理生成所述特征圖。
[0027]作為改進，步驟S4中，對所述特征圖進行細粒度特征識別，確定識別結果包括：
[0028]通過弱監督學習對所述特征圖進行細粒度特征識別；
[0029]在細粒度特征識別過程中局部信息采用圖像級的語義標注以確定識別結果。
[0030]作為改進，根據所述識別結果確定所述目標圖像中是否存在銹斑包括：
[0031]基于所述識別結果通過歸一化指數函數確定所述目標圖像中是否存在銹斑。
[0032]作為改進，基于所述細粒度特征數據與所述篩選特征數據進行疊加處理與聚合處理，生成訓練特征數據；
[0033]基于所述訓練特征數據對原始包圍盒的參數進行回歸計算以確定所述銹斑識別
模型；
[0034]使用歸一化指數函數與交叉熵損失函數對目標的置信度進行訓練，同時對前景區域，使用smooth
?
l1函數對包圍盒的四維參數BB＝(δx，δy，h，w)進行回歸。
[0035]作為改進，所述的MHSA即Multi
?
Head Self
?
Attention模塊，通過不同的head得到多種特征表達，然后將多種特征連接在一起，最后通過再一層全連接來降維。
[0036]本專利技術的電力設備銹蝕識別方法的有益效果是：其銹斑識別模型，采用改進的SSD網絡模型，在采用VGG16的原始SSG網絡模型基礎上，將VGG16替換為ResNet50，并將ResNet50的第4個block中的bottleneck替換為MHSA模塊，形成新的BotNet50網絡結構，相比原始SSD網絡模型和ResNet50網絡模型，BotNet50網絡模型的識別準確率更高本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種電力設備銹蝕識別方法，其特征在于：所述電力設備銹蝕識別方法包括：步驟S1，采集目標圖像；步驟S2，對所述目標圖像進行預處理，包括：采用均值濾波方法將目標圖像進行濾波處理，得到去除噪聲后的增強圖像；步驟S3，建立銹斑識別模型，將所述增強圖像輸入所述銹斑識別模型中，獲取特征圖；步驟S4、對所述特征圖進行細粒度特征識別，確定識別結果；以及根據所述識別結果確定目標圖像中是否存在銹斑；其中，所述銹斑識別模型通過具有BotNet50網絡結構的卷積神經網絡模型訓練獲得，所述BotNet50網絡由將ResNet50中的第4個block中的bottleneck替換為MHSA模塊形成。2.根據權利要求1所述的一種電力設備銹蝕識別方法，其特征在于：步驟S1中，采集目標圖像包括：確定待檢測設備的設備標識，基于設備標識獲取目標圖像和待檢測設備的環境信息。3.根據權利要求1所述的一種電力設備銹蝕識別方法，其特征在于：步驟S2中，包括：對采集到的圖像進行灰度化處理，灰度化處理采用平均值法，所采用的公式為：f(i,j)＝(R(i,j)+G(i,j)+B(i,j))其中，f(i,j)表示轉換后的灰度圖像在(i,j)處的灰度值，R(i,j)表示R分量灰度值，G(i,j)表示G分量灰度值，B(i,j)表示B分量灰度值。4.根據權利要求1所述的一種電力設備銹蝕識別方法，其特征在于：步驟S2中，均值濾波方法采用的公式為：g(x，y)＝∑f(x，y)/m其中，g(x，y)表示處理后的圖像在點(x，y)的灰度，m表示模板中包含當前像素在內的像素總個數，f(x，y)表示模板內圖像的灰度值。5.根據權利要求1所述的一種電力設備銹蝕識別方法，其特征在于：步驟S3中，包括：將所述預處理后的圖像輸入銹斑識別模型中，獲取初始特征圖；對所述初始特征圖中...

【專利技術屬性】
技術研發人員：韓睿，梅冰笑，姜雄偉，高思，王文浩，李斐然，劉爽，溫典，
申請(專利權)人：國網浙江省電力有限公司電力科學研究院，
類型：發明
國別省市：