【技術實現步驟摘要】
本專利技術涉及計算機視覺，具體地指一種基于卷積神經網絡的避雷器本體識別分割系統及方法。
技術介紹
1、在電力行業中，金屬氧化鋅避雷器(metal?oxide?arrester，moa)是一種重要的過電壓保護設備，在整個電力系統中占據著不可或缺的地位，具有能量吸收能力強、結構簡單、穩定性好等優點，但由于長期暴露于自然界中，容易發生受潮、老化及短路等現象，從而產生熱故障引起電力事故。基于避雷器的紅外圖像對其健康狀況進行判斷是一種常用的技術手段，但紅外圖像具有低對比度、噪聲大和視覺效果差等特點，因此往往會對運維人員的判斷造成很大的干擾。
技術實現思路
1、本專利技術的目的就是要提供一種基于卷積神經網絡的避雷器本體識別分割系統及方法，本專利技術通過對大量紅外圖像中的避雷器進行數據標注并選擇合適的卷積神經網絡學習其圖像特征，最后實現紅外圖像中避雷器本體的識別與分割，本專利技術提高了紅外圖像中避雷器本體的辨識度，增強了訓練網絡的魯棒性，并能準確的將紅外圖像中的避雷器本體分割出來。
2、為實現此目的，本專利技術所設計的一種基于卷積神經網絡的避雷器本體識別分割系統，它包括圖形預處理模塊、數據擴充模塊、避雷器標注模塊、網絡參數設置模塊、網絡訓練模塊和避雷器本體識別分割模塊；
3、所述圖形預處理模塊用于對歷史的避雷器紅外圖像進行預處理；
4、所述數據擴充模塊用于對預處理后的避雷器紅外圖像進行擴充，得到拓展數據集樣本；
5、所述避雷器標注模塊用于對拓展數據
6、所述網絡參數設置模塊用于根據網絡特征提取深度要求、模塊準確率要求、收斂速度要求和防止模型過擬合要求分別對卷積神經網絡模型的網絡學習參數進行設置；
7、所述網絡訓練模塊用于將標注數據集輸入設置了網絡學習參數的卷積神經網絡模型中進行訓練，得到訓練好的卷積神經網絡模型；
8、避雷器本體識別分割模塊用于將實時采集的避雷器紅外圖像輸送到訓練好的卷積神經網絡模型中從而識別并分割出其中的避雷器本體圖像。
9、本專利技術的有益效果：
10、首先，針對紅外圖像數據集，本專利技術進行了預處理操作。其中，優選的預處理步驟包括灰度轉化、對比度增強和降噪處理，這些步驟有助于減少圖像中的噪聲，并提高避雷器本體的辨識度；為了增加樣本的多樣性，本專利技術采用了數據集擴充技術，其中，優選的擴充方式包括水平翻轉、旋轉和尺度變換，通過這些擴充方式，可以生成更多樣的避雷器圖像樣本，從而提高模型的泛化能力和魯棒性；本專利技術將標注數據集應用于mask?rcnn網絡進行學習，優選的基礎網絡是resnet101，它具有較強的特征提取能力；批處理大小設置為2，較小的批處理大小可以幫助模型更好地適應不同的樣本，并且在梯度更新時可以更好地考慮樣本間的差異；學習率為0.001，較小的學習率可以使模型在訓練過程中更穩定地收斂，并且有助于避免模型陷入局部最小值；學習動量為0.9，較高的學習動量可以使模型在梯度方向上保持一定的動量，有助于加速模型的收斂速度，并且在參數更新時可以更好地跳出局部最小值；權重衰減正則化為0.0001，較小的權重衰減正則化可以幫助減少模型過擬合的情況，提高模型的泛化能力和性能。上述參數的優化可以有效地提升mask?rcnn模型的性能，并提高紅外圖像中避雷器本體的識別準確率和分割精度。
11、本專利技術提高了紅外圖像中避雷器本體的辨識度，增強了訓練網絡的魯棒性，并能準確的將紅外圖像中的避雷器本體分割出來。
本文檔來自技高網...【技術保護點】
1.一種基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：它包括圖形預處理模塊、數據擴充模塊、避雷器標注模塊、網絡參數設置模塊、網絡訓練模塊和避雷器本體識別分割模塊；
2.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述圖形預處理模塊對歷史避雷器紅外圖像進行預處理的過程包括依次對歷史避雷器紅外圖像進行灰度轉化，增強對比度，降噪預處理。
3.根據權利要求2所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述灰度轉化，增強對比度，降噪預處理的具體過程為：使用如下公式進行歷史避雷器紅外圖像的灰度轉化：
4.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述數據擴充模塊對預處理后的避雷器紅外圖像進行擴充的過程為：對預處理后的所有避雷器紅外圖像均進行一次水平翻轉、一次順時針90°旋轉以及一次水平方向1.15倍的尺度變換，最終數據集擴充至原來的四倍。
5.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：避雷器標注模塊使用Labelme標注軟件對拓
6.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：卷積神經網絡模型為Mask?RCNN網絡模型，Mask?RCNN網絡模型的網絡學習參數包括基礎網絡、批處理大小、學習率、動量和權重衰減正則化。
7.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述基礎網絡選擇Resnet101，所述批處理大小設置為2，學習率設置為0.001，動量設置為0.9，權重衰減正則化設置為0.0001。
8.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：訓練好的卷積神經網絡模型中包括骨干網絡、區域建議網絡、ROI?Align和全卷積網絡，其中，骨干網絡使用ResNet101網絡中的殘差模塊對紅外圖像進行卷積操作，提取避雷器的圖形特征；區域建議網絡計算IOU交并比并采用非極大值抑制算法，對紅外圖像中可能包含避雷器的候選框位置坐標進行初步篩選；ROIAlign采用雙線性插值法計算坐標值，精確提取避雷器本體特征，保留其細節信息；全卷積網絡根據精確提取的避雷器本體特征，通過1×1卷積獲取紅外圖像中避雷器的類別和位置信息，并使用轉置卷積獲取避雷器的本體掩碼信息。
9.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述網絡訓練模塊用于將標注數據集輸入設置了網絡學習參數的卷積神經網絡模型中進行訓練，網絡學習完成后自動生成.h5文件，.h5文件用于存儲訓練好的卷積神經網絡模型。
10.一種基于卷積神經網絡的避雷器本體識別分割方法，其特征在于，它包括如下步驟：
...【技術特征摘要】
1.一種基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：它包括圖形預處理模塊、數據擴充模塊、避雷器標注模塊、網絡參數設置模塊、網絡訓練模塊和避雷器本體識別分割模塊；
2.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述圖形預處理模塊對歷史避雷器紅外圖像進行預處理的過程包括依次對歷史避雷器紅外圖像進行灰度轉化，增強對比度，降噪預處理。
3.根據權利要求2所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述灰度轉化，增強對比度，降噪預處理的具體過程為：使用如下公式進行歷史避雷器紅外圖像的灰度轉化：
4.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：所述數據擴充模塊對預處理后的避雷器紅外圖像進行擴充的過程為：對預處理后的所有避雷器紅外圖像均進行一次水平翻轉、一次順時針90°旋轉以及一次水平方向1.15倍的尺度變換，最終數據集擴充至原來的四倍。
5.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：避雷器標注模塊使用labelme標注軟件對拓展數據集樣本中的避雷器本體進行像素級標注。
6.根據權利要求1所述的基于卷積神經網絡的避雷器本體識別分割系統，其特征在于：卷積神經網絡模型為mask?rcnn網絡模型，mask?rcnn網絡模型的網絡學習參數包括基礎網...
【專利技術屬性】
技術研發人員：周奇波，翁東雷，程國開，張榮偉，江炯，孫瓏，潘文鵬，李巨山，應建國，沈厚明，隗震，謝濤，范鵬，熊佳俊，喻明江，
申請(專利權)人：寧波新勝中壓電器有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。