[發明專利]基于深度學習的變電站設備檢測方法及裝置

在審

• 申請號: 202010006629.2
• 申請日: 2020-01-03
• 公開（公告）號: CN111209958A
• 公開（公告）日: 2020-05-29
• 發明（設計）人: 劉介瑋;許愛東;李燁陽;徐傳懋
• 申請（專利權）人: 南方電網科學研究院有限責任公司;中國南方電網有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 郭帥

1.基于深度學習的變電站設備檢測方法，其特征在于，包括以下步驟：

S1：采集包含變電站設備的物理分合閘位置的多幅圖像，對所述圖像的設備類別與分合閘位置標注不同標簽的目標框，將標注好的所述圖像進行統一裁剪、預處理，以制作成標準數據集，將所述數據集按比例劃分為訓練集、驗證集和測試集；

S2：加載訓練集與預訓練的模型參數到變電站設備檢測神經網絡模型中，利用基于深度學習的py faster rcnn深度卷積網絡進行訓練，以獲得訓練后的所述變電站設備檢測神經網絡模型；

S3：利用所述驗證集對訓練后的所述變電站設備檢測神經網絡模型進行驗證，根據驗證結果對所述變電站設備檢測神經網絡模型進行迭代優化，得到最終的所述變電站設備檢測神經網絡模型；

S4：利用所述測試集對所述變電站設備檢測神經網絡模型進行測試，得到變電站設備的設備類別和物理分合閘位置識別結果。

2.根據權利要求1所述的基于深度學習的變電站設備檢測方法，其特征在于，步驟S2中利用基于深度學習的py faster rcnn深度卷積網絡進行訓練具體包括：在訓練過程中根據訓練結果對所述變電站設備檢測神經網絡模型的參數進行優化，不斷改進所述變電站設備檢測神經網絡模型的結構。

3.根據權利要求2所述的變電站電力設備紅外圖像異常實時檢測方法，其特征在于，步驟S2具體包括：

S21：對所述訓練集進行一系列卷積和池化處理，得到一系列特征圖；

S22：利用RPN層網絡對所述特征圖進行識別，從所述特征圖中獲取目標的預測位置；

S23：ROI Pooling層利用所述預測位置和VGG16最后一層得到的特征圖，得到固定大小的目標特征圖，以便進行目標分合閘識別和定位；

S24：利用Classifter層對所述目標特征圖進行全連接操作，利用softmax進行具體類別的分類，同時，利用L1 loss完成bounding box regression回歸操作獲得目標的精確位置。

4.根據權利要求3所述的基于深度學習的變電站設備檢測方法，其特征在于，S22的具體步驟為：特征圖通過RPN層網絡，首先生成一系列anchor box，對其進行裁剪過濾后通過softmax判斷anchors屬于前景或者后景；同時，另一分支bounding box regression修正anchor box，形成目標的預測位置。

5.根據權利要求1所述的基于深度學習的變電站設備檢測方法，其特征在于，S3的具體步驟包括：將所述驗證集輸入到所述變電站設備檢測神經網絡模型中，在模型的輸出端獲取該圖像對應的特征圖，然后對特征圖上每個錨點取9個候選ROI并映射回原圖像中，并把候選ROI輸入到RPN中進行分類和回歸，最后在所述變電站設備檢測神經網絡模型中進行細分和精確預測。

6.應用權利要求1至5任意一項方法的變電站設備檢測裝置，其特征在于，包括：

數據集制作模塊，用于采集包含變電站設備的物理分合閘位置的多幅圖像，對所述圖像的設備類別與分合閘位置標注不同標簽的目標框，將標注好的所述圖像進行統一裁剪、預處理，以制作成標準數據集，將所述數據集按比例劃分為訓練集、驗證集和測試集；

模型訓練模塊，用于加載訓練集與預訓練的模型參數到變電站設備檢測神經網絡模型中，利用基于深度學習的py faster rcnn深度卷積網絡進行訓練，得到訓練后的所述變電站設備檢測神經網絡模型；

驗證優化模塊，用于利用所述驗證集對訓練后的所述變電站設備檢測神經網絡模型進行驗證，根據驗證結果對所述變電站設備檢測神經網絡模型進行迭代優化，得到最終的所述變電站設備檢測神經網絡模型；

測試識別模塊，用于利用所述測試集對所述變電站設備檢測神經網絡模型進行測試，得到變電站設備的設備類別和物理分合閘位置識別結果。