[發(fā)明專利]變電站入侵異物實時檢測方法

在審

• 申請?zhí)枺?/td>: 202011266814.1
• 申請日: 2020-11-13
• 公開（公告）號: CN112380985A
• 公開（公告）日: 2021-02-19
• 發(fā)明（設(shè)計）人: 李凱;劉生寒;李波;肖建毅;鐘蘇生;黃愷彤;梁運德;陳力
• 申請（專利權(quán)）人: 廣東電力信息科技有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/40;G06K9/46;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 南京蘇高專利商標事務(wù)所(普通合伙) 32204
• 代理人: 李淑靜

1.一種變電站入侵異物實時檢測方法，其特征在于，所述方法包括以下步驟：

對變電站的監(jiān)控圖像進行預(yù)處理，包括圖像去噪和圖像增強；

將預(yù)處理后的圖像輸入訓(xùn)練好的變電站入侵異物檢測模型，輸出檢測結(jié)果；其中，所述變電站入侵異物檢測模型為改進的YoLo網(wǎng)絡(luò)模型，所述改進的YoLo網(wǎng)絡(luò)模型利用YoLo網(wǎng)絡(luò)為基本結(jié)構(gòu)，在每個卷積層后面添加批標準化層對卷積后的張量進行規(guī)范化，在批標準化層之后使用修改后的Dropout即R-Dropout層來構(gòu)造不確定性卷積特征，在R-Dropout層之后連接池化層進行降采樣，完成不確定卷積特征的提取。

2.根據(jù)權(quán)利要求1所述的變電站入侵異物實時檢測方法，其特征在于，所述訓(xùn)練好的變電站入侵異物檢測模型的訓(xùn)練過程包括對預(yù)測邊框誤差的權(quán)重進行優(yōu)化，具體通過增加邊界框坐標預(yù)測的損失函數(shù)的權(quán)重λ_coord，并減少不包含對象的邊框的置信度的損失函數(shù)的權(quán)重λ_noobj來實現(xiàn)。

3.根據(jù)權(quán)利要求2所述的變電站入侵異物實時檢測方法，其特征在于，所述入侵異物檢測模型的損失函數(shù)為：

式中，表示對象出現(xiàn)在網(wǎng)格單元i中，表示單元格i的第j個預(yù)測邊框檢測到該對象，表示單元格i的第j個預(yù)測邊框沒有檢測到該對象，S為總網(wǎng)格單元數(shù)的平方根，B為某個網(wǎng)格單元中的預(yù)測邊框數(shù)，x_i,y_i表示邊界框的位置坐標，ω_i、h_i為預(yù)測邊框的寬與高，p_i(c)為分類結(jié)果為c類的置信度評分。

4.根據(jù)權(quán)利要求1所述的變電站入侵異物實時檢測方法，其特征在于，所述R-Dropout層的計算公式：

式中，為卷積并批標準化后的張量，非線性激活函數(shù)g(·)表示在訓(xùn)練期間激活Dropout，線性化激活函數(shù)表示在測試時激活Dropout，⊙表示單元乘積，表示學(xué)習(xí)張量，b是一個常數(shù)，M是一個尺度為W'×H'的二元掩膜矩陣，M中的每個元素M_i,j滿足伯努利分布M_i,j～Bernoulli(p)。

5.根據(jù)權(quán)利要求1所述的變電站入侵異物實時檢測方法，其特征在于，所述圖像去噪采用小波變換模極大值去噪法對圖像進行去噪。

6.根據(jù)權(quán)利要求5所述的變電站入侵異物實時檢測方法，其特征在于，所述小波變換模極大值去噪法包括以下步驟：

S1-1，對含噪聲的檢測圖像進行離散二進制小波變換，選取分解尺度；

S1-2，求出每個尺度上小波變換系數(shù)W₂f對應(yīng)的模極大值點；

S13，在最大分解尺度J，選取一個閾值，使得模極大值小于該閾值的點被作為噪聲去除，并由此得到最大尺度上新的模極大值點；

S1-4，從最大分解尺度J上的每個模極大值點開始，用Adhoc算法向上搜索其對應(yīng)的模極大值曲線，并將每個尺度j上不在任意模極大曲線上的點去掉，通過逐級搜索，直到尺度j＝2；

S1-5，對于尺度j＝1，在j＝2存在極值點的位置上保留j＝1時相應(yīng)的極值點，而其余位置上的極值點置為零；

S1-6，由各尺度上保留下來的模極值點及其極值點的位置，選用交替投影方法重建信號。

7.根據(jù)權(quán)利要求1所述的變電站入侵異物實時檢測方法，其特征在于，所述圖像增強采用基于局部直方圖裁剪均衡化的對比度調(diào)節(jié)算法來提高圖像的對比度，增強圖像的細節(jié)信息。