[發明專利]電力設備識別方法、裝置和終端設備

在審

• 申請號: 202210044214.3
• 申請日: 2022-01-14
• 公開（公告）號: CN114387489A
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 韓璟琳;賀春光;馮喜春;胡平;趙輝;陳志永;李鐵良;苑魯峰;何鑫
• 申請（專利權）人: 國網河北省電力有限公司經濟技術研究院;國網河北省電力有限公司;北京中電普華信息技術有限公司;國家電網有限公司
• 主分類號: G06V10/80
• 分類號: G06V10/80;G06V10/774;G06V10/762;G06V10/82;G06V10/75;G06V10/764;G06N3/04
• 代理公司: 石家莊國為知識產權事務所 13120
• 代理人: 付曉娣

本申請適用于圖像識別技術領域，公開了一種電力設備識別方法、裝置和終端設備。上述電力設備識別方法包括：采集電力設備圖像，對電力設備圖像進行預處理，建立電力設備圖像數據集；基于電力設備圖像數據集，訓練得到電力設備識別模型；將待識別電力設備圖片輸入電力設備識別模型，獲得電力設備的識別結果。電力設備圖像數據集經預處理，解決了因電力能源設備的尺寸差距較大帶來的運算速度緩慢問題，根據電力設備圖像數據集建立的電力設備識別模型，在特征提取、特征融合和特征匹配三方面對模型進行了改進，在提升模型運算效率的同時，提高了電力設備的識別精度。

技術領域

本申請屬于圖像識別技術領域，尤其涉及一種電力設備識別方法、裝置和終端設備。

背景技術

近些年來，深度學習卷積神經網絡應用在圖像特征信息提取領域，取得了顯著的成果。然而現有的大多數圖像識別神經網絡算法，都不能很好地解決不同尺度圖像特征信息提取的問題，為解決多尺度圖像識別問題，引入了特征金字塔方法，包括SSD、STDN等方法，將大尺度圖像特征融入到小尺度物體識別中，提高識別準確率。

目前大多數物體識別方法采用枚舉錨框的方法來進行特征提取，Faster RCNN采用人工選擇錨框，Yolo采用統計學方法設定錨框，但存在無法適應多尺度圖像識別的情況，由此提出了Meta Anchor方法，利用權重預測獲得動態錨框函數。為了覆蓋不同形狀物體，通常設定多個不同縱橫比的錨框，這些方法本質上都是自上而下的特征金字塔特征融合方法。但是，特征金字塔方法實現大尺度物體特征融入小尺度物體識別中，提高了小尺度物體識別精確度的同時忽略了大尺度物體的識別，造成大尺度物體識別精度遠小于小尺寸目標物體的問題。

發明內容

有鑒于此，本申請實施例提供了一種電力設備識別方法、裝置和終端設備，以提升電力設備的識別精度。

本申請是通過如下技術方案實現的：

第一方面，本申請實施例提供了一種電力設備識別方法，其特征在于，包括：采集電力設備圖像，對所述電力設備圖像進行預處理，建立電力設備圖像數據集；基于所述電力設備圖像數據集，訓練得到電力設備識別模型；將待識別電力設備圖片輸入所述電力設備識別模型，獲得電力設備的識別結果。

本申請實施例中，通過對電力設備圖像數據集進行預處理，解決了因電力能源設備的尺寸差距較大帶來的運算速度緩慢問題。根據經預處理后的電力設備圖像數據集建立的電力設備識別模型，在特征提取、特征融合和特征匹配三方面進行了適于電力設備識別的改進，增強原始特征信息流，有助于大尺度目標的識別，訓練出的電力設備識別模型，可以在保持較高性能的同時將訓練速度提高約30％，在提升電力設備識別模型運算效率的同時，也提高了對電力設備的識別精度。

基于第一方面，在一些實施例中，所述采集電力設備圖像，對所述電力設備圖像進行預處理，建立電力設備圖像數據集，包括：采集電力設備圖像，將所述電力設備圖像進行分割，截取電力設備存在的主要圖像區域；對所述主要圖像區域內的電力設備進行標注，得到包含標注信息的電力設備圖像數據集。

基于第一方面，在一些實施例中，所述基于所述電力設備圖像數據集，訓練得到電力設備識別模型，包括：通過主干網絡對所述電力設備圖像數據集中的電力設備圖像進行特征提取，得到第一圖像特征；通過多尺度特征雙融合模塊將所述第一圖像特征中不同尺度的特征進行雙向融合，得到第二圖像特征；以最小化損失函數為目標，對所述第二圖像特征進行匹配識別，獲取輸出最優匹配結果時的最優模型參數，根據所述最優模型參數確定電力設備識別模型。

基于第一方面，在一些實施例中，所述主干網絡為包含自注意力機制和Dropout機制的Darknet-53網絡，所述Darknet-53網絡的激活函數為Mish函數。

基于第一方面，在一些實施例中，所述主干網絡采用深度可分離卷積算法，所述深度可分離卷積算法，包括：將多維卷積核分解為一個列向量和一個行向量，通過1*1卷積核進行卷積，將通道進行不同權重融合。