[發明專利]一種基于改進Mask-RCNN的變電站現場進度識別方法

有效

• 申請號: 202310243753.4
• 申請日: 2023-03-15
• 公開（公告）號: CN115953666B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 陳然;賀蘭菲;周蠡;蔡杰;李智威;許漢平;熊川羽;張趙陽;周英博;孫利平
• 申請（專利權）人: 國網湖北省電力有限公司經濟技術研究院
• 主分類號: G06V10/82
• 分類號: G06V10/82;G06V10/80;G06V10/74;G06V10/764;G06V10/766;G06V10/25;G06V10/26;G06V10/28;G06N3/0464;G06N3/048;G06N3/08;G06Q10/0631;G06Q50/06
• 代理公司: 武漢市首臻知識產權代理有限公司 42229
• 代理人: 馬惠丹

一種基于改進Mask?RCNN的變電站現場進度識別方法，將采集的變電站電力設備和建筑圖像輸入到改進Mask?RCNN網絡模型中，通過CNN網絡中提取圖像特征，然后通過改進EC模塊整合圖像特征得到特征圖，再通過RPN網絡過濾ROI，隨后采用興趣區域對齊層統一特征圖尺寸，再在全連接層中進行二值分類、邊框回歸、Mask掩膜生成二值掩膜圖像并建立二值掩膜圖像的多任務損失函數，得到多任務損失函數的全局最優解后將其與計算得到的權重矩陣代入到圖像處理目標函數中，多次迭代改進Mask?RCNN網絡模型參數直至得到圖像處理目標函數的最優解，對圖像處理目標函數的最優解進行處理分析即可得到最終識別結果。本設計提高現場進度識別結果準確率、精確率同時降低了識別耗時。

技術領域

本發明屬于工程技術領域，具體涉及一種基于改進Mask-RCNN的變電站現場進度識別方法，適用于提高現場進度識別準確率、精確率、召回率的同時降低識別耗時。

背景技術

隨著信息技術的飛速發展，電網基礎建設工程的數字化水平已得到了顯著提升。由于傳統裝配式變電站項目工程進度管理存在延遲嚴重、資源浪費、耗時較長的缺點，因此運用數字化、智能化的手段加強裝配式變電站基建項目工程進度管理，提升裝配式變電站進度計劃管控水平已迫在眉睫。深度學習方法能夠很好地提取圖像中的設備特征并將其融入到模型建立過程中，相比于傳統圖像檢測方法，其具有抗干擾能力強，圖像檢測精度高，誤檢率和不良漏檢率低的優點。因此，為了能夠保質保量的完成裝配式變電站基建重點工程項目的建設，如何將深度學習用于對裝配式變電站基建現場進度的智能化識別，以實現對項目實際進度的及時跟蹤和管控，是一個值得深入研究的課題。

《紅外技術》期刊2021年第43卷230頁起報道了一種基于改進高斯卷積核的變電站設備紅外圖像檢測方法，在CenterNet模型的基礎上針對高斯卷積核進行了改進，提高了變電站設備的定位識別精度；《電網技術》期刊2020年第44卷1148頁起報道了一種單級多幀檢測器智能變電站電力設備圖像目標檢測算法，可以對小樣本電力設備數據集進行最優檢測；《電網技術》期刊2021年第45卷713頁起報道了一種基于深度學習的智能變電站二次設備故障定位研究，建立了基于循環神經網絡的二次設備故障定位模型，采用深度學習方法對樣本集進行訓練，具有處理高維故障特征集和準確檢測故障的能力；《電力建設》期刊2022年第43卷66頁起報道了基于深度學習和知識圖譜的變電站設備故障智能診斷，采用YOLOV4算法對故障樣本進行聚類，結合多模態知識圖譜來實現變電站智能故障診斷；然而，上述文獻主要集中于將深度學習應用于變電站的設備和故障檢測，鮮有考慮利用深度學習對變電站基建項目工程現場進度進行管控的研究。

申請公布號為CN115511808A的發明提供了一種基于卷積神經網絡的水下混凝土質量檢測方法，先獲取混凝土灌注過程中水下混凝土的圖像數據集并分成訓練集、驗證集和測試集，然后構造并訓練改進的Mask?RCNN網絡，實時獲取鉆孔灌注樁灌注過程中水下混凝土圖像，圖像處理后輸入Mask?RCNN網絡進行語義分割，對分割后的圖像進行二值化，最后根據二值化圖像，得到混凝土骨料占比，但是該方法難以解決因裝配式變電站工程建設環境復雜導致電力設備和建筑檢測難度較高，識別準確率和精確率低、召回率低、識別耗時過長的問題。

發明內容

本發明的目的是克服現有技術存在的上述問題，提供一種識別準確率和精確率高的一種基于改進Mask-RCNN的變電站現場進度識別方法。

為實現以上目的，本發明提供了以下技術方案：

一種基于改進Mask-RCNN的變電站現場進度識別方法，所述識別方法依次按照以下步驟進行：

S1、采集不同時序定點區域范圍的裝配式變電站工程現場的設備與建筑圖像，并將其均分為樣本數據集、待檢測數據集；