[发明专利]一种基于YOLO网络模型的变压器部件识别方法

说明书

本发明属于变压器检测技术领域，公开了一种基于YOLO网络模型的变压器部件识别方法，包括采集监测图像并进行去噪、尺寸缩放预处理；对图像中变压器的部件进行标定；在数据集上进行聚类，产生合适的先验框尺度；将标定的图像输入到深度神经网络模型中训练并不断调整参数，使网络模型能自动检测定位变压器主要部件并具有分类能力，识别变压器主要部件是哪一类；利用训练好的模型进行检测定位与状态识别；本发明能实现对变电站监测图像中变压器设备的主要部件进行自动检测识别，具备较高的识别准确率，由于模型使用了细粒度特征结构，也就是将深浅特征进行融合，不同的特征图去适应不同的尺度大小的目标，对小目标检测具有较好的识别效果。

技术领域

本发明属于变压器检测技术领域，更具体地，涉及一种基于YOLO(You Only LookOnce)网络模型的变压器部件识别方法。

背景技术

随着经济的不断发展，用电量激增，电网规模越来越大，电力系统向大容量、超高压、自动化方向转型。变电站中变压器在电力系统中有着广泛的应用，它的安全性在电力传输和分配中具有关键的作用。变压器能否正常的运行直接关系到整个电力系统的稳定与安全。如果变压器发生故障，电力系统的运行状态就会遭受严重的影响，甚至导致整个电力系统的瘫痪，如何提高变压器的安全稳定，确保其正常工作，是电力部门非常关注的问题，因此，变压器的部件检测技术研究具有十分重要的意义。

现有技术中，对电力设备的监测主要是基于在线的可见光与红外图像检测，检测方式是以人工分析为主，这种检测方式会浪费大量的人工成本。基于计算机视觉的变压器检测方式可以降低电力系统的维护成本，还可以提高工作效率。然而传统的图像检测识别方法一般是设置不同大小的滑动窗口，在检测图像上依次做卷积操作，然后通过人工的方式对窗口提取浅层的特征，最后利用训练好的分类器对图像特征进行分类。然而这种浅层的图像特征不具有语义层面的性质，而且这种方法需要在整张图像上进行扫描，滑动窗口花费的时间较长，滑动窗口的大小也直接影响检测效果，需要多次调整滑动窗口参数来寻找最优的检测参数。由于变电站背景相对复杂，而传统的特征提取方法不具备语义表达，这就导致变压器的拍摄角度或者尺度发生变化时，这类传统识别方法无法检测到变压器设备或者识别出重要部件。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于YOLO网络模型的变压器部件识别方法，其目的在于通过多尺度检测解决传统检测方法对小目标检测效果差的问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于YOLO网络模型的变压器部件识别方法，包括如下步骤：

(1)对变压器监测图像进行预处理，由经过预处理的图像组合形成图像库；

(2)标定变压器部件：将变压器部件预先分类，按照分类对图像库的图像做标定；

(3)采用K-means算法聚类迭代，获取候选框宽高，以及得到每个特征图的不同尺度大小的候选框；

(4)将标定信息和图像库中的图像输入到YOLO网络结构中进行训练；训练采用包括坐标误差、交并比(Intersection over Union，IOU)误差和分类误差的均方差作为损失函数；

(5)采用训练好的YOLO网络模型对输入图像进行检测，识别出变压器部件。

优选地，上述变压器部件识别方法，预处理包括做正则化处理，然后使用高斯低通滤波器进行去噪，然后对去噪后的图像进行归一化以及缩放，使图像数据达到统一的尺寸。

优选地，上述变压器部件识别方法，使用标注工具对预处理后的图像进行坐标的标定，并以文件形式保存包括图像的种类及坐标信息的标定结果。

优选地，上述变压器部件识别方法，将文件转换将文件转换为包括类别、横坐标、纵坐标、宽、高的文本类型形如<类别class、坐标点x、坐标点y、宽width、高height>的文本类型，作为训练标签。