[发明专利]基于深度学习的变电站设备检测方法及装置

权利要求书

1.基于深度学习的变电站设备检测方法，其特征在于，包括以下步骤：

S1：采集包含变电站设备的物理分合闸位置的多幅图像，对所述图像的设备类别与分合闸位置标注不同标签的目标框，将标注好的所述图像进行统一裁剪、预处理，以制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；

S2：加载训练集与预训练的模型参数到变电站设备检测神经网络模型中，利用基于深度学习的py faster rcnn深度卷积网络进行训练，以获得训练后的所述变电站设备检测神经网络模型；

S3：利用所述验证集对训练后的所述变电站设备检测神经网络模型进行验证，根据验证结果对所述变电站设备检测神经网络模型进行迭代优化，得到最终的所述变电站设备检测神经网络模型；

S4：利用所述测试集对所述变电站设备检测神经网络模型进行测试，得到变电站设备的设备类别和物理分合闸位置识别结果。

2.根据权利要求1所述的基于深度学习的变电站设备检测方法，其特征在于，步骤S2中利用基于深度学习的py faster rcnn深度卷积网络进行训练具体包括：在训练过程中根据训练结果对所述变电站设备检测神经网络模型的参数进行优化，不断改进所述变电站设备检测神经网络模型的结构。

3.根据权利要求2所述的变电站电力设备红外图像异常实时检测方法，其特征在于，步骤S2具体包括：

S21：对所述训练集进行一系列卷积和池化处理，得到一系列特征图；

S22：利用RPN层网络对所述特征图进行识别，从所述特征图中获取目标的预测位置；

S23：ROI Pooling层利用所述预测位置和VGG16最后一层得到的特征图，得到固定大小的目标特征图，以便进行目标分合闸识别和定位；

S24：利用Classifter层对所述目标特征图进行全连接操作，利用softmax进行具体类别的分类，同时，利用L1 loss完成bounding box regression回归操作获得目标的精确位置。

4.根据权利要求3所述的基于深度学习的变电站设备检测方法，其特征在于，S22的具体步骤为：特征图通过RPN层网络，首先生成一系列anchor box，对其进行裁剪过滤后通过softmax判断anchors属于前景或者后景；同时，另一分支bounding box regression修正anchor box，形成目标的预测位置。

5.根据权利要求1所述的基于深度学习的变电站设备检测方法，其特征在于，S3的具体步骤包括：将所述验证集输入到所述变电站设备检测神经网络模型中，在模型的输出端获取该图像对应的特征图，然后对特征图上每个锚点取9个候选ROI并映射回原图像中，并把候选ROI输入到RPN中进行分类和回归，最后在所述变电站设备检测神经网络模型中进行细分和精确预测。

6.应用权利要求1至5任意一项方法的变电站设备检测装置，其特征在于，包括：

数据集制作模块，用于采集包含变电站设备的物理分合闸位置的多幅图像，对所述图像的设备类别与分合闸位置标注不同标签的目标框，将标注好的所述图像进行统一裁剪、预处理，以制作成标准数据集，将所述数据集按比例划分为训练集、验证集和测试集；

模型训练模块，用于加载训练集与预训练的模型参数到变电站设备检测神经网络模型中，利用基于深度学习的py faster rcnn深度卷积网络进行训练，得到训练后的所述变电站设备检测神经网络模型；

验证优化模块，用于利用所述验证集对训练后的所述变电站设备检测神经网络模型进行验证，根据验证结果对所述变电站设备检测神经网络模型进行迭代优化，得到最终的所述变电站设备检测神经网络模型；

测试识别模块，用于利用所述测试集对所述变电站设备检测神经网络模型进行测试，得到变电站设备的设备类别和物理分合闸位置识别结果。