[发明专利]一种电力隔离开关及其部件自动识别方法和装置

说明书

本发明涉及一种电力隔离开关及其部件自动识别方法，包括获得隔离开关图像集；对图像进行预处理；将隔离开关图像分为训练集和测试集；将训练集中的隔离开关图像以及该图像的标签输入到隔离开关标注模型中进行训练；将隔离开关标注模型与实际标签信息间的差值进行自动更新；使用测试集测试隔离开关标注模型的标注精度；使用训练好的隔离开关标注模型对电力隔离开关进行自动识别。本发明还设有一种使用上述自动识别方法的自动识别装置，包括图像传感器、存储器、CPU和电源，图像传感器、存储器和电源分别与CPU相连。与现有技术相比，本发明具有识别精度高、速度快等优点。

技术领域

本发明涉及电力隔离开关自动识别领域，尤其是涉及一种电力隔离开关及其部件自动识别方法和装置。

背景技术

随着人工智能、深度学习技术的发展，更多图像智能识别、判断的技术应用到电力领域，部分技术能够提高设备检测、监测频次，细化分析颗粒度，达到加强检测效果的目的，最终能够有效提升设备缺陷发现能力及设备运维能力。

目前，深度学习技术已经成功应用到了电力设备运维领域，例如中国专利CN109446925A中公开了一种基于卷积神经网络的电力设备检测算法，该算法可以有效减少错框漏框的现象，提高准确率。

但是目前在隔离开关设备的图像识别领域还未有一种能够对隔离开关组件进行标注识别的方法，为满足电力运维需要，需要一种能够对隔离开关设备的组件进行标注识别的方法以及装置。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别精度高、速度快的电力隔离开关及其部件自动识别方法和装置。

本发明的目的可以通过以下技术方案来实现：

一种电力隔离开关及其部件自动识别方法，包括：

步骤1：获得经过组件级标注以及设备级标注的隔离开关图像集；

步骤2：对图像进行预处理，获得隔离开关扩展图像集；

步骤3：将隔离开关图像分为训练集和测试集；

步骤4：将训练集中的隔离开关图像以及该图像的标签输入到隔离开关标注模型中进行训练，获得训练图像中的隔离开关预测框、预测设备类型和预测设备组件类型；

步骤5：将隔离开关标注模型与实际标签信息间的差值进行自动更新；

步骤6：使用测试集测试隔离开关标注模型的标注精度，判断标注精度是否达到预设阈值，若是，则执行步骤7，否则，返回步骤继续对标注模型进行训练；

步骤7：使用训练好的隔离开关标注模型对电力隔离开关进行自动识别。

优选地，所述的步骤具体为：

采用LabelImg工具对隔离开关图像进行设备级标注，获得图像中隔离开关的标签，该标签包括隔离开关标注框左上角位置坐标、右下角位置坐标和隔离开关类型，然后对每个识别出的隔离开关的组件进行组件级标注。

更加优选地，所述的组件把包括搭接板、引线、抱箍、螺栓和桩头。

优选地，所述的步骤具体为：

首先将图像的尺寸进行归一化处理，将图像归一化为300×300像素，然后保存将原始图像旋转90°、180°和270°后的图像，形成隔离开关扩展图像集。

优选地，所述的步骤具体为：

使用Bootstrap技术将隔离开关图像集分为训练集和测试集，训练集用于训练隔离开关标注模型，测试集用于测试隔离开关标注模型的精度。

优选地，所述的隔离开关标注模型为基于融合FPN的Faster RCNN的图像标注模型。