[发明专利]基于级联检测模型的变电站设备缺陷识别方法

权利要求书

1.一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于，包括以下步骤：

步骤1：样本库采集与构建：包括获取国内多座变电站包含的重点设备及设备缺陷图片或视频数据；对这些数据进行统一存储和标注，生成xml标签文件；按照4：1比例将设备样本和缺陷样本划分为训练集和测试集；

步骤2：数据扩充及预处理：基于上下文信息的小目标数据扩充方法用于增加数据集中样本数量，所述小目标为目标框的长宽未占到原图的10％；数据预处理包括马赛克、裁剪、旋转、亮度调整、对比度调整的数据增强方法；

步骤3：变电站重点设备识别模型构建：基于一阶检测算法构建变电站重点设备识别模型，对数据集中包含重点设备标注信息的图像进行训练，利用测试集调整重点设备识别模型参数，对比测试结果不断更新优化，最终得到第一级重点设备识别模型；

步骤4：设备先验的变电站缺陷识别模型构建：基于二阶检测算法构建变电站缺陷识别模型，对数据集中包含典型缺陷标注信息的图像进行训练，利用测试集进行变电站缺陷识别模型参数优化，最终得到第二级设备先验的变电站缺陷识别模型；

步骤5：联合巡检视频或图像实时推理：利用步骤三和步骤四得到训练完成后的两级模型，在变电站站端对联合巡检系统采集到的站内图像进行实时分析推理，得到基于级联检测模型输出的预测框；

步骤6：逻辑性后处理策略：包括挖掘设备与缺陷之间以及缺陷与缺陷之间的共生、互斥关系；为每个类别设置各自的置信度阈值；设定预测框宽长比阈值及面积阈值等策略。

2.根据权利要求1所述的一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于：所述步骤1中的图像或视频数据的获取包括在多个变电站中，固定高清摄像头、巡检机器人及无人机以重点设备作为目标物，正对目标物采集获取数据。

3.根据权利要求2所述的一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于：还包括对采集到的图像数据进行标注构成两个训练数据集：

第一数据集：重点设备训练集，仅包含需识别的设备图像；

第二数据集：设备缺陷训练集，第一部分包含设备缺陷的原图，第二部分包含设备先验的缺陷图像，如果缺陷图像中包含设备信息，则按照所述设备图像的标注裁剪出设备样本图像，在裁剪后的图像上再次进行缺陷样本标注。

4.根据权利要求1所述的一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于：所述步骤2中小目标数据扩充方法包括复制任何对象的原始位置，并粘贴到图像中的不同位置；粘贴之前改变复制物体大小和旋转角度，粘贴过程确保新粘贴的对象不会与任何现有对象重叠，并且不超过图像边界。

5.根据权利要求3所述的一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于：所述第一级重点设备识别模型采用YoloV4模型，将所述第一数据集中的图片经过所述步骤2中的数据预处理方法，输入算法模型，通过损失函数优化预测框与类别的精准性，其中，YoloV4模型包括骨干网络Backbone模块，特征融合Neck模块及检测分支Prediction模块。

6.根据权利要求5所述的一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于：所述YoloV4模型将训练的图片统一缩放至608×608尺寸，载入预训练模型初始化神经网络参数，优化器选择为SGD，初始学习率为0.01，动量项为0.949，权重衰减系数为5×10^-4，批训练大小为4，训练总迭代次数为50,000次，其中前1000次迭代用作慢启动，并采用学习率逐渐下降方式进行训练。

7.根据权利要求1所述的一种基于级联检测模型的变电站设备缺陷识别方法，其特征在于：所述第二级设备先验的变电站缺陷识别模型采用二阶检测模型Cascade RCNN，模型的第一阶是候选框生成器，使用SEResNeXt101作为骨干网络，特征金字塔FPN作为特征融合模块，生成特征图，并在这些特征图上利用级联的候选区域网络提取高质量的候选框，其中每一级设定递增的面积交并比阈值；第二阶为检测器，检测器分别采用全连接分支和卷积分支预测结果框的类别和位置。