[发明专利]基于级联检测模型的变电站设备缺陷识别方法

说明书

本发明公开了一种基于级联检测模型的变电站设备缺陷识别方法，涉及人工智能领域及变电站设备类缺陷检测领域，包括：样本库采集与构建，获取多个变电站中巡检机器人、无人机、高清摄像头拍摄的变电站设备及缺陷图像；对获取的训练集进行图像增强及扩充方法；变电站重点设备识别模型构建；设备先验的变电站缺陷识别模型构建；联合巡检视频或图像实时推理；逻辑性后处理策略。本发明的方法可以挖掘变电站重点设备与缺陷之间的关系，有效地提升识别效果，尤其针对小目标缺陷样本识别，具有抗干扰能力强、模型泛化能力好、鲁棒性高等优点，能够应用于基于巡检机器人、无人机及高清摄像头的在线智能巡检系统。

技术领域

本发明涉及人工智能领域及变电站设备类缺陷检测领域，尤其涉及一种基于级联检测模型的变电站设备缺陷识别方法。

背景技术

变电站作为连接主干网和配电网的关键节点，其安全性直接关系到整个电力系统的稳定运行。为实现对变电设备状态的感知与管控，变电站的安全巡检一直是电网公司重点工作内容。随着技术发展，巡检方式已经由传统人工巡检逐步转向为依托巡检机器人、无人机及高清摄像头的自动巡检方式，利用上述设备获取设备图像，并给予单帧图像处理算法完成设备异常移位、缺陷识别、人员作业管控等工作。

目前，变电站常用的设备缺陷识别方法主要有快速霍夫变换、模板匹配、YoloV3、Faster RCNN、Mask RCNN、超分辨重构等。其中，快速霍夫变换、模板匹配等传统图像处理方法精度不高、泛化性能较差、不适用于变电站复杂变化的场景；YoloV3算法推理速度较快，算法部署简单，但是精度不高，存在漏检误检的情况；Faster RCNN算法精度较高，但是训练过程复杂，耗时长，并且原始的Faster RCNN没有特征融合模块，对于变电站常见的小尺寸目标识别准确率不高；Mask RCNN算法主要任务是语义分割，算法实施较复杂，对样本标注要求高、难度大，不适用于变电站现场实时应用；超分辨率重构是一种图像预处理技术，主要是通过生成对抗神经网络，提升小目标的清晰度进而提升识别准确率，但是该方法没有增加小尺寸目标的数量，因此数据集扔存在样本不平衡的问题，而且变电站场景复杂，拍摄的图像不仅有模糊的问题，还有光照、天气、环境等因素的影响，而超分辨率重构不适用于所有的情况。

综上所述，变电站缺陷识别方法基本采用的是单个目标检测模型来识别缺陷，目前的方法可识别的类别不多，识别准确率较低，尤其需要解决小目标识别问题。

发明内容

发明目的：为了解决背景技术中的问题，本发明提出了一种基于级联检测模型的变电站缺陷识别方法，提供一种级联检测模型的方法来提高设备缺陷异常的识别准确率，同时提供一种基于上下文的信息的数据增强算法，增加中、小尺寸样本的数量，减少数据集长尾效应对模型的影响。

技术方案：本发明空开了一种基于级联检测模型的变电站缺陷识别方法，具体包括以下步骤：

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/视频数据；对这些图片中包含的重点设备和设备缺陷进行标注，生成符合Pascal VOC格式标准的xml标签文件；按照对应比例将设备样本和缺陷样本均划分为训练集和测试集，具体实施中，所述的划分比例为0.8训练集，0.2测试集；

步骤2：数据扩充及预处理：数据扩充主要解决训练集类别分布不平衡造成的长尾效应，包括基于上下文信息的小目标数据扩充等方法；数据预处理包括马赛克、裁剪、旋转、亮度调整、对比度调整等数据增强方法；其中，小目标为目标框的长宽未占到原图的10％，数据扩充目的是增加数据集中样本数量，尤其是小样本数量，这样可以减小数据集长尾效应对模型训练的影响。

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；