[发明专利]基于卷积神经网络的变电站设备缺陷检测方法

说明书

本发明涉及深度学习与人工智能技术领域，是一种基于卷积神经网络的变电站设备缺陷检测方法，包括建立变电站设备缺陷数据集，包括训练集和测试集；构建改进FasterRCNN模型，在Faster RCNN网络结构中添加FPN特征金字塔结构，对每个融合后的特征层单独进行预测，且区域提取网络RPN基于改进锚框进行区域提取；使用训练集训练改进Faster‑RCNN模型；使用测试集测试改进Faster RCNN模型的性能，然后将改进Faster RCNN模型用于电力设备外观缺陷检测。本发明对目标检测的准确率显著提高，由此能够对变电站设备缺陷进行快速定位与识别。

技术领域

本发明涉及深度学习与人工智能技术领域，是一种基于卷积神经网络的变电站设备缺陷检测方法。

背景技术

变电站是电网中负责转换电压与分配电能的重要节点,其安全可靠性直接关系到电力系统的安全稳定。考虑到变电站设备的数量规模，以及其开放的露天环境，定期对变电站设备进行常规巡检显得尤为必要。传统人工巡检难以应对变电站机器人、无人机自主巡检产生的海量数据集图片分析工作,变电站设备运维巡检工作面临着工作量激增与人员相对短缺的突出矛盾，迫切需要开展变电站设备的无人智能化运维管控，为变电站运维巡检工作提质增效。

实现变电站智能巡检的一个有效途径，是将现有的视频监控技术和图像识别方法结合起来，实现对变电设备的实时缺陷检测。建立基于图像的电力设备智能巡检模型，并根据工程环境做针对性的算法设计，在推进变电站无人值守的进程中具有极其重要的研究意义。当前的图像处理方法在电力领域应用上存在前沿方法与工程实践融合不足的问题，其原因很大程度上来自于数据集质量和规模的差异。因此，对有限的电力数据集做高效的特征提取就显得尤为重要。目前越来越多的学者在研究中对卷积神经网络进行改进，提出了区域卷积神经网络，其分为产生候选区域、提取特征信息和进行图像分类三个彼此分离的过程，因而检测过程复杂，网络收敛速度较慢。后来又相继提出了快速区域卷积神经网络(Fast-Region based Convolutional Neural Network，Faster-RCNN)和更快速区域卷积神经网络(Faster-Region based Convolutional Neural Network，Faster-RCNN)。其中Faster-RCNN(Faster RCNN)是在精度上表现良好，在人脸检测、车牌识别等领域已有成熟的应用。

发明内容

本发明提供了一种基于卷积神经网络的变电站设备缺陷检测方法，克服了上述现有技术之不足，其能有效解决现有变电站设备缺陷检测工作量大、实时性低的问题。

本发明的技术方案是通过以下措施来实现的：一种基于卷积神经网络的变电站设备缺陷检测方法，包括以下步骤：

S1，采集变电站设备缺陷图像数据，并根据变电站设备缺陷数据类别进行分类统计，建立变电站设备缺陷数据集，包括训练集和测试集；

S2，构建改进Faster RCNN模型，在Faster RCNN网络结构中添加FPN特征金字塔结构，对每个融合后的特征层单独进行预测，且区域提取网络RPN基于改进锚框进行区域提取；

S3，使用训练集训练改进FasterRCNN模型；

S4，使用测试集测试改进Faster RCNN模型的性能，然后将改进Faster RCNN模型用于电力设备外观缺陷检测。

下面是对上述发明技术方案的进一步优化或/和改进：

上述所述步骤S2中，在Faster RCNN网络结构中添加FPN特征金字塔结构，对每个融合后的特征层单独进行预测，具体步骤如下：

A1，骨干网络使用ResNet50结构，对其输出的不同尺度特征层(c2,c3,c4,c5)，做1×1卷积统一到256-d通道数；

A2，依次对高层特征图做2倍上采样，并与邻近层进行特征融合，得到特征层(p2,p3,p4,p5)；