基于FasterRCNN算法的配电设备异常发热点红外图片检测方法与流程

技术特征：
1.一种基于faster-rcnn算法的配电设备异常发热点红外图片检测方法，其特征在于：包括以下步骤：步骤1、构建faster rcnn目标损失函数，包括分类损失函数和回归损失函数；步骤2、基于步骤1所构建的faster rcnn目标损失函数构建异常发热点红外图像检测算法，该异常发热点红外图像检测算法fast r-cnn算法模型和区域建议网络rpn两个网络结构部分；步骤3、对步骤2的异常发热点红外图像检测算法中区域建议网络rpn和fast r-cnn网络进行训练，不断优化学习至共享特征，进而红外图片故障点识别与定位的结果。2.根据权利要求1所述的一种基于faster-rcnn算法的配电设备异常发热点红外图片检测方法，其特征在于：所述步骤1的具体方法为：构建faster rcnn目标损失函数公式如下所示：其中，目标损失函数包括分类损失和回归损失两个部分；在损失函数中,下标i为1个最小训练步长(mini-batch)中某个参考窗口(anchor)；p
i
为该第i个参考窗口为检测目标的概率，当参考窗口为负样本时当参考窗口为正样本时由此可知，回归损失项仅会在参考窗口为正样本情况下才会被激活；t
i
＝{t
x
,t
y
,t
w
,t
h
}为向量，表示该预测的包围框的x坐标、y坐标、宽度w、高度h这4项参数化坐标，是与正样本参考窗口的标注框的坐标向量；λ参数用来权衡分类损失l
cls
和回归损失l
reg
，默认值λ＝10；n
cls
和n
reg
分别用来标准化分类损失项l
cls
和回归损失项l
reg
，默认用最小训练步长值为256设置n
cls
，用参考窗口位置数值至2400的范围区间初始化n
reg
；其中，所述步骤1中的分类损失函数和回归损失函数如下所示：为分类损失函数，表示为:l
reg
为回归损失函数，表示为，其中，r函数的定义如下所示，p
i
为该第i个参考窗口为检测目标的概率，当参考窗口为负样本时为该第i个参考窗口为检测目标的概率，当参考窗口为负样本时当参考窗口为正样本时由此可知，回归损失项仅会在参考窗口为正样本情况下才会被激活；t
i
＝{t
x
,t
y
,t
w
,t
h
}为向量，表示该预测的包围框的x坐标、y坐标、宽度w、高度h这4项参数化坐标，是与正样本参考窗口的标注框(ground truth bounding box)的坐标向量；l
cls
为分类损失和l
reg
为回归损失。3.根据权利要求1所述的一种基于faster-rcnn算法的配电设备异常发热点红外图片
检测方法，其特征在于：所述步骤2的具体步骤包括：步骤2.1：向由13层卷集层、13层relu层、4层池化层构成的zf深度卷积网络模型输入任意大小图片；步骤2.2：经过zf网络前向传播至最后共享的卷积特征图，一方面输入至候选区域网络得到位置坐标以及分类得分信息，另一方面在roi池化层与卷积特征图融合，提取对应区域建议的特征；步骤2.3：经过多层全连接层输出该区域的分类得分以及检测检测定位的坐标框，将输出的分类得分及坐标框位置叠加在输入图片上，输出展示输入红外图片故障点识别与定位的结果。4.根据权利要求1所述的一种基于faster-rcnn算法的配电设备异常发热点红外图片检测方法，其特征在于：所述步骤3的具体步骤如下：步骤3.1：区域建议网络rpn预训练：采用异常发热红外图片样本集使得rpn网络被zf网络进行有监督预训练，具体通过反向传播和随机梯度下降进行端到端训练；依照fast r-cnn中的“image-centric”采样略训练这个网络；每个最小步长由包含了许多正负样本的单个图像组成；同时采用标准差0.01均值为0的高斯分布对新增的层随机初始化；步骤3.2：fast r-cnn网络预训练：采用异常发热红外图片样本集进行zf模型的卷积神经网络的有监督预训练，利用其训练结束时生成的网络参数作为联合训练的初始化参数；步骤3.3：rpn网络微调训练:rpn网络微调训练的正样本来源于与人工标记框；与算法生成锚备选框；重合度大于70％的数据样本，负样本来源于小于30％重合度的算法生成备选框；正样本仅表示前景，负样本仅表示背景；回归操作仅针对正样本进行；训练时弃用所有超出图像边界的算法生成备选框；对去掉超出边界后的算法生成的备选框集采用非极大值抑制；固定共享卷积层，即设置其学习速率为零，不进行参数更新，仅微调rpn网络独有层的网络参数，实现共享卷积；步骤3.4：fast r-cnn网络微调训练：fast r-cnn网络微调训练的正样本来源于人工标记框与算法生成备选框重合度大于阈值区域建议的数据样本，负样本来源于人工标记框与算法生成备选框重合度小于阈值区域建议的数据样本，仅微调fast r-cnn独有的层，至此形成共享卷积模型的统一网络。

技术总结
本发明涉及一种基于Faster-RCNN算法的配电设备异常发热点红外图片检测方法，包括以下步骤：步骤1、构建FasterRCNN目标损失函数，包括分类损失函数和回归损失函数；步骤2、基于步骤1所构建的FasterRCNN目标损失函数构建异常发热点红外图像检测算法，该异常发热点红外图像检测算法FastR-CNN算法模型和区域建议网络RPN两个网络结构部分；步骤3、对步骤2的异常发热点红外图像检测算法中区域建议网络RPN和FastR-CNN网络进行训练，不断优化学习至共享特征，进而红外图片故障点识别与定位的结果。本发明能够实现配电设备红外图像异常发热故障点目标识别。障点目标识别。障点目标识别。


技术研发人员：丁一 张磐 滕飞 霍现旭 戚艳 尚学军 吴莉萍 杜明 陈沛 孙峤 王明磊 安新成 傅文进
受保护的技术使用者：国网天津市电力公司 国家电网有限公司
技术研发日：2021.11.18
技术公布日：2022/3/21