基于Efficientdet电力设备智能检测方法与流程

基于efficientdet电力设备智能检测方法
技术领域
1.本发明涉及一种电力设备的位置检测，特别是一种基于efficientdet电力设备智能检测方法。


背景技术：

2.目前电力设备检测的方法，主要是以红外图片为基础，采取目视观测法对拍摄的设备类型人为进行识别，但电力设备种类多，且多种设备间具有相似性，加上红外图片包含多种伪彩色，更增加了人为进行识别的难度；而采用模型网络检测数据的方式，一般是先获取数据，将数据预处理，然后进行训练模型，检测时，将待检测的数据导入到训练后的模型中进行检测，而在模型训练过程中，在anchor框的设定上，一般会提前预设anchor，该操作并不能保证anchor一定能很好的适合工程项目的数据集，如果anchor的尺寸和目标的尺寸差异较大，则会影响模型的检测效果，导致检测准确率降低。而且对于大批量的不同类型的检测数据，为了适用于大量数据的检测，训练的模型体系较大，参数较多，模型的推理运行速度较慢，还容易出错，检测精度不能很好地保证。


技术实现要素：

3.本发明的目的在于，提供一种基于efficientdet电力设备智能检测方法。本发明具有提高检测准确率和加快检测速度的特点。
4.本发明的技术方案：基于efficientdet电力设备智能检测方法，包括以下步骤：
5.s1、使用红外热像仪采集电力设备的信息，获取红外热像图，并从中提取出温度数据，得到二维温度矩阵；
6.s2、将二维温度矩阵进行数据标记和数据预处理，然后随机划分为训练集、验证集和测试集；
7.s3、efficientdet-d6模型训练：导入训练集进行模型训练，使用efficientnet-b6作为基础网络，采用k-means聚类得到的9个anchor框的宽和高代替预设的anchor框宽和高，形成先验框，产生正样本和负样本来提取特征，运用efficientdet-d6目标检测算法将基础网络提取的特征进行融合得到5个检测层，每个检测层最后添加csp结构，以adam作为优化器进行端到端的网络训练，实现检测目标的位置和类别检测，获得电力设备的目标检测模型；
8.s4、将未知电力设备的原始温度数据转化为二维温度矩阵，然后进行数据预处理，输入目标检测模型中，采用efficientnet-b6提取特征，采用efficientdet-d6融合特征，经分类和边框回归后，得到红外热像图中的所有电力设备的位置及类别信息结果，然后筛选出位于红外热像图最中心的电力设备，得到该电力设备的位置及类别信息。
9.前述的基于efficientdet电力设备智能检测方法中，所述步骤s2中的数据标记为对二维温度矩阵的数据进行设备类型和位置的标记，其中位置用检测框标记。
10.前述的基于efficientdet电力设备智能检测方法中，所述步骤s2和s4中的数据预
处理为：
11.a、将二维温度矩阵在深度方向上拼接成三维温度矩阵；
12.b、将三维温度矩阵进行数据归一化处理，并映射到0-255之间，再上下填充转化为三维数组。
13.前述的基于efficientdet电力设备智能检测方法中，所述步骤s3中，k-means聚类的方法为：
14.a、读取所有的训练集，并定义为box；
15.b、随机选择9个box作为初始的anchor框，以box的左上角作为坐标原点，分别计算该box与初始化的9个anchor的iou，并将该box标记为iou最大的anchor类，以此方式遍历计算所有的box与每个anchor的iou；
16.c、计算一个anchor类内所有box的宽和高的平均值，更新anchor的宽和高，直至9个anchor框全部更新；
17.d、循环步骤b和步骤c的操作，直至所有的box所属的anchor类不发生变化，得到9个anchor框的宽和高，形成先验框。
18.前述的基于efficientdet电力设备智能检测方法中，所述步骤s1的二维温度矩阵中每一个元素的数值代表红外热像图中对应像素点的实际温度值。
19.前述的基于efficientdet电力设备智能检测方法中，所述步骤s3中的网络训练为：采用迁移学习的方法，共设置500次迭代，前200次迭代，只训练特征融合部分的权重值，学习率设置为随迭代次数变化的动态学习率，初始值设置为1e-4，batch_size设置为16，200次迭代后，学习率设置降低为1e-5，batch_size设置为4，同样采用动态学习率，对整个网络权重值训练，并引入提前停止策略，当验证集的损失连续10次迭代不减小时停止训练，防止模型的过拟合，每次迭代train_num/batch_size步，其中train_num为训练数据数量。
20.前述的基于efficientdet电力设备智能检测方法中，所述csp结构为深度可分离卷积和深度卷积相结合的结构。
21.前述的基于efficientdet电力设备智能检测方法中，所述步骤s4中，位于红外热像图最中心的电力设备的位置筛选方法为：
22.a、根据红外热像图中的所有电力设备的位置，计算出各电力设备的检测框与红外热像图中心点的欧氏距离dis：其中，(left，top)为电力设备的检测框左上角坐标，(right，bottom)为电力设备的检测框右下角坐标，widthh和heigth是红外热像图的宽和高。
23.b、保留dis最小的检测框，即为红外热像图最中心的电力设备的位置。
24.前述的基于efficientdet电力设备智能检测方法中，所述电力设备包括变电站电力设备、输电设备和配电设备。
25.前述的基于efficientdet电力设备智能检测方法中，所述变电站电力设备包括避雷器、断路器、电流互感器、套管、电压互感器、隔离开关、绝缘子、线夹、变压器、电抗器、穿墙套管、电力电缆、油枕、散热片、放电间隙、软连接、阻波器、末屏、高压熔断器、gis罐体、进线仓、跌落式熔断器和放电线圈；所述输电设备包括接续管、耐张线夹、绝缘子、接地线夹、管母、压接管、并沟线夹、电力电缆、避雷器、金具和电缆终端；所述配电设备包括耐张线夹、
跌落式熔断器、套管、变压器、避雷器、桩头、电力电缆、断路器、隔离开关、线夹、开关箱、电表和电缆终端。
26.与现有技术相比，本发明的有益效果为：
27.本发明根据训练集，在模型训练过程中采用k-means聚类的方式生成符合当下数据集的anchor，能够一定程度的提高检测的效果和准确率；并在特征融合中添加csp结构，用深度可分离卷积和深度卷积代替原有的efficientdet-d6目标检测算法中的标准卷积，在保证模型性能的情况下，可减少模型参数量，加快推理速度。而且本方法适用于多种不同类型的电力设备的检测，电力设备的检测平均精确度和召回率都能达到92％以上，有些电力设备的检测平均精确度和检测召回率甚至能达到100％。
附图说明
28.图1是未知电力设备的检测流程图；
29.图2是csp结构的结构示意图。
具体实施方式
30.下面结合实施例对本发明作进一步的说明，但并不作为对本发明限制的依据。
31.实施例：
32.基于efficientdet电力设备智能检测方法，包括以下步骤：
33.s1、使用红外热像仪采集电力设备的信息，获取红外通用数据文件存储格式图像，即红外热像图，并从中提取出温度数据，得到640x480的二维温度矩阵；二维温度矩阵中每一个元素的数值代表红外热像图中对应像素点的实际温度值。
34.s201、数据标记：
35.将640x480的二维温度矩阵进行设备类型和位置的标记，其中位置用检测框标记。
36.s202、数据预处理：
37.a、将标记后的640x480的二维温度矩阵在深度方向上拼接成三维温度矩阵；
38.b、将三维温度矩阵进行数据归一化处理，并映射到0-255之间，在三维温度矩阵的上下各填充80行0，转化为640x640的三维数组；
39.s203、将三维数组按7:1:2的比例随机划分为训练集、验证集和测试集。
40.s3、efficientdet-d6模型训练：导入训练集进行模型训练，使用efficientnet-b6作为基础网络，采用k-means聚类得到的9个anchor框的宽和高代替预设的anchor框宽和高，形成先验框，产生正样本和负样本来提取特征，运用efficientdet-d6目标检测算法将基础网络提取的特征进行融合得到5个检测层，每个检测层最后添加csp结构，csp结构如图2所示，即将深度可分离卷积和深度卷积替代原来的标准卷积，减少模型参数量，以adam作为优化器进行端到端的网络训练，实现检测目标的位置和类别检测，获得电力设备的目标检测模型；
41.其中，k-means聚类的方法为：
42.a、读取所有的包含训练设备类型和位置信息的训练集，并定义为box；
43.b、随机选择9个box作为初始的anchor框，以box的左上角作为坐标原点，分别计算该box与初始化的9个anchor的iou，并将该box标记为iou最大的anchor类，以此方式遍历计
算所有的box与每个anchor的iou；
44.c、计算一个anchor类内所有box的宽和高的平均值，更新anchor的宽和高，直至9个anchor框全部更新；
45.d、循环步骤b和步骤c的操作，直至所有的box所属的anchor类不发生变化，得到9个anchor框的宽和高。
46.其中，网络训练具体为：采用迁移学习的方法，共设置500次迭代，前200次迭代，只训练特征融合部分的权重值，学习率设置为随迭代次数变化的动态学习率，初始值设置为1e-4，batch_size设置为16，200次迭代后，学习率设置降低为1e-5，batch_size设置为4，同样采用动态学习率，对整个网络权重值训练，并引入提前停止策略，当验证集的损失连续10次迭代不减小时停止训练，防止模型的过拟合，每次迭代train_num/batch_size步，其中train_num为训练数据数量。
47.s4、如图1所示，将未知电力设备的原始温度数据转化为二维温度矩阵，然后进行数据预处理，输入目标检测模型中，采用efficientnet-b6提取特征，采用efficientdet-d6融合特征并添加csp结构，经分类和边框回归后，得到红外热像图中所有电力设备的位置、类别和置信度信息结果，然后筛选出位于红外热像图最中心的电力设备的位置和类别信息，以便判断该设备是否由于温度过高引起故障。
48.其中，筛选方法为：
49.a、根据红外热像图中的所有电力设备的位置，即检测框坐标，计算出各电力设备的检测框与红外热像图中心点的欧氏距离dis：其中，(left，top)为电力设备的检测框左上角坐标，(right，bottom)为电力设备的检测框右下角坐标，widthh和heigth是红外热像图的宽和高。
50.b、保留dis最小的检测框和其对应的设备类型，即为红外热像图最中心的电力设备的位置和类别。
51.将类型、位置和置信度信息以列表的形式保存即为最终的检测结果，以便判断该电力设备是否由于温度过高引起故障。
52.所述电力设备包括变电站电力设备、输电设备和配电设备。
53.所述变电站电力设备包括避雷器、断路器、电流互感器、套管、电压互感器、隔离开关、绝缘子、线夹、变压器、电抗器、穿墙套管、电力电缆、油枕、散热片、放电间隙、软连接、阻波器、末屏、高压熔断器、gis罐体、进线仓、跌落式熔断器和放电线圈；所述输电设备包括接续管、耐张线夹、绝缘子、接地线夹、管母、压接管、并沟线夹、电力电缆、避雷器、金具和电缆终端；所述配电设备包括耐张线夹、跌落式熔断器、套管、变压器、避雷器、桩头、电力电缆、断路器、隔离开关、线夹、开关箱、电表和电缆终端。其中，变电站电力设备选取2000条温度数据，组成训练集。
54.在相同实验环境和网络结构下，每种电力设备选取400个测试数据，在iou＝0.5下每种电力设备的精确率和召回率的检测结果如表1-3所示：
55.表1变电站设备检测结果表
56.变电站设备ap(％)recall(％)变电站设备ap(％)recall(％)避雷器92.893.27放电间隙96.1591.62断路器94.7294.01gis罐体97.2298.59电流互感器97.7295.54进线仓93.02100.00套管95.5196.58跌落式熔断器98.4597.44电压互感器94.7695.1放电线圈91.6793.29软连接100.00100.00末屏99.7198.59隔离开关94.4898.85高压熔断器99.7498.71绝缘子96.2897.24散热片98.7697.30线夹97.8396.99穿墙套管96.0194.46变压器92.2195.74电力电缆94.8391.75阻波器99.6999.09油枕98.3198.79电抗器98.2497.26
ꢀꢀꢀ
57.表2输电设备检测结果表
58.输电设备ap(％)recall(％)接续管99.7799.77耐张线夹99.4999.75绝缘子98.7599.75接地线夹98.0299.5管母100.00100.00压接管98.2298.81并沟线夹99.7597.05电力电缆97.1297.12避雷器96.1896.64电缆终端99.7799.32金具99.1299.12
59.表3配网设备检测结果表
60.[0061][0062]
由此可知，采用本发明的检测方法，适用于多种不同类别的电力设备，且测定的结果精确度高，召回率高。