[发明专利]一种红外图像电力设备部件实时检测方法、服务器及系统

权利要求书

1.一种红外图像电力设备部件实时检测方法，其特征在于，包括：

步骤(1)：获取包含已知电力设备部件的红外图像构成样本集，其中样本集中每幅红外图像均已标示目标框且均具有部件级标签，目标框是含有单个已知电力设备部件的图像区域；

步骤(2)：构建基于YOLO目标检测框架的电力设备部件检测的神经网络，将利用样本集中的红外图像及其对应的部件级标签输入至已构建的神经网络并对其进行训练；

步骤(3)：采用训练后的电力设备部件检测的神经网络对具有未知部件级标签的待测红外图像进行处理，输出电力设备部件的检测结果；

在步骤(2)的神经网络的训练过程具体包括定位损失函数、分类损失函数以及倾斜角一致性约束损失函数：

L＝L_loc+L_cls+L_ort

其中，L表示各类损失函数之和，L_loc表示定位损失函数，L_cls表示分类损失函数，L_ort表示倾斜角一致性损失函数；

倾斜角一致性约束损失函数表示为：

其中，g表示第g个设备组，图像I一共有G个设备组；表示第i个网格的第j个预测框对应第g个设备组之间关系的指示函数，当第i个网格的第j个预测框是最接近预测框并且属于第g个设备组Ω_g时，为1，否则为0；表示第g个设备组倾斜角的平均值；表示第i个网格中第j个预测框的预测的倾斜角。

2.如权利要求1所述的一种红外图像电力设备部件实时检测方法，其特征在于，在所述步骤(2)对已构建的神经网络进行训练的过程中，通过多尺度特征提取到融合多尺度特征的特征图，在特征图中建立预测框，再通过多任务学习进行处理使得预测框接近于目标框。

3.如权利要求2所述的一种红外图像电力设备部件实时检测方法，其特征在于，在所述步骤(2)对已构建的神经网络进行训练的过程，还包括：

将红外图像分成预设大小的网格，在每一个具有目标框的网格内随机生成若干个预测框，每一个预测框具有框标签；

在具有目标框的每个网格中，找到和目标框之间交叠率最大的预测框作为该网格的实际预测框；

采用带动量SGD算法以实际预测框的框标签为训练对象进行迭代运算训练，使得每个网格内的实际预测框逐渐接近目标框，完成训练。

4.如权利要求1所述的一种红外图像电力设备部件实时检测方法，其特征在于，在所述步骤(3)中采用训练后的电力设备部件检测的神经网络对具有未知部件级标签的待测红外图像进行处理的过程包括：

在电力设备部件检测神经网络的输出端得到未知待测图像划分成预设大小的网格以及各个网格获得各自的预测框的结果；

对所有的预测框进行非极大值抑制，根据置信度选择预测框作为最终的预测结果。

5.如权利要求4所述的一种红外图像电力设备部件实时检测方法，其特征在于，对所有的预测框进行非极大值抑制，根据置信度选择预测框作为最终的预测结果的过程为：

首先，对于属于同一电力设备部件类别的所有的预测框，若任意两个预测框的交叠率大于非极大值抑制交叠率阈值，则将置信度较小的预测框的置信度设置为0，置信度较大的预测框保留下来；

然后，保留下来的预测框用置信度阈值进行筛选，排除预测框的框标签中置信度小于置信度阈值的预测框，保留预测框的框标签中置信度大于等于置信度阈值的预测框。