[发明专利]一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法

说明书

本申请公开了一种识别电力设备缺陷的改进Mask R‑CNN图像实例分割方法，包括：构建卷积神经网络；读入电力设备缺陷预处理图片将电力设备缺陷预处理图片输入到卷积神经网络中，卷积神经网络对电力设备缺陷预处理图片进行特征提取，得到含有特征的区域；通过RPN网络对含有特征的区域进行细化，在细化后的区域中，通过双线性差值方法进行RoIAlign操作对细化后的区域进行处理，每个兴趣区域生成固定尺寸的特征图，通过类别、坐标信息，以及掩膜信息，得到电力设备缺陷实例分割。通过对Mask R‑CNN图像实例分割方法进行改进，保留Mask R‑CNN分割的基本效果，提高RoIAlign过程中双线性插值速度，同时使映射过程充分，均匀的利用了电力设备缺陷预处理图片所有像素，使分割效果更加明显。

技术领域

本申请涉及图像目标检测与分割技术领域，尤其涉及一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法。

背景技术

随着电网的迅速发展，电气化也发展的越来越快，为了保证电力设备的正常运行，如果在运行期间关闭电力设备并对其进行相关检查，这是不可行的。同时电力设备的一些隐患和缺陷又往往是潜伏的，因此无法及时发现，更无法及时排除。

当电力设备目标之间出现遮挡现象时，如果简单的采用最近邻插值方法(NearestNeighbor Interpolation)，虽然计算量较少速度快，但空间对称性(Alignment)在一定程度上被破坏，即引入了图像失真。为了更好地提升检测结果，需使用图像语义分割(ImageSemantic Segmentation)，使多目标相互遮挡重叠的部分从图像中分割出来，进行像素级别的图像内容密集分类，遍历图像像素，实现对所有像素的语义信息标记。然而，语义分割仅仅在图像上输出预测的某类结果，并未对类的具体对象即实例进行区分，为达到对图像遮挡电力设备缺陷目标检测的目的，需对类的个体进行区分，即实例分割(InstanceSegmentation)，基于Mask R-CNN网络的图像实例分割成为主流，该网络一方面需进行像素级别的图像密集分类，另一方面还需在预测类别的前提下对不同实例进行区分。由于MaskR-CNN是逐像素分割，因此在采用双线性插值算法时，图像分割精度提高的同时，会导致计算速度降低、分割速度较慢等缺点，因此作为电力设备缺陷检测系统的实用性受限。

发明内容

本申请提供了一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法，以解决现有技术的不足。

本申请提供了一种识别电力设备缺陷的改进Mask R-CNN图像实例分割方法，方法包括以下步骤：

步骤S1：构建卷积神经网络；

步骤S2：读入电力设备缺陷预处理图片，将电力设备缺陷预处理图片输入到卷积神经网络中，卷积神经网络对电力设备缺陷预处理图片进行特征提取，得到含有特征的区域；

步骤S3：通过RPN(Region Proposal Network)网络对含有特征的区域进行细化，实现对增量的回归，得到细化后的区域；

步骤S4：在细化后的区域中，通过双线性差值方法进行RoIAlign操作对细化后的区域进行处理，使每个兴趣区域生成固定尺寸的特征图；

步骤S5：根据每个兴趣区域生成固定尺寸的特征图，通过Faster-RCNN获得的类别、坐标信息，以及全卷积网络获得的掩膜信息，得到电力设备缺陷实例分割。

可选择的，在细化后的区域中，通过双线性差值方法进行RoIAlign操作对细化后的区域进行处理，使每个兴趣区域生成固定尺寸的特征图包括：

步骤S41：在细化后的区域中，对浮点数进行取整，将小数部分进行倍率放大后取整进行运算，运算结果再通过向右移位运算得到真实的小数部分，加上整数部分的运算结果得到最后的插值结果；