[发明专利]锈斑识别方法及装置

说明书

本发明公开了一种锈斑识别方法及装置。该方法包括：获取目标图像；将所述目标图像进行预处理，生成上采样图片与下采样图片；将所述上采样图片与所述下采样图片输入锈斑识别模型中，获取特征图；对所述特征图进行细粒度特征识别，确定识别结果；以及根据所述识别结果确定所述目标图像中是否存在锈斑；其中，所述锈斑识别模型通过具有ResNet50网络结构的卷积神经网络模型训练获得。本公开涉及的锈斑识别方法及装置，能够准确、快捷地判断设备上的锈斑，保证配电网系统安全运转。

技术领域

本公开涉及计算机信息处理领域，具体而言，涉及一种锈斑识别方法及装置。

背景技术

配电柜分动力配电柜和照明配电柜、计量柜，是配电系统的末级设备。配电柜是电动机控制中心的统称,配电柜使用在负荷比较分散、回路较少的场合；电动机控制中心用于负荷集中、回路较多的场合。它们把上一级配电设备某一电路的电能分配给就近的负荷。配电柜设备应对负荷提供保护、监视和控制。由于配电柜需要在不同的工作环境下工作，而且配电柜是金属材质的，很容易生成锈斑。配电柜锈蚀导致的后果小的影响就是接触不良，不能有效接通，虚接，发热，出现缺相或者信号失效现象。最坏的可能就是会导致短路，引起跳闸，严重的甚至会导致火灾、爆掉部分电气控制设备。

针对这一问题，为了更准确、快捷地判断电表、配电柜等设备的锈蚀情况，需要一种新的锈斑识别方法及装置。

发明内容

有鉴于此，本公开提供一种锈斑识别方法及装置，能够准确、快捷地判断设备上的锈斑，保证配电网系统安全运转。

根据本公开的一方面，提出一种锈斑识别方法，该方法包括：获取目标图像；将所述目标图像进行预处理，生成上采样图片与下采样图片；将所述上采样图片与所述下采样图片输入锈斑识别模型中，获取特征图；对所述特征图进行细粒度特征识别，确定识别结果；以及根据所述识别结果确定所述目标图像中是否存在锈斑；其中，所述锈斑识别模型通过具有ResNet50网络结构的卷积神经网络模型训练获得。

在本公开的一种示例性实施例中，还包括：将目标图像的上采样图片与下采样图片输入具有ResNet50网络结构的卷积神经网络模型中，获取目标特征图；基于ResNet50网络结构中的原始包围盒与目标检测特殊层剔除目标特征图中的低分辨率特征，生成筛选特征数据；对所述目标特征图进行细粒度特征识别，生成细粒度特征数据；将所述细粒度特征数据与所述筛选特征数据进行叠加处理与聚合处理，生成训练特征数据；以及基于所述训练特征数据对原始包围盒的参数进行回归计算以确定所述锈斑识别模型。

在本公开的一种示例性实施例中，获取目标图像包括：确定待检测设备的设备标识；以及基于所述设备标识获取所述目标图像、所述待检测设备的环境信息。

在本公开的一种示例性实施例中，还包括：在确定所述目标图像中存在锈斑时，间隔预定时间获取所述目标图像的多个更新图像及其对应的环境信息；以及基于所述多个更新图像及其对应的环境信息进行锈斑环境分析。

在本公开的一种示例性实施例中，将所述目标图像进行预处理，生成上采样图片与下采样图片包括：将所述目标图像进行图像处理生成指定尺寸的目标图像；构建图像金字塔；以及基于所述图像金字塔分别通过上采样处理与下采样处理生成所述上采样图片与所述下采样图片。

在本公开的一种示例性实施例中，将所述上采样图片与所述下采样图片输入锈斑识别模型中，获取特征图包括：将所述上采样图片与所述下采样图片输入锈斑识别模型中，获取初始特征图；对所述初始特征图中的每一个像素，生成多个预定参数的原始包围盒；以及基于所述多个预定参数的原始包围盒与所述初始特征图生成所述特征图。

在本公开的一种示例性实施例中，基于所述多个预定参数的原始包围盒与所述初始特征图生成所述特征图包括：基于所述多个预定参数的原始包围盒与目标检测特殊层剔除低分辨率特征，生成筛选特征数据；将所述筛选特征数据与所述初始特征进行叠加处理与聚合处理生成所述特征图。