[发明专利]基于深度学习的电力变压器呼吸器目标缺陷检测方法

权利要求书

1.一种基于深度学习的变压器呼吸器目标缺陷检测方法，其特征在于，包括：

(1)基于预先设定的缺陷标定规则对采集的图片进行标定和存储，构建变压器呼吸器缺陷的标识数据集；

(2)构建变压器呼吸器目标缺陷检测模型，所述缺陷检测模型包括基于DenseNet的主干网络模块和与基于CenterNet的检测网络模块，所述主干网络模块与所述检测网络模块连接；

所述主干网络模块用于提取变压器呼吸器的特征图；所述检测网络模块用于根据所述特征图进行缺陷检测；

所述主干网络模块包括密集子模块以及与其相连的卷积层子模块；

所述密集子模块包括四个依次连接的密集单元，前一密集单元的输出作为后一密集单元的输入；每个所述密集单元包括密集块、第一过渡层及第二过渡层；

所述卷积层子模块包括三个依次连接的卷积层；

输入特征图从所述密集子模块输入，后经卷积子模块输出得到变压器呼吸器的特征图；

所述检测网络模块包括高斯半径自适应的高斯滤波器，所述高斯滤波器通过以下步骤进行构建：

将输入的特征图定义为I∈R^W×H×3，其中W为输入图像的宽，H为输入图像的高，R为图像缩放比例，即输入特征图与输出热力图的大小比值；

通过CenterNet在特征图中心点标记标签，记中心点的位置为p∈R²；

将中心点对应到低分辨率图上，得到低分辨率图上对应的中心点坐标其中R为CenterNet输入与输出的比值；

将低分辨率图的中心点坐标通过高斯核函数得到低分辨中心点标签热力图；

根据低分辨中心点标签热力图的尺寸的确定高斯分布的标准差，进而构建高斯滤波器的高斯核；

(3)利用所述标识数据集对所述缺陷检测模型进行训练，通过迭代训练得到优化的目标缺陷检测模型；

(4)将待检测的变压器呼吸器的图片输入所述优化的目标缺陷检测模型进行缺陷检测。

2.根据权利要求1所述的方法，其特征在于，每个所述密集块包括多个密集层，通过多个密集层与第一过渡层、第二过渡层结合进行片段改进，包括：

(11)将输入特征图通过分隔通道拆分成第一基础特征x′₀和第二基础特征x″₀；

(12)将所述第二基础特征与当前密集块中的所有密集层依次进行卷积操作，得到当前密集块的输出[x′₀，x₁,…x_n]，n为当前密集块中的密集层数量；

(13)将当前密集层的输出[x′₀，x₁,…x_n]与所述第一过渡层进行卷积，得到第一过渡层的输出x_T；

(14)将所述第一过渡层的输出x_T与所述第一基础特征x′₀串联后与所述第二过渡层卷积，将得到的第二过渡层的输出x_U作为当前密集单元的改进输出。

3.根据权利要求1所述的方法，其特征在于，所述将低分辨率图的中心点坐标通过高斯核函数得到标签热力图包括：

将所述中心点坐标通过高斯核函数生成为关键中心热力图C表示变压器呼吸器缺陷类别的数目；为中心点的坐标值；Y_xyc＝1是一个检测到目标的预测值，是表示在(x,y)坐标检测到了变压器呼吸器这种c类别缺陷的目标，而Y_xyc＝0表示在当前(x,y)坐标中不存在类别为c的呼吸器缺陷检测目标；

当中心位置对应的Y_xyc＝1时为标签热力图。

4.根据权利要求1所述的方法，其特征在于，所述高斯滤波器的高斯核表示为：

其中，标准差s表示为：

其中，w为低分辨中心点标签热力图的宽；h为低分辨中心点标签热力图的高；o为超参数，表示高斯分布的标准差与w的最小比值。