[发明专利]一种高精度的红外图像异常检测方法及系统

权利要求书

1.一种高精度的红外图像异常检测方法，其特征在于，包括如下步骤：

S1、采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；

S2、构建网络模型，利用所述数据集对SSD基础模型进行训练，得到电力设备检测神经网络模型；

S3、利用所述电力设备检测神经网络模型进行待测图像检测。

2.如权利要求1所述的红外图像异常检测方法，其特征在于，步骤S1的样本收集方法包括：

S11、采集电力设备在不同时段、不同地域、不同季节、不同天气、不同气温等情况下的红热异常与故障设备的图像样本；

S12、利用图像风格转换器将图像样本转换为不同域的图像，实现图像风格的迁移，扩充图像样本；

S13、每幅图像样本均对不同的采集时段、地域、季节、天气以及气温等环境因素和不同的红热异常区域、故障设备图像标注不同标签；

S14、将标注好的图像样本，进行批量去噪、立体匹配预处理，和进行旋转、镜像、下采样、模糊或增强处理中的一种或多种处理，增加训练的复杂性，提高训练效果，并对图像样本进行统一裁剪；

S15、将裁剪后的红外异常发热图像作为制作数据集的材料，制作voc2007标准化数据集。

3.如权利要求2所述红外图像异常检测方法，其特征在于，步骤S2的构建模型网络方法包括：

S21、加载数据集，并对所述数据集进行转换数据格式，得到训练文件；

S22、构建SSD基础模型，利用所述训练文件对所述SSD基础模型进行训练；

S23、训练中的优化器采用RMSprop优化器，得到电力设备检测神经网络模型；

S24、对所述电力设备检测神经网络模型进行评估并根据训练评估指标分析计算得到指标值。

4.如权利要求3所述的红外图像异常检测方法，其特征在于，步骤S24的神经网络模型评估方法包括：

以全类平均精度mAP为评估指标，当mAP值小于50％时，调整MobileNets基础网络参数重新训练；当mAP值大于50％时，保存电力设备检测神经网络模型。

5.如权利要求3所述的红外图像异常检测方法，其特征在于，步骤S3具体包括以下步骤：

S31、将待测图像输入到所述电力设备检测神经网络模型中；

S32、所述电力设备检测神经网络模型随机选取所述待测图像的多个区域；

S33、利用SSD算法对每个所述区域打分；

S34、设定一个相似度阈值，将每个所述区域得分值与相似度阈值做对比，将得分值高于相似度阈值的区域判定为正例，并对该区域进行标注；

将得分值低于相似度阈值的区域判定为负例；

S35、直至所述待测图像上所有被判定为正例的区域标注完成；

S36、将所述被判定为正例的区域提取出来，并通过二值图表示；

S37、寻找所述二值图中的所有轮廓，对二值图进行非极大值抑制，得到最终二值图作为检测结果。

6.一种高精度的红外图像异常检测系统，其特征在于，所述红外图像异常检测系统包括：

数据集模块，其用于采集若干数目的电力设备红外异常发热图像样本，对图像样本进行扩充，构建数据集；

数据格式转换模块，其用于将数据集转换为xml格式，获得训练文件；

模型构建模块，其用于构建SSD基础模型；

模型训练模块，其用于加载数据集并对SSD基础模型进行训练，以得到电力设备检测神经网络模型；

检测分析模块，其通过所述电力设备检测神经网络模型进行待测图像检测。