[发明专利]基于深度学习与红外检测的配电房温度预警方法、系统及介质

权利要求书

1.基于深度学习与红外检测的配电房温度预警方法，其特征在于，包括下述步骤：

根据热成像设备获取热成像图片；

对热成像图片进行图片预处理；

将预处理后的热成像图片输入至红外测温识别模型进行检测；

对红外测温结果进行修正；

根据识别图片的颜色深度，判断温度区间；

输出报警信息。

2.根据权利要求1所述的基于深度学习与红外检测的配电房温度预警方法，其特征在于，所述根据热成像设备获取热成像图片具体为：

设定视频选帧间隔，并将截取的单帧热成像图片转化为模型能够处理的格式。

3.根据权利要求1所述的基于深度学习与红外检测的配电房温度预警方法，其特征在于，所述对热成像图片进行图片预处理具体为：

去除图片中的部分噪声干扰并令训练图片与待预测图片的数据预处理操作一致。

4.根据权利要求1所述的基于深度学习与红外检测的配电房温度预警方法，其特征在于，所述红外测温识别模型为改进SSD检测框架，具体为：

采用卷积神经网络MobileNet替代传统SSD检测框架中的VGG-16网络；

所述MobileNet采用深度可分离卷积替代常规的卷积层，将标准卷积分解成为深度卷积和逐点卷积。

5.根据权利要求1所述的基于深度学习与红外检测的配电房温度预警方法，其特征在于，所述红外测温识别模型将进行训练时采用Batch Normalization层，所述BatchNormalization层在网络模型的部署阶段合并到卷积层中。

6.根据权利要求5所述的基于深度学习与红外检测的配电房温度预警方法，其特征在于，所述Batch Normalization层进行归一化及缩放操作；

所述归一化具体如下式：

其中，μ为均值，σ为方差，ε为一个较小数；

所述缩放具体如下式：

其中，γ为缩放因子，β为偏置，W_new为新的卷积权重，b_old为原偏置，b_new为新的偏置。

7.根据权利要求1所述的基于深度学习与红外检测的配电房温度预警方法，其特征在于，通过BP神经网络对红外测温结果进行温度修正，具体为：

所述BP神经网络输入层的输入为被测目标的红外测温结果和该目标的测量距离，输出为修正过的温度；

所述BP神经网络的隐藏层含有m个节点，输入层含有n个节点，输出层含有o个节点；输出层与隐藏层间神经元的传递函数为线性传递函数。