一种基于语义分割的均压环变形破损的检测方法与流程

本发明涉及语义分割检测，具体为一种基于语义分割的均压环变形破损的检测方法。

背景技术：

1、均压环是一种能够改善高压电力设备电压分布的环状金属装置，主要作用是让电压更加均匀的分布，保证在环形结构不同的部位间没有电位差，避免因为局部高电压造成击穿，损坏设备，因此均压环对保障电力系统平稳运行具有重要作用。均压环在投入实际运行后，均压环受到各种环境因素影响，会导致破损失去其功能，需要及时更换，而目前现场针对均压环比较缺乏有效的检测方法，需要使用人力去检测均压环是否破损变形，难免会有疏忽和遗漏，且准确性也难以保证。

2、已有的基于图像分析的方法大多使用目标检测算法，通过训练目标检测神经网络，直接检测破损变形的均压环；由于均压环变形破损属于严重事故，可供训练真实的均压环变形样本较少，并且均压环所处环境复杂，直接训练目标检测的神经网络难度较大，误报率很高；如专利“均压环缺陷检测方法、装置、计算机设备和存储介质”专利号cn117611538a，其主要步骤为：1、获取待检测区域图像；2、使用目标检测算法检测图像终点绝缘子；3、若检测到绝缘子，则对绝缘子附近区域使用目标检测算法检测存在缺陷的均压环；其缺点有，先检测绝缘子，再检测绝缘子附近有缺陷的均压环，目的是减少误检，认为均压环只会出现在绝缘子附近；但这种做法浪费了先进神经网络算法能提权全局信息的能力，只训练对均压环的目标检测网络，网络就能学习到均压环与绝缘子的联系，第一步并非必要；另一方面，先检测把绝缘子作为均压环的必要条件，降低了算法的灵活性，对于除了绝缘子外的其他设备上的均压环就不适用了，及时要增加对其识别的功能，也需要在第一步中增加对其他设备的检测，增大算法的复杂度；

3、再如专利“基于航拍图像的均压环缺陷检测方法、装置、介质和设备”；专利号cn111563893b，其步骤为：1、采集均压环缺陷的图像样本并标注，构造训练数据集；2、使用随机噪声增强算法、滤波增强算法和色彩增强算法扩充训练数据集；3、训练一个基于faster rcnn神经网络的检测均压环缺陷检测算法；4、对待检测图像应用训练好的算法，检测均压环缺陷的目标框；其缺点为：使用目标检测神经网络，直接检测变形破损的均压环，检测的目标是一个矩形框，由于电力系统设备较多，该矩形框内常常包含了其他设备器件，矩形框作为一种粗粒度的目标，很容易受到这些设备器件的干扰，导致神经网络学习到错误的特征，降低检测效果；特别是均压环缺陷本身的样本数量通常很少，训练的效果更差；该方案认识到均压环缺陷的样本数量较少，所以提出了一种数据增强方法，对训练数据混合使用随机噪声增强算法、滤波增强算法和色彩增强算法；但是这些都是对图像的整体微调，并没有增加均压环缺陷本身的多样性，效果有限。为此申请人根据均压环检测的难点提出一种基于语义分割的均压环变形破损的检测方法，通过采集摄像头图像，就能准确高效的识别变电站中发生变形破损的均压环。

技术实现思路

1、为解决上述技术问题，本发明提出了一种基于语义分割的均压环变形破损的检测方法，通过采用人工标注和语义分割相结合的方法，通过采集摄像头图像、自动检测，准确高效的识别变电站中各类均压环设备是否发生变形破损，将准确的均压环状态反馈给工作人员，以此来提高变电站运行的可靠性和工作人员的安全性。

2、为实现上述目的，本发明采取的技术方案是：

3、一种基于语义分割的均压环变形破损的检测方法，其特征在于：所述基于语义分割的均压环变形破损的检测方法采用人工标注和语义分割相结合的方法，通过采集摄像头图像、自动检测、准确高效的识别变电站中各类均压环设备是否发生变形破损，将准确的均压环状态反馈给工作人员；包括训练和应用两阶段，具体为：

4、训练阶段步骤为：

5、步骤一、数据采集；采集正常均压环和变形破损均压环的图片；

6、步骤二、标注均压环检测数据；人工标注采集的均压环正常照片和破损照片中的数据点；人工标注图片中正常均压环和变形破损均压环，标注格式为整个均压环的外接矩形框的坐标和该均压环的二分类标签(正常/变形)；

7、步骤三、标注语义分割数据；对进行人工标注后的均压环照片进行人工标注他们的语义分割标签；语义分割标签指的是均压环的掩膜，即一个尺寸与原始图像相同的二值图像，其中的每个像素，值为0的表示该像素不在均压环上，值为1的表示在均压环上，记掩膜为m；

8、步骤四、将标注语义分割标签的图像和掩膜m做矩阵的元素乘积，得到均压环的语义分割子图像，把每个均压环的二分类标签分配给对应的语义分割子图像，构成语义分割数据集；

9、步骤五、构建语义分割神经网络并训练；构建一个语义分割神经网络并将标注均压环检测数据的图像和标注语义分割数据的图像利用随机梯度下降法训练语义分割神经网络；

10、步骤六、构建二分类神经网络并训练；构建一个二分类神经网络并将语义分割数据集内的数据利用随机梯度下降法训练二分类神经网络；

11、应用阶段步骤为：

12、步骤一、利用摄像机采集待识别的均压环图像；

13、步骤二、将采集的待识别的均压环图像进行缩放后输入到训练好的语义分割神经网络中识别，获取语义分割神经网络输出结果；

14、步骤三、就将进行语义分割神经网络处理过的图像输出结果，使用nms和阀值过滤计算获取待识别均压环的包围框；

15、步骤四、根据进行语义分割神经网络处理过的图像输出的语义分割掩膜矩阵，计算获取均压环的语义分割图像；

16、步骤五、根据均压环的语义分割图像，对照取出步骤三中的均压环包围框所在的子图像；

17、步骤六、将步骤五中的子图像输入到训练好的二分类神经网络中，计算分析判定待识别均压环是否损坏变形，并发出对应的信息。

18、进一步的，所述基于语义分割的均压环变形破损的检测方法中训练阶段的语义分割神经网络的特性为：

19、1)是一个包含卷积层、池化层、全连接层的多层神经网络；

20、2)网络输入是n张彩色图像，n大于或等于1，且n张图像的尺寸相同，都为h*w；

21、3)网络包含中间输出，为一个的四维矩阵，m是2的幂次方；该矩阵再经过多个卷积层、池化层、全连接层，最终分别输出前述矩阵维度上按比例对应到输入图片的相应位置的均压环检测结果，包含置信度和包围框坐标，以及尺寸为的均压环分割掩膜。

22、进一步的，所述基于语义分割的均压环变形破损的检测方法训练阶段的随机梯度下降法训练语义分割神经网络为采用随机梯度下降法优化欧几里得损失函数：

23、

24、其中：y是尺寸为的神经网络输出矩阵；

25、是把标注的掩膜缩放到的矩阵。

26、进一步的，所述基于语义分割的均压环变形破损的检测方法训练阶段的二分类神经网络的特性为：

27、1)是一个包含卷积层、池化层、全连接层的多层神经网络；

28、2)网络输入是n张彩色图像，n大于或等于1，且n张图像的尺寸相同；

29、3)网络的输出是n*2的矩阵，表示n张图像分别是正常均压环和均压环变形破损的概率。

30、根据权利要求1所述的一种基于语义分割的均压环变形破损的检测方法，其特征在于：所述基于语义分割的均压环变形破损的检测方法训练阶段采用随机梯度下降法训练二分类分割神经为使用随机梯度下降法优化交叉熵损失函数

31、

32、本技术带来的好处是：

33、1、基于语义分割的均压环变形破损的检测方法通过分析摄像头采集的图片，自动识别出发生变形破损的均压环，减少人工检查的成本；

34、2、基于语义分割的均压环变形破损的检测方法先获取均压环的语义分割图片，再对语义分割的图片进行判断，识别是否变形，排除了图片中其他物体的干扰，只保留均压环本身的图像信息，可以获得更高的识别准确率；

35、3、基于语义分割的均压环变形破损的检测方法解决在模型的训练阶段，均压环变形破损的训练样本通常很少，先分割出均压环的问题，可以更方便的制作人工合成的训练样本，能更精细的合成样本，可以进一步提升识别准确率。