基于Mask-RCNN 遷移學(xué)習(xí)的紅外圖像電力設(shè)備檢測

劉子全，付 慧，李玉杰，張國江，胡成博，張照輝

（1.國網(wǎng)江蘇省電力有限公司電力科學(xué)研究院，南京211103；2.國網(wǎng)江蘇省電力有限公司，南京210000）

引 言

保持電力設(shè)備安全穩(wěn)定的運(yùn)行是電力系統(tǒng)運(yùn)維的首要任務(wù)。常年運(yùn)行的設(shè)備可能出現(xiàn)各種故障，因此需要定位、檢測和維修。紅外檢測方式無需直接接觸設(shè)備，可在不停電的狀態(tài)下發(fā)現(xiàn)故障類型，在系統(tǒng)運(yùn)維的安全性、可靠性和經(jīng)濟(jì)性等方面具有明顯優(yōu)勢(shì)。當(dāng)前技術(shù)通?；诠收显O(shè)備的溫度會(huì)發(fā)生變化這個(gè)事實(shí)來實(shí)施紅外成像檢測，通過故障狀態(tài)圖像和正常狀態(tài)圖像的對(duì)比來實(shí)施定位和檢測。

目前，紅外圖像中電力設(shè)備的檢測主要以人工診斷的方式來實(shí)施。該方式需要操作人員手工在圖像上畫框進(jìn)行分區(qū)，以定位電力設(shè)備及其重要部件。這種方式效率較低，對(duì)操作人員的專業(yè)知識(shí)及經(jīng)驗(yàn)要求較高，容易出錯(cuò)。隨著人工智能技術(shù)的快速發(fā)展，用智能算法取代人工操作成為可能，這需要首先完成紅外圖像中電力設(shè)備的檢測任務(wù)。

考慮到變電設(shè)備種類眾多，為了完成設(shè)備區(qū)域的檢測，可首先運(yùn)用圖像分割技術(shù)自動(dòng)將紅外圖像分區(qū)，然后采用目標(biāo)特征提取和分類方法對(duì)電力設(shè)備分類和識(shí)別，最后利用各自區(qū)域的溫度數(shù)據(jù)完成故障診斷［1］。

因此，本文研究利用深度學(xué)習(xí)技術(shù)對(duì)紅外圖像中的電力設(shè)備進(jìn)行自動(dòng)語義分割和目標(biāo)檢測，將設(shè)備的輪廓提取出來，便于后續(xù)的區(qū)域定位和識(shí)別。

為了實(shí)現(xiàn)圖像分割、配準(zhǔn)、識(shí)別等處理的自動(dòng)化，很多研究者將計(jì)算機(jī)視覺等機(jī)器學(xué)習(xí)技術(shù)用于處理電力設(shè)備紅外圖像，這些工作在提高檢測效率、降低運(yùn)維成本等方面提供了非常有價(jià)值的思路。

目標(biāo)檢測是計(jì)算機(jī)視覺和模式識(shí)別的重要研究方向，主要是確定圖像中是否有感興趣的目標(biāo)存在，并對(duì)其進(jìn)行探測和精確定位。傳統(tǒng)的目標(biāo)檢測流程采用滑動(dòng)窗口進(jìn)行區(qū)域選擇，然后采用SIFT、HOG 等方法進(jìn)行特征提取，最后采用SVM、Adaboost 進(jìn)行類別判斷。 文獻(xiàn)［2］研究改進(jìn)了變電站設(shè)備紅外圖像的分割方法，首先對(duì)預(yù)處理后的紅外圖像做K-means 聚類，然后采用最大熵法對(duì)聚類后的圖像進(jìn)行分割，在完整地分割實(shí)驗(yàn)數(shù)據(jù)集中目標(biāo)的任務(wù)中取得了較好的效果。文獻(xiàn)［3］考慮到設(shè)備的形狀特征，采用多種不變矩統(tǒng)計(jì)量來提取和表示這種形狀特征，然后采用支持向量機(jī)分類器完成圖像分類，得到了較高的目標(biāo)識(shí)別率。

傳統(tǒng)的目標(biāo)檢測方法面臨的主要問題有：特征提取魯棒性差，不能反映光照變化、背景多樣等情況；區(qū)域選擇沒有針對(duì)性，時(shí)間復(fù)雜度高，窗口冗余。 此外，傳統(tǒng)機(jī)器學(xué)習(xí)方法能處理的目標(biāo)類別數(shù)目通常較少，且性能相對(duì)于近年來出現(xiàn)的深度學(xué)習(xí)技術(shù)有較大差距。因此，本文工作建立在最新的深度學(xué)習(xí)技術(shù)的基礎(chǔ)上。

深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域的人臉識(shí)別、智能駕駛、場景分類等任務(wù)中獲得了非常廣泛且有效的應(yīng)用?；谏疃葘W(xué)習(xí)的目標(biāo)檢測模型有Faster RCNN、Yolo 和Yolo2、SSD 等框架。近年來，電網(wǎng)中大量的傳感以及檢測設(shè)備產(chǎn)生規(guī)模巨大的紅外圖像，為使用深度學(xué)習(xí)構(gòu)建自動(dòng)分類器提供了數(shù)據(jù)基礎(chǔ)。深度學(xué)習(xí)的一些典型網(wǎng)絡(luò)結(jié)構(gòu)，如深度神經(jīng)網(wǎng)絡(luò)（Deep neural network，DNN）、卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural network，CNN）等在電力系統(tǒng)自動(dòng)故障區(qū)域檢測領(lǐng)域也有了新的應(yīng)用［4-5］，并取得了較好的效果。

上述工作集中于電力設(shè)備目標(biāo)檢測方面，即檢測紅外圖像中有何目標(biāo)，并用矩形框?qū)⒛繕?biāo)框出來。在這些工作中，目標(biāo)檢測和識(shí)別是兩個(gè)分離的過程，識(shí)別要依賴于目標(biāo)檢測的結(jié)果［6］。因此，在目標(biāo)檢測階段的誤差會(huì)積累到后續(xù)識(shí)別中，帶來負(fù)面影響。

為了進(jìn)一步提高目標(biāo)檢測的效果，本文考慮實(shí)體分割，即讓算法直接標(biāo)出每個(gè)像素所屬的類別［7］。本文工作將深度學(xué)習(xí)目標(biāo)分割和識(shí)別方面的最新技術(shù)Mask regional convolutional neural network（Mask-RCNN）［8-9］應(yīng)用于紅外圖像的語義分割和目標(biāo)識(shí)別，將二者置于統(tǒng)一的優(yōu)化框架下，整體提高紅外圖像中目標(biāo)檢測和識(shí)別的效果。對(duì)電氣設(shè)備進(jìn)行分割和分類，將為后續(xù)的故障檢測提供有力的依據(jù)。

本文首次將Mask-RCNN 用于紅外圖像電力設(shè)備的目標(biāo)檢測，并針對(duì)該場景做了小樣本條件下的遷移學(xué)習(xí)，在遷移參數(shù)映射、遷移樣本設(shè)計(jì)等方面做了相應(yīng)的改進(jìn)，最終在框出電力設(shè)備目標(biāo)的同時(shí)完成目標(biāo)分類。這為后續(xù)的故障分區(qū)和識(shí)別提供了良好的基礎(chǔ)。

1 基于Mask-RCNN 的目標(biāo)檢測和語義分割

本文擬采用的Mask-RCNN 是一個(gè)靈活通用的目標(biāo)分割和識(shí)別框架。該網(wǎng)絡(luò)不僅可對(duì)圖像中的目標(biāo)區(qū)域進(jìn)行檢測，還可以對(duì)每一個(gè)目標(biāo)給出一個(gè)高質(zhì)量的分割結(jié)果。Mask-RCNN 是在Faster RCNN［10］基礎(chǔ)上的擴(kuò)展，在目標(biāo)區(qū)域框（Bounding box）分支的并列位置添加一個(gè)用于預(yù)測目標(biāo)掩模（Object mask）的新分支，如圖1 所示。

該網(wǎng)絡(luò)主要包括兩個(gè)關(guān)鍵網(wǎng)絡(luò)：藍(lán)色區(qū)域所示的Faster RCNN 和紅色區(qū)域所示的實(shí)體分割網(wǎng)絡(luò)。此外，還有候選區(qū)域投票和對(duì)齊、施加掩模等步驟。最終，所有網(wǎng)絡(luò)和步驟涉及的參數(shù)都通過一個(gè)統(tǒng)一的目標(biāo)函數(shù)來優(yōu)化。

1.1 Faster RCNN 網(wǎng)絡(luò)結(jié)構(gòu)

Faster RCNN 將區(qū)域生成網(wǎng)絡(luò)（Region proposal networks，RPN）和Fast RCNN 整合到一個(gè)端到端的網(wǎng)絡(luò)中，提高了目標(biāo)檢測的速度及精確度。

首先向共享的卷積特征模塊提供輸入圖片。一方面提供RPN 網(wǎng)絡(luò)的特征提取信息，另一方面繼續(xù)向前傳播，生成特征圖供ROI pooling 模型使用。針對(duì)RPN 網(wǎng)絡(luò)的輸入特征圖，通過滑動(dòng)窗口方法生成錨點(diǎn)（Anchors）和相應(yīng)的特性信息，然后生成區(qū)域建議和區(qū)域得分，并對(duì)區(qū)域得分采用非極大值抑制方法得到建議區(qū)域，給ROI 池化層用。將上述兩部得到的特征圖和區(qū)域建議同時(shí)輸入ROI 池化層，提取對(duì)應(yīng)區(qū)域的特征。對(duì)建議區(qū)域的特征信息，輸出分類得分以及回歸后的Bounding box。

1.2 實(shí)體分割網(wǎng)絡(luò)

實(shí)體分割網(wǎng)絡(luò)采用ResNet50/101+FPN 的網(wǎng)絡(luò)結(jié)構(gòu)，其中FPN 為特征金字塔網(wǎng)絡(luò)（Feature pyramid networks）［11］。在ResNet50/101 網(wǎng)絡(luò)中，使用了ResNet 中Stage 2、Stage 3、Stage 4、Stage 5 的特征圖［12］。基于上述4 個(gè)階段的特征圖，可構(gòu)建FPN 結(jié)構(gòu)。在目標(biāo)檢測里面，低層的特征圖信息量比較少，但是特征圖比較大，目標(biāo)位置準(zhǔn)確，所以容易識(shí)別一些小物體；高層特征圖信息量比較豐富，但是目標(biāo)位置比較粗略。

Mask-RCNN 是一種特殊的FPN 網(wǎng)絡(luò)結(jié)構(gòu)，該結(jié)構(gòu)包含一個(gè)自底向上的線路、一個(gè)自頂向下的線路以及對(duì)應(yīng)層的鏈接。兩個(gè)線路中各層生成和上層特征相同大小的特征后與上層特征的對(duì)應(yīng)元素相加，生成新的特征圖。

1.3 候選區(qū)域?qū)R和投票

在卷積特征圖上，用較小尺度的窗口（如3*3）執(zhí)行卷積操作。對(duì)特征圖中的每個(gè)中心點(diǎn)，選取k 個(gè)不同尺度的錨點(diǎn)，然后按照原尺度映射回原圖，生成候選區(qū)域（Region proposals）。借助于特征低維編碼及其卷積操作，分別判斷每個(gè)錨點(diǎn)屬于目標(biāo)的概率以及它所對(duì)應(yīng)物體的坐標(biāo)信息。一般可以采用如下規(guī)則：

（1）假如某ROI 與任一目標(biāo)區(qū)域的IoU 最大，則該錨點(diǎn)判定為有目標(biāo)；

（2）假如某ROI 與任一目標(biāo)區(qū)域的IoU ＞0.5，則判定為有目標(biāo)；

（3）假如某ROI 與任一目標(biāo)區(qū)域的IoU ＜0.5，則判定為無目標(biāo)。其中IoU 為預(yù)測框和真實(shí)框的覆蓋率，其值等于兩個(gè)框所代表區(qū)域的交集除以兩個(gè)區(qū)域的并集。

把原圖的左上角和右下角的候選區(qū)域映射到特征圖上的兩個(gè)對(duì)應(yīng)點(diǎn)，并基于圖像的縮放比例進(jìn)行映射，然后在特征圖中把歸一化的坐標(biāo)映射為特征圖中的坐標(biāo)，就生成了特征圖中對(duì)應(yīng)的ROI 區(qū)域坐標(biāo)。

1.4 施加掩模

Mask-RCNN 通過設(shè)置掩模（Mask）部分的損失函數(shù)，使對(duì)于一個(gè)屬于第k 個(gè)類別的RoI，僅僅與第k個(gè)掩模的輸出做對(duì)比，而不考慮其他的掩模輸出。這種損失函數(shù)的定義對(duì)像素區(qū)域不會(huì)引入類間競爭，從而允許對(duì)每個(gè)類別都在該區(qū)域生成掩模，有利于得到完整的區(qū)域分割。特別是在多個(gè)目標(biāo)有重疊、有些目標(biāo)只觀測到部分區(qū)域的情況下，對(duì)提取多個(gè)完整目標(biāo)區(qū)域更加有利。

Mask-RCNN 能在有效檢測圖片中感興趣目標(biāo)的同時(shí)，生成每個(gè)目標(biāo)高質(zhì)量的分割掩模，從而達(dá)到對(duì)圖像進(jìn)行語義分割的效果。根據(jù)掩模對(duì)應(yīng)的物體類別，同時(shí)完成目標(biāo)的識(shí)別任務(wù)。

1.5 總體代價(jià)函數(shù)

在Mask-RCNN 訓(xùn)練時(shí)，對(duì)每個(gè)采樣RoI 的多任務(wù)損失函數(shù)定義為

式中：Lcls為分類器損失，Lbox為邊框回歸損失，Lmask為掩模分割損失。Lcls和Lbox分支設(shè)置與Faster RCNN 一致；Lmask分支和其他的分類分支一樣，使用全卷積網(wǎng)絡(luò)輸出作為輸入，輸出為以Sigmoid 為激活函數(shù)的k 個(gè)類別的Lmask分支。通過上述目標(biāo)函數(shù)設(shè)置，避免了類間掩模對(duì)同一區(qū)域標(biāo)注的競爭，將分類的任務(wù)交給專業(yè)的Lcls分支。而Lmask對(duì)于每一個(gè)像素使用二值的Sigmoid 交叉熵?fù)p失來度量。

2 樣本缺乏條件下的遷移學(xué)習(xí)

電力設(shè)備紅外圖像中關(guān)于目標(biāo)的標(biāo)注多是人工加框標(biāo)注的數(shù)據(jù)，無法直接滿足Mask-RCNN 的訓(xùn)練需求。由于現(xiàn)有的目標(biāo)實(shí)例分割要求所有訓(xùn)練實(shí)例都必須標(biāo)記有像素級(jí)的分割掩模，使得注釋新類別的成本十分昂貴。因此，本文在上述場景下研究樣本缺乏條件下的遷移學(xué)習(xí)，首先根據(jù)與電力設(shè)備目標(biāo)的相似性，對(duì)預(yù)訓(xùn)練數(shù)據(jù)庫ImageNet 中的圖像樣本進(jìn)行重采樣；再利用重采樣后的數(shù)據(jù)集對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行預(yù)訓(xùn)練；然后制作少量帶有像素級(jí)掩模標(biāo)注的電力設(shè)備圖像；接下來利用這些圖像完成Mask-RCNN 的調(diào)優(yōu)；最后在完成目標(biāo)檢測的同時(shí)實(shí)現(xiàn)目標(biāo)分割。

2.1 基于相似度重采樣的遷移樣本數(shù)據(jù)集構(gòu)建

為了評(píng)估來自ImageNet 源域訓(xùn)練樣本與任務(wù)所在的電力設(shè)備圖像目標(biāo)域樣本的相似性，首先需要建立目標(biāo)相似度的評(píng)估函數(shù)。綜合考慮準(zhǔn)確度和復(fù)雜度，本文采用度量方式為

式中：I1和I2分別表示訓(xùn)練樣本集和目標(biāo)樣本集中的任意兩幅圖像；f（I1）表示從圖像提取的特征矢量，此處用灰度共生矩陣來計(jì)算；兩幅圖像的相似度取為灰度共生矩陣距離的負(fù)指數(shù)次方。

容易看出，式（2）所得數(shù)值介于0 和1 之間，可解釋為訓(xùn)練樣本與目標(biāo)樣本的相似概率。依據(jù)此概率分布對(duì)訓(xùn)練數(shù)據(jù)集抽樣，可得到抽樣后的訓(xùn)練數(shù)據(jù)集。此數(shù)據(jù)集中，相似度較高的樣本有較大概率被多次抽中；相似度較低的樣本出現(xiàn)的頻度則顯著降低。

2.2 借助OpenCV 生成少量掩模標(biāo)注圖像

現(xiàn)有的電力設(shè)備紅外圖像數(shù)據(jù)多為施加了矩形框標(biāo)注的樣本，該類樣本適用于Faster RCNN 網(wǎng)絡(luò)的有監(jiān)督學(xué)習(xí)，從而預(yù)測目標(biāo)矩形框的位置和類別，如圖2（a）所示。然而，Mask-RCNN 還需要預(yù)測矩形框中每個(gè)像素所屬的目標(biāo)類別。為了實(shí)施有監(jiān)督學(xué)習(xí)，相應(yīng)的掩模標(biāo)注信息也需要提供，可用多邊形標(biāo)注出來，如圖2（b）所示。

生成掩模標(biāo)注后，圖像中每個(gè)像素的掩模信息一般用0 或1 表示，其中0 表示該像素不屬于特定目標(biāo)區(qū)域，1表示對(duì)應(yīng)像素屬于特定目標(biāo)區(qū)域。該掩模標(biāo)注可通過OpenCV 的API 生 成。

圖2 邊框標(biāo)注和掩模標(biāo)注的制作Fig.2 Creating labels of bounding box and mask

2.3 遷移參數(shù)映射

Mask-RCNN 非常適合本文的任務(wù)，因?yàn)樗鼘?shí)例分割問題分解為目標(biāo)的邊界框檢測和掩碼預(yù)測兩個(gè)子任務(wù)。這兩個(gè)子任務(wù)共享網(wǎng)絡(luò)的底層部分，而底層部分可由2.1 節(jié)生成的樣本實(shí)施預(yù)訓(xùn)練。預(yù)訓(xùn)練完成后，邊界框網(wǎng)絡(luò)的頂層參數(shù)編碼嵌入到每個(gè)目標(biāo)類別，使該類別的視覺信息轉(zhuǎn)移到掩模網(wǎng)絡(luò)的頂層參數(shù)上，如圖3 所示。

圖3 “底層共享”和“頂層參數(shù)映射”的遷移學(xué)習(xí)示意圖Fig.3 Transfer learning based on“sharing of bottom layers”and“feature mapping of top layers”

由邊界框網(wǎng)絡(luò)到掩模網(wǎng)絡(luò)的參數(shù)編碼嵌入可通過一個(gè)參數(shù)傳遞函數(shù)來實(shí)現(xiàn)，其中的未知參數(shù)可根據(jù)目標(biāo)邊界框和目標(biāo)掩模的成對(duì)數(shù)據(jù)來訓(xùn)練。由于其參數(shù)規(guī)模較小，所需數(shù)據(jù)量較小，從而借助于2.2 節(jié)生成的少量樣本，實(shí)現(xiàn)由邊界框預(yù)測到掩模預(yù)測的遷移。整個(gè)網(wǎng)絡(luò)訓(xùn)練完成后，在推理時(shí)，參數(shù)傳遞函數(shù)用于預(yù)測每個(gè)類別的分割參數(shù)，從而使模型能夠分割所有目標(biāo)的類別，包括在訓(xùn)練時(shí)沒有掩碼標(biāo)注的類別。

3 算法實(shí)例和分析

本節(jié)首先分析針對(duì)電力設(shè)備紅外圖像場景改進(jìn)后的Mask-RCNN 算法的效果，然后討論該算法對(duì)后續(xù)故障區(qū)域檢測效果的貢獻(xiàn)。

3.1 目標(biāo)檢測和語義分割的效果

本文實(shí)驗(yàn)采用了1.1 節(jié)所述的網(wǎng)絡(luò)結(jié)構(gòu)。預(yù)訓(xùn)練在通過2.1 節(jié)所述的相似度重采樣后的ImageNet數(shù)據(jù)集上進(jìn)行，這種相似度實(shí)際上是圖3 重要性采樣中樣本重要程度的一種具體量化，樣本構(gòu)成為ImageNet 的子集，含有100 萬張圖像。如2.2 節(jié)所述，邊框到掩模的映射在少量帶有掩模標(biāo)注的數(shù)據(jù)集上實(shí)施，每個(gè)類別用于遷移學(xué)習(xí)的帶掩膜的樣本數(shù)量為50。測試數(shù)據(jù)集中每個(gè)類別含有100～200 個(gè)圖像樣本，共含有3 000 張測試圖片。

在帶有4 塊Nvidia 1080Ti GPUs 的服務(wù)器上訓(xùn)練，每個(gè)GPU 的批處理圖像數(shù)為2，初始步長取為0.01，動(dòng)量系數(shù)為0.99，經(jīng)過200 k 次迭代可收斂。

網(wǎng)絡(luò)推斷階段，采用的“目標(biāo)候選區(qū)域”的數(shù)量為300，在這些候選區(qū)域上，采用目標(biāo)框網(wǎng)絡(luò)分支來預(yù)測目標(biāo)位置。然后，采用Mask 網(wǎng)絡(luò)分支對(duì)最高得分的100 個(gè)檢測框進(jìn)行處理。值得說明的是，此處與訓(xùn)練階段不同，基于更少、更精確的RoIs，能夠加速推斷效率，提升預(yù)測精度。Mask 網(wǎng)絡(luò)分支對(duì)每個(gè)RoI 預(yù)測K 個(gè)掩模區(qū)域，但這里只使用第k 個(gè)掩模（其中k 是分類網(wǎng)絡(luò)分支預(yù)測的類別標(biāo)簽），得到的浮點(diǎn)型掩模輸出再重新縮放回RoI 的尺寸，并以0.5 為閾值進(jìn)行二值化，最終得到二值分割圖像。

掩模預(yù)測的平均精確度（Average precision）很難在電力設(shè)備紅外數(shù)據(jù)集上進(jìn)行計(jì)算，因?yàn)榇蠖鄶?shù)設(shè)備只包含了目標(biāo)邊界框的標(biāo)注，而缺乏像素級(jí)掩模的標(biāo)注。因此本文對(duì)算法的評(píng)價(jià)將采用直觀顯示的方式，而將平均精確度的評(píng)價(jià)留作后續(xù)工作。Mask-RCNN 的設(shè)備主體檢測效果示例如表1 所示。

根據(jù)領(lǐng)域知識(shí)，可將紅外圖像中的電力設(shè)備按照外形劃分為兩類大的類別：（1）外形規(guī)則的電力設(shè)備包含GIS 套管、中性點(diǎn)套管、中性點(diǎn)避雷器、套管、斷路器、電力電纜、電壓互感器、電流互感器、結(jié)合濾波器、耦合電容器、避雷器、高壓套管等；（2）外形不規(guī)則的電力設(shè)備包括母線、油枕、油管、電抗器主體、電纜、電纜終端、線夾、主體、主變主體、所用變主體。

表1 設(shè)備檢測效果Table 1 Detection results of equipment objects

對(duì)于第一大類的電力設(shè)備檢測算法，采用Mask-RCNN 算法實(shí)現(xiàn)紅外圖像中的電力設(shè)備檢測模塊，目前能夠識(shí)別的電力設(shè)備類型有：GIS 套管、中性點(diǎn)套管、中性點(diǎn)避雷器、套管、斷路器、電力電纜、電壓互感器、電流互感器、結(jié)合濾波器、耦合電容器、避雷器和高壓套管。

這個(gè)可視化的結(jié)果顯示了所提改進(jìn)版的Mask-RCNN 在電力設(shè)備紅外圖像這個(gè)缺乏像素級(jí)標(biāo)注的數(shù)據(jù)集上有較好的表現(xiàn)。該算法具有一定的檢測抽象概念的能力，如圓柱、長條等。該算法對(duì)孤立的設(shè)備能進(jìn)行合理的分割，共存組成更復(fù)雜的物體時(shí)，該模型可能會(huì)分割失敗。該算法在辨識(shí)物體的整體和部分時(shí)，具有較好的效果，能把整個(gè)物體形狀預(yù)測出來。綜合來看，借助于遷移學(xué)習(xí)技術(shù)改進(jìn)的Mask-RCNN，在訓(xùn)練樣本缺乏情況下分割出物體形狀，具有很好的潛力。

3.2 所提算法對(duì)后續(xù)故障檢測效果的影響

針對(duì)紅外圖像，在完成拍攝主體檢測任務(wù)的基礎(chǔ)之上，根據(jù)復(fù)雜程度將設(shè)備分區(qū)劃分為分區(qū)規(guī)則簡單和分區(qū)規(guī)則復(fù)雜兩類，分別設(shè)計(jì)紅外分區(qū)算法。針對(duì)待檢測的紅外圖像的算法運(yùn)行如下流程：

（1）使用基于Mask-RCNN 的目標(biāo)檢測算法估計(jì)當(dāng)前圖像拍攝主體設(shè)備的位置；

（2）在設(shè)備檢測框內(nèi)，使用姿態(tài)估計(jì)算法估計(jì)當(dāng)前設(shè)備的所需分區(qū)的中心點(diǎn)；

（3）針對(duì)每個(gè)分區(qū)的中心點(diǎn)，使用回歸算法估算當(dāng)前分區(qū)的分區(qū)框尺寸。

由上述步驟所得的主要類型設(shè)備分區(qū)算法效果統(tǒng)計(jì)如表2 所示。

表2 分類效果對(duì)比圖Table 2 Comparison on the classification performance

4 結(jié)束語

本文介紹了電力行業(yè)紅外圖像診斷的現(xiàn)狀以及傳統(tǒng)的圖像診斷方法，分析了傳統(tǒng)方法效率不高的癥結(jié)所在。提出了一種利用圖像自動(dòng)分區(qū)技術(shù)輔助紅外圖像診斷的方法，方法由Mask-RCNN 算法構(gòu)成，經(jīng)過測試方法可有效提高紅外圖像診斷的效率，一定程度上擺脫對(duì)人工配準(zhǔn)和分區(qū)的依賴。

目前，將深度學(xué)習(xí)應(yīng)用于電力等傳統(tǒng)工業(yè)領(lǐng)域仍有許多問題需要解決。本文工作對(duì)計(jì)算機(jī)視覺領(lǐng)域的最新技術(shù)揚(yáng)長避短，初步提高了電力設(shè)備紅外圖像的智能化診斷水平。此外，不同場景下數(shù)據(jù)分布之間的差異，深度模型的運(yùn)行效率等問題仍需要進(jìn)一步研究。