地下电缆隧道内的电缆线路和各种电力设备通信设备的数量在逐渐增多，且电缆隧道的结构因地势等原因比较复杂，这些都使得地下电缆的维护变得越来越困难。由于电缆接头处的工艺水平限制，连接不牢固等问题都可能导致接头处电阻过高，在电缆电流流过时产生的热效应之下会导致电缆接头处发热，严重的会导致电缆的绝缘被破坏致使漏电，甚至会引发火灾。而在非连接处由于电阻值较小一般不会出现热故障，因此对电缆接头的温度监控对于减小电缆故障，延长电缆使用寿命都有重要意义。由于电缆铺设长度较长、内部环境拥挤，目前电缆内部的人工巡检的效率低下，不便于对出现异常的电缆设备作出快速、正确的处理。
问题拆分
首先在电缆隧道巡检系统拍摄的图片的基础上通过扩充样本生成目标数量的训练图片与原图共同作为训练样本，构建Faster R‑CNN网络模型对训练样本进行训练得到目标检测网络，得到接头区域在可见光照片上的位置，并映射到红外图片，并对电缆接头温度进行分析来及时对异常情况作出报警。本发明选择训练Faster R‑CNN目标检测网络参数，用RPN网络提取预选区域训练目标检测网络，充分利用卷积神经网络提取二维图片特征的能力，实现电缆设备温度异常定位与识别，具有较高的准确率，适用性广，具有良好的识别质量和较高的识别速度。
问题解决
本发明的目的在于克服现有技术的不足，提供一种电缆设备温度异常定位与识别方法，基于卷积神经网络和迁移学习，利用图像处理技术完成对电缆设备的在线监测，便于运维人员对出现异常的电缆设备作出快速、正确的处理，实现电缆隧道巡检的智能化、快速化和准确化。
为解决上述技术问题，本发明采用的技术方案是：
提供一种电缆设备温度异常定位与识别方法，其特征在于，包括以下步骤：
S1.通过隧道巡检机器人摄像头拍摄采集包含有目标电缆设备的样本图像；
S2.对步骤S1中样本图像进行扩充处理，生成目标数量的训练图片和原图共同作为训练样本；
S3.构建Faster R-CNN网络模型并导入步骤S2中的训练样本，用已经在ImageNet上预训练后得到的ZFNet网络参数初始化RPN，再用预训练的ZFNet网络参数初始化FasterR-CNN目标检测网络参数，并通过RPN网络提取预选区域训练目标检测网络；
S4.用步骤S3训练后的目标检测网络初始化RPN网络，固定RPN网络的卷积层并进行微调，固定目标检测网络的卷积层并用微调后的RPN网络提取的预选区域对目标检测网络微调，得到包括接头区域位置信息的输出结果；
S5.根据步骤S4得到的接头区域以及隧道巡检机器人的可见光摄像头与红外摄像头的参数可以将接头区域从可见光照片映射到红外照片上；
S6.对步骤S5的红外照片区域做温度zui高值搜索，得到zui高温度值；并根据电缆线芯温度与防爆箱温度的矫正公式矫正得到电缆接头处线芯的zui高温度；
S7.将电缆接头处线芯的zui高温度与电缆接头的巡检标准温度阈值对比判断是否出现异常高温，若是，则决定报警。
本发明的电缆设备温度异常定位与识别方法，首先在电缆隧道巡检系统拍摄的图片的基础上通过扩充样本生成目标数量的训练图片与原图共同作为训练样本，构建FasterR-CNN网络模型对训练样本进行训练得到目标检测网络，得到接头区域在可见光照片上的位置，并映射到红外图片，并对电缆接头温度进行分析来及时对异常情况作出报警。本发明采用了迁移学习的方法，减轻了训练强度，保证较好的定位识别效果，能够实现电缆设备温度异常定位与识别，具有较高的准确率，且适用性广，具有良好的识别质量和较高的识别速度，为电力隧道智能化，无人化值守提供了重要的技术支撑。
优选地，步骤S2中所述的扩充处理按以下步骤进行：
S21.对步骤S1中的样本图像去除背景像素保留前景，生成纯色背景图片；
S22.对步骤S1中的样本图像进行颜色变换、伸缩变化以及旋转变换；
S23.经步骤S22处理的图片放置到步骤S21的背景图片的随机位置，一直添加直至生成目标数量的训练图片，训练图片与原图共同作为训练样本。
优选地，所述颜色变换为在HSV色域中将三个分量随机调至原来的0.8倍～1.2倍；所述伸缩变换为随机伸缩至原来的0.8倍～1.2倍；所述旋转变换为随机旋转-30°～30°。
优选地，步骤S3中所述的Faster R-CNN网络模型由顺次连接的输入层、卷积层、池化层、全连接层以及输出层构建得到。
优选地，步骤S3按以下步骤进行：
S31.以步骤S2中的训练样本为输入层，在卷积层中利用特定的卷积核对图像卷积提取特征值；
S32.将步骤S31中的特征值输出作为输入，在池化层中进行zui大池化运算，缩小卷积层的信息；
S33.经过多层卷积和池化过程后，将池化层的输出作为输入，对每个特征值采用不同的权重进行全连接层的运算，将图像的二维信息转换为一维信息；
S34.根据步骤S33的一维信息的值对训练样本进行分类，分类结果由输出层给出。
优选地，每层卷积层由若干卷积单元组成，每个卷积单元的参数通过反向传播算法zui佳化得到。卷积运算的目的是提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，越高层的卷积层代表越抽象的特征，而要训练识别定位的电缆接头也是由抽象特征组合而成，适用于迁移学习，在减轻训练量的同时保证较好的训练效果。
优选地，步骤S4中所述位置信息包括接头区域左上角顶点的横坐标x、纵坐标y以及接头区域的宽度w、高度h。
与现有技术相比，本发明的有益效果是：
(1)本发明选择了训练Faster R-CNN目标检测网络参数，并用RPN网络提取预选区域训练目标检测网络，充分利用了卷积神经网络提取二维图片特征的能力，弥补了传统方法特征描述不足或难以选择合适特征的缺陷；能够实现电缆设备温度异常定位与识别，具有较高的准确率，并且具有稳定性好，抗干扰能力强，检测速度快等优点，能够应用于隧道内部巡检系统。
(2)本发明通过Faster R-CNN的特征提取框架来描述输入图片与检测目标之间的关系，减少目标的错误检测，避免非极大值抑制的步骤，解决电缆接头处无法肉眼辨别的检测与定位问题。
(3)本发明的方法不受图片中阴影、噪声、光线的影响，具有较高的准确率以及较强的抗干扰能力。
以上内容来源于网络，由“WiFi之家网”整理收藏！
评论