基于Mask-RCNN迁移学习的红外图像电力设备检测

TM73; 红外图像诊断是电力系统故障诊断的重要方式,但目前仍依靠人工辅助框图来实施图像中目标的检测.为提升检测效率,本文借鉴并改进在目标分割任务中表现优异的Mask-RCNN方法,利用图像自动语义分割识别红外图像中的一个或多个电力设备,并提取设备轮廓.为了缓解标注样本相对不足的问题,研究Mask-RCNN的迁移学习机制,设计并实现了训练数据重要性采样、参数迁移映射等方法,使改进后的方法适应于红外图像电力设备检测任务.在实际采集数据集上的实验表明,改进后的算法能在仅有少量像素级标注样本的条件下,较好地提取出电力设备的轮廓,并进一步识别出设备类别.所提模型和算法为进一步的设备分区和故障区域检测提...

Full description

Saved in:
Bibliographic Details
Published in数据采集与处理 Vol. 36; no. 1; pp. 176 - 183
Main Authors 刘子全, 付慧, 李玉杰, 张国江, 胡成博, 张照辉
Format Journal Article
LanguageChinese
Published 国网江苏省电力有限公司电力科学研究院,南京 211103%国网江苏省电力有限公司,南京 210000 2021
Subjects
电力设备检测
图像分割
迁移学习
卷积神经网络
红外图像
Online AccessGet full text
ISSN1004-9037
DOI10.16337/j.1004-9037.2021.01.017

Cover

More Information
Summary:TM73; 红外图像诊断是电力系统故障诊断的重要方式,但目前仍依靠人工辅助框图来实施图像中目标的检测.为提升检测效率,本文借鉴并改进在目标分割任务中表现优异的Mask-RCNN方法,利用图像自动语义分割识别红外图像中的一个或多个电力设备,并提取设备轮廓.为了缓解标注样本相对不足的问题,研究Mask-RCNN的迁移学习机制,设计并实现了训练数据重要性采样、参数迁移映射等方法,使改进后的方法适应于红外图像电力设备检测任务.在实际采集数据集上的实验表明,改进后的算法能在仅有少量像素级标注样本的条件下,较好地提取出电力设备的轮廓,并进一步识别出设备类别.所提模型和算法为进一步的设备分区和故障区域检测提供了精确有效的预处理手段.
ISSN:1004-9037
DOI:10.16337/j.1004-9037.2021.01.017