一种基于DBNet的智能变电站内二次回路端子排接线检测方法

技术领域

本发明涉及智能变电站三维建模与智能运检领域技术领域，具体是一种基于DBNet的智能变电站内二次回路端子排接线检测方法。

背景技术

智能变电站三维建模数字化技术，可视为变电站监控遥视系统的一种扩展。通过对实际变电站内的，二次设备及其连接回路进行三维建模，可做到对变电站内所有关键设备的全景化数字图像展示，有助于变电站内保护设备装置的状态评估工作。但由于二次回路的实际设备使用端子排与号码管接线连接，实地情况下的端子排接线判别工作仍具有较高的挑战性。在目前的计算机视觉和模式识别领域，基于深度学习的目标检测和实例分割方法大行其道。目标检测和实例分割在任务要求上存在一定的递进关系。大多数目标检测方法计算出目标的水平包围框，获悉目标的所处位置和整体占据范围。而实例分割可在该基础上更进一步，对该目标检测的包围框内区域进行像素级别的分类，通过大量的计算工作，可得出细化后的目标实际轮廓。而基于深度学习的人工智能技术也逐渐被应用到传统电力系统的设备运维管理场景之中。电力设备铭牌文本识别、输电线路故障缺陷检测、无人机巡检、调度系统指令分析和语音识别以及检修人员操作监控管理等应用落地，极大地提高电网状态感知与监控的智能化水平。基于深度学习的目标检测方法，可按网络预测直接输出结果分成两大类方法：基于回归的目标检测方法和基于分割的目标检测方法。其中，由于变电站二次回路端子排接线往往在有限的屏柜内部空间内发生下垂和弯曲等现象，基于不定形状的分割网络检测方法可获得更为准确的轮廓边界，有利于后续的接线匹配判断工作。针对这种情况，现提出一种基于DBNet的智能变电站内二次回路端子排接线检测方法。

发明内容

本发明的目的在于提供一种基于DBNet的智能变电站内二次回路端子排接线检测方法，能够有效解决上述问题，本发明检测方法实现了实地不规整密集排列工况下的号码管和端子排不定目标形状检测，充分利用重叠面积与位置关系判断二者之间的对应连接关系，有效平衡检测方法的快速性和鲁棒性，实现了变电站二次回路转接情况的快速统计收集。

本发明的目的可以通过以下技术方案实现：

一种基于DBNet的智能变电站内二次回路端子排接线检测方法，所述检测方法包括以下步骤：

S1：对变电站实地拍摄收集的图像数据进行标准化预处理并在保持图像原始比例下放缩图片至短边640像素大小；

S2：使用两个经过训练与模型压缩后的图像分割网络分别提取待检测图像的端子排目标和号码管接线目标的多通道特征图；

S3：两组特征分别通过各自两个训练压缩后的图像区域分类预测卷积神经网络，可得出各自目标的概率图和自适应阈值图；

S4：概率图和自适应阈值图经过求差和近似二值化后得出端子排连通区域和号码管连通区域，求解出各个目标边界轮廓；

S5：端子排和号码管的边界轮廓可用旋转矩形框简化描述，通过重叠面积占比判断号码管连接至端子排结果。

进一步地，所述检测方法使用的两个模型的训练数据集经过数据增强处理，包含图片标准化、随机旋转与水平镜像翻转、随机亮度、对比度变换和随机裁剪，训练集图片统一剪裁至640×640大小。

进一步地，所述检测方法使用两个各自独立的检测模型，模型剪枝前的端子排检测和号码管检测网络结构和通道数量相同，使用实地拍摄图像数据集训练后，利用模型压缩通道剪枝技术，去除网络中冗余的特征图通道，对所得到的压缩过后的模型进行一次相对较短训练周期的权重微调再训练，经过剪枝压缩后的两个模型的网络结构存在一定的差异。

进一步地，所述检测方法使用两个各自独立的检测模型，以端子排区域和号码管接线区域的正类目标的轻量化分割网络为主体结构包括骨干特征提取网络ResNet-18、特征融合金字塔网络FPN、目标分割区域概率图预测网络分支、自适应阈值图预测网络分支。

进一步地，所述检测方法使用的两个检测模型训练损失有多个组成部分，包括分割网络输出的概率图与真实目标区域标签分类交叉熵损失、阈值图和目标边界轮廓标签的L1距离损失、概率图和阈值图做差近似二值化后得到的近似二值图与真实目标区域标签分类交叉熵损失。

进一步地，所述检测方法使用了两种监督性训练标签，两种监督性训练标签包括：概率图监督性学习使用的是原始标注目标多边形边界经过多边形剪裁算法VattiClipping算法收缩过后的包围区域；阈值图监督性学习标签图为原始人工标注的多边形边界同时向外扩张和向内收缩一定补偿量形成的间隔区域。

进一步地，所述检测方法使用的检测网络模型区域预测输出经过近似二值化，对概率图预测网络分支和阈值图预测网络分支得出的结果进行逐元素相减，差值图经过可微的近似二值化激活函数f

进一步地，所述检测方法对端子排和号码管接线区域检测定位并判断号码管接线位置，根据端子排目标二值图和号码管二值图结果提取目标轮廓，并用旋转矩形近似表示；各端子排和号码管实例依据重叠面积与中心坐标进行接线匹配。

本发明的有益效果：

本发明检测方法实现了实地不规整密集排列工况下的号码管和端子排不定目标形状检测，充分利用重叠面积与位置关系判断二者之间的对应连接关系，有效平衡检测方法的快速性和鲁棒性，实现了变电站二次回路转接情况的快速统计收集。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明检测方法整体构架图；

图2是本发明DBNet网络结构示意图；

图3是本发明特征融合网络结构示意图；

图4是本发明区域预测明结构示意图；

图5是本发明边界标注与收缩扩张标签示意图；

图6是本发明二值化函数曲线图；

图7是本发明输出目标图片的概率图；

图8是本发明输出目标图片的阈值图；

图9是本发明输出目标图片的近似二值图；

图10是本发明输出目标图片的检测结果效果图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1至图10所示，一种基于DBNet的智能变电站内二次回路端子排接线检测方法，检测方法包括以下步骤：

检测方法分为前期模型训练压缩阶段和实际推理预测阶段。

一、前期模型训练压缩阶段的具体实施过程如下：

S1：原始图像数据集数据增强：

1)图片标准化：全图像素值按固定标准值和方差归一化。

2)随机旋转与水平镜像：新图像由原图像在[-15°,15°]范围内随机旋转得到，新图像也有0.5的概率发生水平镜像翻转。

3)亮度与随机对比度随机调整：图像的亮度、饱和度和色调均会添加上一最大幅值为0.2的随机变量。

4)随机放缩与裁剪：图像最终在[0.75,2]之间随机选择一个放缩比例进行双插值放缩，并图像上随机截取一大小为640×640的局部图像作为最终训练集图像。

S2：搭建原始网络模型：

构建2个分别以端子排和号码管接线为目标的相同网络结构的分割区域网络，原始网络结构主要包括了轻量化骨干网络ResNet-18、特征融合金字塔网络FPN、概率图预测网络分支、自适应阈值图预测网络分支。

1)骨干网络ResNet-18负责图像初步特征提取，通过残差连接，充分利用了卷积层提取出了的特征信息，生成4个尺度大小依次减半，通道数依次增加的多尺度多通道特征图，之后并使用1×1卷积核将所有尺度特征的通道数目统一。

2)特征融合金字塔主要针对目标可能出现在不同尺度水平上，进一步复用不同尺度上的特征图信息，依次将上一尺度的特征图进行2倍上采样对齐和3×3卷积核卷积操作，最后将融合后的特征图上采样至同一尺寸并拼接得到特征金字塔多通道特征图输出；

其中，conv

3)概率图和阈值图预测分支结构上一致，利用3×3卷积层(包含3×3大小的卷积核，步长为2的卷积层、批归一化层BN、线性整流激活层ReLU)和转置卷积层(包含3×3大小的转置卷积核，步长为2的转置卷积层、批归一化层BN、线性整流激活层ReLU)级联模块对原始图像进行目标区域分割预测，这一步输出后处理阶段所需的概率图P和阈值图T，引入近似阶跃函数f

S3：制作监督性学习训练集真实标签：

训练标签来自于人工标注的端子排和号码管的多边形顶点集合组成的边界标注G＝{S

本发明中对分割网络直接输出的概率图P和阈值图T损失计算，同时对于后处理生成的近似二值图

1)区域标签：由多边形边界G通过多边形剪裁算法Vatti Clipping算法收缩后G

其中，r为收缩因子，一般取经验值0.4。

2)边界阈值标签：原始标注的多边形边界G按照收缩因子取值计算出补偿量D，利用Vatti Clipping算法将原始标注的边界向外扩张和向内收缩相应补偿量D的像素点，记为扩张多边形G

S4：网络模型总体损失：

网络中卷积核系数和归一化层等系数进行损失梯度反向传播以调整整个网络的卷积核和归一化层权重系数和偏差。网络训练总损失主要有包括阈值图损失、概率图损失和二值图损失。

L＝L

其中，L,L

概率图损失L

其中，S

阈值图损失L

其中，R

S5：原始网络模型训练：

采用一张NVIDIA Tesla P4 8G显存显卡进行训练，具体的网络训练参数如下：

使用训练优化求解器(Optimizer)为Adam求解器，权重衰减(Weight Decay)取值1e-4，总训练轮数(Epochs)1500轮，批量大小(Batch Size)为10，学习率策略(LearningRate Strategy)：Warm-up策略(初始学习率5e-4，在前400轮内线性上升至1.2e-3，其后开始线性衰减直至1e-5，训练结束)。

S6：网络模型剪枝：

采用模型剪枝策略压缩模型，将骨干网络和特征融合金字塔网络内的批归一化层BN的每个通道方差视作通道重要性，以网络所有通道方差的平均值的32％作为阈值，剔除重要性低于该阈值的通道，实现网络内冗余通道权重的删除，实现模型压缩。以端子排为目标和以号码管为目标的2个独立网络经过压缩后，网络结构不再一致。

S7：压缩后网络模型权重微调训练：

采用一张NVIDIA Tesla P4 8G显存显卡进行训练，具体的网络训练参数如下：

使用训练优化求解器(Optimizer)为Adam求解器，权重衰减(Weight Decay)取值1e-5，总训练轮数(Epochs)150轮，批量大小(Batch Size)为10，学习率策略(LearningRate Strategy)：指数衰减策略(初始学习率1e-4，指数衰减权重取0.9，训练结束)。

二、后期模型推理预测阶段的具体实施过程如下：

S1：预测图像预处理：

对待检测的端子排图像预处理归一化与图像大小调整，图像宽高之中的短边调整至640像素大小。

S2：网络模型预测推理：

待检测图像由经过通道剪枝和微调再训练的网络模型预测出相应的目标区域分割概率图和阈值图。

S3：阈值图和概率图近似二值化加速：

本发明通过以下的近似阶跃函数f

其中，

S4：目标轮廓提取与扩张：

采用固定阈值0.15将近似二值图进行标准二值化，提取出端子排目标轮廓和号码管轮廓，采用最小包围旋转矩形框简化描述所有的目标边界。

边界框扩张的一般流程如下：

1)概率图或近似二值图采用统一固定阈值完成标准二值化操作，统一阈值一般可取0.15；

2)根据标准二值化结果取得有效连通区域，即收缩区域监督训练下的预测结果采用多边形裁剪Vatti Clipping算法对预测连通区域进行向外扩张，扩张量D′由下式表示

其中，A′,L′分别表示区域的面积和周长；r′为扩张因子，一般取值1.5。

S5：端子排接线判断：

由于一般情况下的号码管接线数量小于端子排，以号码管实例逐一匹配中心距离为2倍长度之内的端子排目标实例边界，按照下式计算出号码管与端子排连接可能性指标，选择指标最高的端子排和号码管组：

其中，S

本发明使用的检测方法在变电站屏柜实地拍摄的图像数据集进行训练和测试。

为了更客观准确体现本发明检测效果，选择精确率(Precision)、召回率(Recall)、F1分数(F1-score)作为评价指标，评估方法核心组成部分、深度卷积分割网络的表现。

表1：压缩前后模型测试结果

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。