一种电缆终端热状态智能诊断方法及系统

技术领域

本发明涉及电缆监测诊断技术领域，尤其涉及一种电缆终端热状态智能诊断方法及系统。

背景技术

电力电缆具有良好的电气性能与机械性能，同时还具备环境友好等优点，目前被广泛应用于电力系统。电缆终端指用于连接电缆与其他电气设备的装置。受生产制造工艺以及需现场安装等影响，电缆终端成为电缆系统的薄弱环节。电缆终端是否处于正常运行状态，影响电缆系统的稳定性。

理论分析与实际检测结果均表明：存在缺陷的电缆终端温度通常高于正常状态下的电缆终端。因此，测量电缆终端的温度成为诊断其状态的有效手段。目前，红外热成像技术由于具有非接触、直观、不受高压电磁场影响、高效等优点，被广泛应用于电缆巡检的温度测量中。

然而，目前针对电缆系统的红外巡检中，仍主要靠巡检人员人工进行红外图像的分析与所拍摄电缆终端的状态诊断。红外背景下电缆终端的状态诊断尚未实现智能化。

目前，国内针对电缆系统的红外诊断流程包括：巡检人员首先根据巡检周期定期拍摄电缆终端的红外图像；回到班组后将红外热像仪的图像上传，之后根据自身经验判断图像中是否存在异常发热区域；若存在异常发热区域，人为选取该区域作为过热区域，同时选取其他相中与该区域处于相同位置的部分作为参考区域；最后根据过热区域与参考区域的温度信息，基于相应的诊断标准，实现电缆终端的状态诊断。这样的诊断方式一方面由于拍摄的电缆终端红外图像数量巨大，全部依靠人工处理与分析效率较低；另一方面由于过分依赖人工经验，可能造成漏判或者误判。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种电缆终端热状态智能诊断方法及系统。

本发明解决上述技术问题的技术方案如下：一种电缆终端热状态智能诊断方法，包括如下步骤：

S1：标注巡检过程中拍摄的电缆终端的红外图像信息，并构建训练样本；

S2：构建Faster RCNN网络，并采用所述训练样本对所述Faster RCNN网络进行训练；

S3：将待检测的电缆终端的目标红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位，得到目标诊断对象的类别和位置；

S4：根据预设的诊断标准对识别和定位处理后的目标诊断对象进行热状态诊断，得到待检测电缆终端的热状态诊断结果。

本发明的有益效果是：本发明的电缆终端热状态智能诊断方法，通过构建FasterRCNN网络，并通过由采集的电缆终端的红外图像信息构建的训练样本进行训练，并利用训练好的Faster RCNN网络对待检测的电缆终端的目标红外图像信息进行自动识别和定位，完成热诊断，能够有效替代当前红外诊断中人工操作的部分，降低对人工处理与分析的依赖，大大提高了诊断效率，提高了诊断精确度，有效避免了人为诊断带来的偏差。

在上述技术方案的基础上，本发明还可以做如下改进：

进一步：步骤S1中，所述标注巡检过程中拍摄的电缆终端的红外图像信息具体包括：

采集电缆终端的红外图像信息，并在所述红外图像信息中诊断对象所在位置处标注标注框，并输入标注框的名称；

其中，所述诊断对象包含于所述标注框内。

上述进一步方案的有益效果是：通过对采集的电缆终端的红外图像信息进行标注，这样方便后续Faster RCNN网络方便根据标注框作为参考并进行训练，以便训练后的Faster RCNN网络具备电缆终端红外图像中诊断对象的自动识别与定位功能。

进一步：所述步骤S2中，采用所述训练样本对所述Faster RCNN网络进行训练具体包括如下步骤：

S21：初始化所述Faster RCNN网络，将所述训练样本输入所述卷积神经网络CNN，利用卷积神经网络CNN提取所述电缆终端的红外图像信息的一个或多个图像特征，并形成特征图；

S22：利用区域建议网络RPN在所述特征图上自动生成多个包含诊断对象的候选框，根据所述标注框和候选框之间的偏差调整所述候选框的位置和大小，并将调整后的所述候选框映射至所述卷积神经网络CNN的所述特征图上，得到对应的候选特征，并确定诊断对象的位置；

S23：利用感兴趣区域池化层RoI将所述候选特征分成多块区域，并对每块区域进行最大池化处理；

S24：将所述候选特征输入目标检测层，一方面通过分类层计算所述候选特征对应的所述候选框包含诊断对象属于不同类别的概率，以确定诊断对象的类别，另一方面通过回归层再次计算所述候选框的调整参数，以对所述候选框进行二次调整。

上述进一步方案的有益效果是：一方面，通过卷积神经网络CNN提取电缆终端的红外图像信息的图像特征信息并形成特征图，再通过区域建议网络RPN在特征图上自动生成候选框，并调整候选框的位置和大小，可以初步确定诊断对象的位置，另一方面，通过感兴趣区域池化层RoI进行分块池化处理，并通过目标检测层计算候选特征对应的所述候选框包含诊断对象属于不同类别的概率，这样可以准确确定诊断对应的类别，同时回归层再次计算所述候选框的调整参数，以精确确定诊断对象的位置，从而完成Faster RCNN网络的训练。

进一步：步骤S22中，所述根据所述标注框和候选框之间的偏差调整所述候选框的位置和大小具体包括如下步骤：

S221：根据所述标注框和候选框之间的偏差生成用于调整所述候选框的调整参数信息；

S222：根据所述调整参数信息调整所述候选框的位置和大小；

其中，所述调整参数信息包括平移参数和缩放参数。

上述进一步方案的有益效果是：通过所述标注框和候选框之间的偏差生成调整参数信息，这样可以比较精确地调整所述候选框的位置和大小，便于提高整个Faster RCNN网络的定位精度。

进一步：步骤S221中，所述根据所述标注框和候选框之间的偏差生成用于调整所述候选框的调整参数信息具体包括如下步骤：

S2211：所述区域建议网络的分类层利用Softmax分类器计算候选框包含诊断对象的概率，并根据概率高低初步筛选出包含诊断对象的候选框；

S2212：构建所述区域建议网络的损失函数，以损失函数最小为目标，计算所述候选框的调整参数信息；

其中：

式中：i表示第i个候选框；p

其中：

式中：anchor表示区域建议网络生成的候选框；Groundtruth表示标注框；

式中：(A

上述进一步方案的有益效果是：通过构建所述区域建议网络的损失函数，以损失函数最小为目标，来确定用于调整候选框的调整参数，可以使得调整后的候选框与标注框的偏差最小，从而有利于保证调整后的候选框能精确覆盖诊断对象，进而保证训练效果，提高训练后的Faster RCNN网络的定位精度。

进一步：所述根据所述调整参数信息调整所述候选框的位置和大小的具体计算公式为：

其中，(A

上述进一步方案的有益效果是：通过前述步骤确定的平移参数和缩放参数，可以将候选框的位置和大小分别进行精确调整，从而使得调整后的候选框能准确表征诊断对象的位置，从而便于后续准确确定候选特征。

进一步：所述采用所述训练样本对所述Faster RCNN网络进行训练对Faster RCNN网络进行二次训练，具体包括还包括如下步骤：

S25：利用训练好的Faster RCNN网络对区域建议网络RPN进行初始化，并基于初始化后的区域建议网络RPN重复步骤S22，以对区域建议网络RPN进行二次训练；

S26：基于二次训练后的区域建议网络RPN，重复步骤S23和步骤S24，以对目标检测层进行二次训练。

上述进一步方案的有益效果是：通过对所述Faster RCNN网络进行二次训练，可以大大提高其识别和定位精度，有利于提高对电缆终端热状态的智能诊断精度。

进一步：所述将待检测的电缆终端的目标红外图像信息输入训练好的所述FasterRCNN网络进行识别和定位后，还包括如下步骤：

基于所述Faster RCNN网络的识别和定位结果，将包含目标诊断对象的目标候选框外部的像素点的RGB分量分别置零。

上述进一步方案的有益效果是：通过将包含目标诊断对象的目标候选框外部的像素点的RGB分量分别置零，这样可以突出目标诊断对象，同时去除图像中其他干扰信息对后续处理的影响，提高诊断准确度。

进一步：步骤S4中，所述根据预设的诊断标准对识别和定位处理后的目标诊断对象进行热状态诊断具体包括如下步骤：

S41：将识别和定位处理后包含目标诊断对象的目标候选框所在区域进行灰度化处理，得到灰度化图像；

S42：基于灰度化图像，分别提取目标诊断对象的ABC三相最高灰度值I

T

其中，下标*表示A相、B相或C相；T

S43：根据目标诊断对象的ABC三相最高温度T

T

T

δ＝(T

式中，T

S44：根据目标诊断对象的ABC三相最高温度T

上述进一步方案的有益效果是：通过对目标候选框所在区域进行灰度化处理，然后根据诊断对象的ABC三相最高灰度值计算出待检测电缆终端目标诊断对象的温度参数，从而结合预设诊断标准实现热状态的自动精确诊断。

本发明还提供了一种电缆终端热状态智能诊断系统,包括采集标注模块、训练模块、识别定位模块和诊断模块；

所述采集标注模块，用于标注巡检过程中拍摄的电缆终端的红外图像信息，并构建训练样本；

所述训练模块，用于构建Faster RCNN网络，并采用所述训练样本对所述FasterRCNN网络进行训练；

所述识别定位模块，用于将待检测的电缆终端的目标红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位，得到目标诊断对象的类别和位置；

所述诊断模块，用于根据预设的诊断标准对识别和定位处理后的目标诊断对象进行热状态诊断，得到待检测电缆终端的热状态诊断结果。

本发明的电缆终端热状态智能诊断系统，通过构建Faster RCNN网络，并通过由采集的电缆终端的红外图像信息构建的训练样本进行训练，并利用训练好的Faster RCNN网络对待检测的电缆终端的目标红外图像信息进行自动识别和定位，完成热诊断，能够有效替代当前红外诊断中人工操作的部分，降低对人工处理与分析的依赖，大大提高了诊断效率，提高了诊断精确度，有效避免了人为诊断带来的偏差。

附图说明

图1为本发明一实施例的电缆终端热状态智能诊断方法的流程示意图；

图2为本发明一实施例的训练好的Faster RCNN网络识别定位结果示例图；

图3为本发明一实施例的仅保留Faster RCNN网络定位候选框内部图像的效果示意图；

图4为本发明一实施例的电缆终端热状态智能诊断系统的结构框图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

如图1所示，一种电缆终端热状态智能诊断方法,包括如下步骤：

S1：标注巡检过程中拍摄的电缆终端的红外图像信息，并构建训练样本；

S2：构建Faster RCNN网络，并采用所述训练样本对所述Faster RCNN网络进行训练；

S3：将待检测的电缆终端的目标红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位，得到目标诊断对象的类别和位置；

S4：根据预设的诊断标准对识别和定位处理后的目标诊断对象进行热状态诊断，得到待检测电缆终端的热状态诊断结果。

本发明的电缆终端热状态智能诊断方法，通过构建Faster RCNN网络，并通过由采集的电缆终端的红外图像信息构建的训练样本进行训练，并利用训练好的Faster RCNN网络对待检测的电缆终端的红外图像信息进行自动识别和定位，完成热诊断，能够有效替代当前红外诊断中人工操作的部分，降低对人工处理与分析的依赖，大大提高了诊断效率，提高了诊断精确度，有效避免了人为诊断带来的偏差。

在本发明的一个或多个实施例中，步骤S1中，所述标注巡检过程中拍摄的电缆终端的红外图像信息具体包括：

采集电缆终端的红外图像信息，本发明用于实验的红外图像信息均由FLIR红外热像仪拍摄，图像尺寸为480*640。

采集电缆终端的红外图像信息后，在所述红外图像信息中诊断对象所在位置处标注标注框，并输入标注框的名称；

其中，所述诊断对象包含于所述标注框内。

本发明中，在实验过程中利用软件labelImg进行标注，用矩形框框出诊断对象，并输入该标注框对应的名称。具体地，将电缆终端中常发生过热缺陷的位置作为诊断对象，具体位置及人工标注时对应的标签如下：户外终端连接金具-标签“b”、户外终端套管-标签“c”；基于标注内容，每张红外图像信息将形成一份xml文件，该文件包含以下信息：图像名称、标注框的坐标信息(包括左上角和右下角坐标)以及标注框对应的名称。

通过对采集的电缆终端的红外图像信息进行标注，这样方便后续Faster RCNN网络方便根据标注框作为参考并进行训练，以便训练后的Faster RCNN网络具备电缆终端红外图像中诊断对象的自动识别与定位。

在本发明的一个或多个实施例中，步骤S2中，所述采用所述训练样本对所述Faster RCNN网络进行训练具体包括如下步骤：

S21：初始化所述Faster RCNN网络，将所述训练样本输入所述卷积神经网络CNN，利用卷积神经网络CNN提取所述电缆终端的红外图像信息的一个或多个图像特征，并形成特征图；

具体地，下载ImageNet分类任务训练模型，将该模型的参数用于本发明所训练的Faster RCNN模型的初始化，再将训练样本输入所述卷积神经网络CNN，本发明中，卷积神经网络为VGG16型，包括13个卷积层、13个激励层和4个池化层，卷积层的输出如式(1)所示；激励层的输出如式(2)所示：

其中

f(x)＝max(0,x) (2)

其中f(x)表示ReLU激活函数；x表示卷积层输出的特征参数。

S22：利用区域建议网络RPN在所述特征图上自动生成多个包含诊断对象的候选框，根据所述标注框和候选框之间的偏差调整所述候选框的位置和大小，并将调整后的所述候选框映射至所述卷积神经网络CNN的所述特征图上，得到对应的候选特征，并确定诊断对象的位置；

S23：利用感兴趣区域池化层RoI将所述候选特征分成多块区域，并对每块区域进行最大池化处理；

S24：将所述候选特征输入目标检测层，一方面通过分类层计算所述候选特征对应的所述候选框包含诊断对象属于不同类别的概率，以确定诊断对象的类别；另一方面通过回归层再次计算所述候选框的调整参数，以对所述候选框进行二次调整。

一方面，通过卷积神经网络CNN提取电缆终端的红外图像信息的图像特征信息并形成特征图，再通过区域建议网络RPN在特征图上自动生成候选框，并调整候选框的位置和大小，可以初步确定诊断对象的位置，另一方面，通过感兴趣区域池化层RoI进行分块池化处理，并通过目标检测层计算候选特征对应的所述候选框包含诊断对象属于不同类别的概率，这样可以准确确定诊断对应的类别，同时通过回归层再次计算所述候选框的调整参数，以精确确定诊断对象的位置，从而完成Faster RCNN网络的训练。

在本发明的一个或多个实施例中，步骤S22中所述根据所述标注框和候选框之间的偏差调整所述候选框的位置和大小具体包括如下步骤：

S221：根据所述标注框和候选框之间的偏差生成用于调整所述候选框的调整参数信息；

S222：根据所述调整参数信息调整所述候选框的位置和大小；

其中，所述调整参数信息包括平移参数和缩放参数。

通过所述标注框和候选框之间的偏差生成调整参数信息，这样可以比较精确地调整所述候选框的位置和大小，便于提高整个Faster RCNN网络的定位精度。

在本发明的一个或多个实施例中，步骤S221中，所述根据所述标注框和候选框之间的偏差生成用于调整所述候选框的调整参数信息具体包括如下步骤：

S2211：所述区域建议网络的分类层利用Softmax分类器计算候选框包含诊断对象的概率，并根据概率高低初步筛选出包含诊断对象的候选框；

S2212：构建所述区域建议网络的损失函数，以损失函数最小为目标，计算所述候选框的调整参数信息；

其中：

式中：i表示第i个候选框；p

其中：

式中：anchor表示区域建议网络生成的候选框；Groundtruth表示标注框；

式中：(A

通过构建所述区域建议网络的损失函数，以损失函数最小为目标，来确定用于调整候选框的调整参数，可以使得调整后的候选框与标注框的偏差最小，从而有利于保证调整后的候选框能精确覆盖诊断对象，进而保证训练效果，提高训练后的Faster RCNN网络的定位精度。

在本发明的一个或多个实施例中，所述根据所述调整参数信息调整所述候选框的位置和大小的具体计算公式为：

其中，(A

通过前述步骤确定的平移参数和缩放参数，可以将候选框的位置和大小分别进行精确调整，从而使得调整后的候选框能准确表征诊断对象的位置，从而便于后续准确确定候选特征。

在本发明的实施例中，所述步骤S23中，利用感兴趣区域(Regions of Interest,RoI)池化层将输入的候选特征均分成7×7块区域，之后对每块区域做最大池化处理，即保留每块区域的最大值，最终将所有候选特征的尺寸都固定为7×7。

在本发明的实施例中，所述步骤S24中，将候选特征输入目标检测层，该层包括分类层和回归层，一方面通过分类层计算候选特征所对应候选框包含诊断对象属于不同类别的概率，从而基于此实现目标识别；另一方面通过回归层得到候选框的平移参数和缩放参数，从而实现候选框的二次调整。

可选地，在本发明的一个或多个实施例中，所述采用所述训练样本对所述FasterRCNN网络进行训练还包括对Faster RCNN网络进行二次训练，具体包括如下步骤：

S25：利用训练好的Faster RCNN网络对区域建议网络RPN进行初始化，并基于初始化后的区域建议网络RPN重复步骤S22，以对区域建议网络RPN进行二次训练；

S26：基于二次训练后的区域建议网络RPN，重复步骤S23和步骤S24，以对目标检测层进行二次训练。

通过对所述Faster RCNN网络进行二次训练，得到了能够实现电缆终端红外图像信息中诊断对象自动识别与定位的Faster RCNN网络，可以大大提高其识别和定位精度，有利于提高对电缆终端热状态的智能诊断精度。

本发明的实施例中，步骤S3中，将待检测的电缆终端的红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位，得到目标诊断对象的类别和位置，具体包括如下步骤：

S31:将待检测电缆终端的红外图像信息输入训练好的Faster RCNN网络；

S32：利用卷积神经网络CNN提取所述电缆终端的红外图像信息的一个或多个目标图像特征，并形成目标特征图。

S33：利用区域建议网络RPN在所述目标特征图上自动生成多个包含目标诊断对象的目标候选框，根据所述标注框和目标候选框之间的偏差调整所述目标候选框的位置和大小，并将调整后的所述目标候选框映射至所述卷积神经网络CNN的所述目标特征图上，得到对应的目标候选特征，并确定目标诊断对象的位置；

S34：利用感兴趣区域池化层RoI将所述目标候选特征分成多块区域，并对每块区域进行最大池化处理，池化层将目标候选特征尺寸固定为7×7，并输出到目标检测层；

S35：目标检测层根据目标候选特征，一方面通过分类层确定目标候选框包含诊断对象的具体类别(比如户外终端连接金具(b)或户外终端套管(c))；另一方面通过回归层进行目标候选框的二次调整，实现目标诊断对象的准确定位，从而完成待检测电缆终端的红外图像信息的识别和定位，如图2所示，由于专利实施细则相关规定，该图仅能以非彩色呈现，实际中为红外背景的彩图。

可选地，在本发明的一个或多个实施例中，所述将待检测的电缆终端的红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位后，还包括如下步骤：

S36：基于所述Faster RCNN网络的识别和定位结果，将包含目标诊断对象的所述目标候选框外部的像素点的RGB分量分别置零。

通过将包含目标诊断对象的目标候选框外部的像素点的RGB分量分别置零，这样可以突出目标诊断对象，同时去除图像中其他干扰信息对后续处理的影响，提高诊断准确度。如图3a和3b所示，分别为仅保留连接金具和套管对应目标候选框的效果图，将目标候选框外部的区域的像素点的RGB分量分别置零，即目标候选框外部均变为黑色，此步骤中，目标候选框内部区域仍然为彩色，由于专利实施细则相关规定，该区域仅能以非彩色呈现。

在本发明的一个或多个实施例中，步骤S4中，所述根据预设的诊断标准对识别和定位处理后的目标诊断对象进行热状态诊断具体包括如下步骤：

S41：将识别和定位处理后包含目标诊断对象的目标候选框所在区域进行灰度化处理，得到灰度化图像，具体计算公式为：

I＝0.299R+0.587G+0.114B (12)

其中，I表示像素点的灰度；R、G和B分别为该像素点的红色分量、绿色分量和蓝色分量。灰度化后的效果图即如图3a和3b所示。

S42：基于灰度化图像，分别提取目标诊断对象的ABC三相最高灰度值I

T

其中，下标*表示A相、B相或C相；T

S43：根据目标诊断对象的ABC三相最高温度T

T

T

δ＝(T

式中，T

S44：根据目标诊断对象的ABC三相最高温度T

对照哪一项诊断标准，取决于Faster RCNN网络对定位矩形框的识别结果：若识别为标签“b”，则对照户外终端连接金具诊断标准；若识别为标签“c”，则对照户外终端套管诊断标准。

通过对目标候选框所在区域进行灰度化处理，然后根据诊断对象的ABC三相最高灰度值计算出待检测电缆终端目标诊断对象的温度参数，从而结合预设诊断标准实现热状态的自动精确诊断。

本发明的实施例中，户外终端连接金具热状态诊断：

1)户外终端连接金具热状态的诊断标准如表1所示：

表1户外终端连接金具热状态诊断标准

2)根据诊断标准，按照以下步骤完成户外终端连接金具的状态诊断：

a)ABC三相的最高温度T

b)ABC三相的最高温度T

c)温度参数T

d)温度参数T

e)温度参数T

f)温度参数T

g)温度参数δ(相对温差)是否超过95％，若超过，则判断户外终端连接金具存在紧急缺陷，否则进入步骤h)；

h)温度参数δ(相对温差)是否超过80％，若超过，则判断户外终端连接金具存在重大缺陷，否则进入步骤i)；

i)温度参数δ(相对温差)是否超过35％，若超过，则判断户外终端连接金具存在一般缺陷，否则判断户外终端连接金具处于正常状态。

本发明的实施例中，户外终端套管热状态诊断：

1)户外终端套管热状态诊断标准如表2所示：

表2户外终端套管热状态诊断标准

2)根据诊断标准，按照以下步骤完成户外终端套管的状态诊断：

a)温度参数T

b)温度参数T

如图4所示，本发明还提供了一种电缆终端热状态智能诊断系统,包括采集标注模块、训练模块、识别定位模块和诊断模块；

所述采集标注模块，用于标注巡检过程中拍摄的电缆终端的红外图像信息，并构建训练样本；

所述训练模块，用于构建Faster RCNN网络，并采用所述训练样本对所述FasterRCNN网络进行训练；

所述识别定位模块，用于将待检测的电缆终端的红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位，得到目标诊断对象的类别和位置；

所述诊断模块，用于根据预设的诊断标准对识别和定位处理后的目标诊断对象进行热状态诊断，得到待检测电缆终端的热状态诊断结果。

本发明的电缆终端热状态智能诊断系统，通过构建Faster RCNN网络，并通过由采集的电缆终端的红外图像信息构建的训练样本进行训练，并利用训练好的Faster RCNN网络对待检测的电缆终端的红外图像信息进行自动识别和定位，完成热诊断，能够有效替代当前红外诊断中人工操作的部分，降低对人工处理与分析的依赖，大大提高了诊断效率，提高了诊断精确，有效避免了人为诊断带来的偏差。

在本发明的一个或多个实施例中，所述采集标注模块具体用于：

采集电缆终端的红外图像信息，并在所述红外图像信息中诊断对象所在位置处标注标注框，并输入标注框的名称；

其中，所述诊断对象包含于所述标注框内。

通过对采集的电缆终端的红外图像信息进行标注，这样方便后续Faster RCNN网络方便根据标注框作为参考并进行训练，以便训练后的Faster RCNN网络具备电缆终端红外图像中诊断对象的自动识别与定位。

在本发明的一个或多个实施例中，所述训练模块采用所述训练样本对所述FasterRCNN网络进行训练的具体实现为：

初始化所述Faster RCNN网络，将所述训练样本输入所述卷积神经网络CNN，利用卷积神经网络CNN提取所述电缆终端的红外图像信息的一个或多个图像特征，并形成特征图；

利用区域建议网络RPN在所述特征图上自动生成多个包含诊断对象的候选框，根据所述标注框和候选框之间的偏差调整所述候选框的位置和大小，并将调整后的所述候选框映射至所述卷积神经网络CNN的所述特征图上，得到对应的候选特征，并确定诊断对象的位置；

利用感兴趣区域池化层RoI将所述候选特征分成多块区域，并对每块区域进行最大池化处理；

将所述候选特征输入目标检测层，一方面通过分类层计算所述候选特征对应的所述候选框包含诊断对象属于不同类别的概率，以确定诊断对象的类别；另一方面通过回归层再次计算所述候选框的调整参数，以对所述候选框进行二次调整。

一方面，通过卷积神经网络CNN提取电缆终端的红外图像信息的图像特征信息并形成特征图，再通过区域建议网络RPN在特征图上自动生成候选框，并调整候选框的位置和大小，可以初步确定诊断对象的位置，另一方面，通过感兴趣区域池化层RoI进行分块池化处理，并通过目标检测层计算候选特征对应的所述候选框包含诊断对象属于不同类别的概率，这样可以准确确定诊断对应的类别，同时通过回归层再次计算所述候选框的调整参数，以精确确定诊断对象的位置，从而完成Faster RCNN网络的训练。

在本发明的一个或多个实施例中，所述训练模块根据所述标注框和候选框之间的偏差调整所述候选框的位置和大小的具体实现为：

根据所述标注框和候选框之间的偏差生成用于调整所述候选框的调整参数信息；

根据所述调整参数信息调整所述候选框的位置和大小；

其中，所述调整参数信息包括平移参数和缩放参数。

通过所述标注框和候选框之间的偏差生成调整参数信息，这样可以比较精确地调整所述候选框的位置和大小，便于提高整个Faster RCNN网络的定位精度。

在本发明的一个或多个实施例中，所述训练模块根据所述标注框和候选框之间的偏差生成用于调整所述候选框的调整参数信息的具体实现为：

所述区域建议网络的分类层利用Softmax分类器计算候选框包含诊断对象的概率，并根据概率高低初步筛选出包含诊断对象的候选框；

构建所述区域建议网络的损失函数，以损失函数最小为目标，计算所述候选框的调整参数信息；

其中：

式中：i表示第i个候选框；p

其中：

式中：anchor表示区域建议网络生成的候选框；Groundtruth表示标注框；

式中：(A

在本发明的一个或多个实施例中，所述训练模块根据所述调整参数信息调整所述候选框的位置和大小的具体的计算公式为：

其中，(A

通过前述确定的平移参数和缩放参数，可以将候选框的位置和大小分别进行精确调整，从而使得调整后的候选框能准确表征诊断对象的位置，从而便于后续准确确定候选特征。

可选地，在本发明的一个或多个实施例中，所述训练模块还用于对Faster RCNN网络进行二次训练，具体实现为：

S25：利用训练好的Faster RCNN网络对区域建议网络RPN进行初始化，并基于初始化后的区域建议网络RPN重复步骤S22，以对区域建议网络RPN进行二次训练；

S26：基于二次训练后的区域建议网络RPN，重复步骤S23和步骤S24，以对目标检测层进行二次训练。

通过对所述Faster RCNN网络进行二次训练，可以大大提高其识别和定位精度，有利于提高对电缆终端热状态的智能诊断精度。

可选地，在本发明的一个或多个实施例中，所述识别定位模块将待检测的电缆终端的红外图像信息输入训练好的所述Faster RCNN网络进行识别和定位后，还用于：

基于所述Faster RCNN网络的识别和定位结果，将包含诊断对象的所述候选框外部的像素点的RGB分量分别置零。

通过将包含诊断对象的所述候选框外部的像素点的RGB分量分别置零，这样可以突出诊断对象，同时去除图像中其他干扰信息对后续处理的影响，提高诊断准确度。

在本发明的一个或多个实施例中，所述诊断模块具体用于：

将识别和定位处理后包含目标诊断对象的候选框所在区域进行灰度化处理，得到灰度化图像；

基于灰度化图像，分别提取目标诊断对象的ABC三相最高灰度值I

T

其中，下标*表示A相、B相或C相；T

根据目标诊断对象的ABC三相最高温度T

T

T

δ＝(T

式中，T

根据目标诊断对象的ABC三相最高温度T

通过对所述候选框所在区域进行灰度化处理，然后根据诊断对象的ABC三相最高灰度值计算出待检测电缆终端目标诊断对象的温度参数，从而结合预设诊断标准实现热状态的自动精确诊断。

所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将终端的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程参考前述方法实施例中的对应过程，在此不再赘述。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及方法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个装置，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，终端或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

本发明并不仅仅限于说明书和实施方式中所描述，因此对于熟悉领域的人员而言可容易地实现另外的优点和修改，故在不背离权利要求及等同范围所限定的一般概念的精神和范围的情况下，本发明并不限于特定的细节、代表性的设备和这里示出与描述的图示示例。