吳添權(quán)，郭 競(jìng)，茍先太，黃勤琴，周維超

〈圖像處理與仿真〉

基于改進(jìn)高斯卷積核的變電站設(shè)備紅外圖像檢測(cè)方法

吳添權(quán)1，郭 競(jìng)2，茍先太2，黃勤琴2，周維超3

（1. 廣東電網(wǎng)有限責(zé)任公司潮州供電局，廣東 潮州 521000；2. 西南交通大學(xué)電氣工程學(xué)院，四川 成都 611756；3. 四川賽康智能科技股份有限公司，四川 成都 610041）

在無(wú)錨點(diǎn)算法CenterNet模型的基礎(chǔ)上，針對(duì)基于紅外圖像的目標(biāo)檢測(cè)算法檢測(cè)精度低、耗時(shí)長(zhǎng)的問(wèn)題，給出了一種基于改進(jìn)高斯卷積核的變電站設(shè)備紅外圖像檢測(cè)方法，該目標(biāo)檢測(cè)方法模型網(wǎng)絡(luò)結(jié)構(gòu)精簡(jiǎn)，模型計(jì)算量較小。通過(guò)現(xiàn)場(chǎng)變電站巡檢機(jī)器人設(shè)備收集數(shù)據(jù)樣本，進(jìn)行算法模型的訓(xùn)練及驗(yàn)證，實(shí)現(xiàn)紅外圖像變電站設(shè)備精準(zhǔn)識(shí)別及定位。本文以變電站巡檢機(jī)器人搭配紅外熱成像儀采集到的紅外圖像庫(kù)為基礎(chǔ)，用深度學(xué)習(xí)方法對(duì)數(shù)據(jù)集進(jìn)行訓(xùn)練和測(cè)試，研究變電站紅外圖像的目標(biāo)檢測(cè)技術(shù)。通過(guò)深度學(xué)習(xí)技術(shù)判斷設(shè)備中心點(diǎn)位實(shí)現(xiàn)目標(biāo)分類(lèi)和回歸。實(shí)驗(yàn)結(jié)果表明，該方法提高了變電站目標(biāo)檢測(cè)方法的識(shí)別定位精度，為變電站設(shè)備紅外圖像智能檢測(cè)提供了新的思路。

無(wú)錨點(diǎn)算法；紅外圖像；目標(biāo)檢測(cè)；高斯卷積核；變電站設(shè)備

0 引言

目標(biāo)檢測(cè)一直以來(lái)都是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究重點(diǎn)[1]，也是計(jì)算機(jī)視覺(jué)領(lǐng)域的難點(diǎn)[2]之一。在工業(yè)生產(chǎn)、無(wú)人駕駛、視頻監(jiān)控等領(lǐng)域都有廣泛應(yīng)用[3]。紅外圖像目標(biāo)檢測(cè)系統(tǒng)具有抗干擾性、全天候工作等特點(diǎn)，在電力行業(yè)發(fā)揮了重要的作用，紅外圖像檢測(cè)質(zhì)量將直接影響電網(wǎng)系統(tǒng)正常工作的有效作用距離、監(jiān)控設(shè)備及人員的配置，在紅外圖像預(yù)警系統(tǒng)中發(fā)揮著至關(guān)重要的作用。

在設(shè)備采集的過(guò)程中，紅外圖像分辨率受環(huán)境因素（大氣吸收和散射）的影響，不能還原真實(shí)分辨率，對(duì)比度表現(xiàn)效果不足，不能完全反映待檢測(cè)目標(biāo)的紋理信息[4]。通過(guò)傳統(tǒng)機(jī)器學(xué)習(xí)方法不能精準(zhǔn)分類(lèi)識(shí)別戶(hù)外一次設(shè)備[5]缺陷，同時(shí)受到其他環(huán)境因素及非一次運(yùn)行設(shè)備發(fā)熱點(diǎn)影響，易造成誤判斷。

傳統(tǒng)的目標(biāo)檢測(cè)方法提出使用一些特征描述來(lái)檢測(cè)目標(biāo)[6]，取得了一些效果但是檢測(cè)精度太低，在真實(shí)變電站場(chǎng)景下不具備廣泛適用性，不能滿(mǎn)足實(shí)踐需求。

在沒(méi)有結(jié)合深度學(xué)習(xí)以前，傳統(tǒng)的目標(biāo)檢測(cè)方法主要有兩大類(lèi)：目標(biāo)實(shí)例檢測(cè)和傳統(tǒng)的目標(biāo)類(lèi)別檢測(cè)[7]。2014年以來(lái)，主要有兩類(lèi)目標(biāo)檢測(cè)方法：one-stage類(lèi)別的目標(biāo)檢測(cè)方法和two-stage類(lèi)別的目標(biāo)檢測(cè)方法。目前常用的典型one-stage網(wǎng)絡(luò)有（You Only Look Once，YOLO）[8]、YOLO9000[9]、YOLO v3[9]結(jié)合YOLO和（Regions with Convolutional Neural Networks，RCNN）模型特點(diǎn)的（Single Shot MultiBox Detector，SSD）[10]系列。常用的典型two-stage網(wǎng)絡(luò)有RCNN[11]系列。不管two-stage方法還是one-stage方法都各有優(yōu)劣。受限于模型的架構(gòu)大小和檢測(cè)標(biāo)準(zhǔn)要求，這兩類(lèi)方法在實(shí)際場(chǎng)景中的應(yīng)用達(dá)不到預(yù)期的效果。

2019年4月，中科院聯(lián)合牛津大學(xué)、華為諾亞方舟實(shí)驗(yàn)室在已有基礎(chǔ)上提出了新的檢測(cè)方法CenterNet[12]。該方法提供了一種新的思路，將物體檢測(cè)的問(wèn)題轉(zhuǎn)換為中心關(guān)鍵點(diǎn)的檢測(cè)，在目標(biāo)不完整的前提下就能獲得感知物體內(nèi)部信息的能力，模型結(jié)構(gòu)簡(jiǎn)單直接，對(duì)計(jì)算能力的要求較小，在數(shù)據(jù)集（Common Objects in Context，COCO）上，檢測(cè)準(zhǔn)確率達(dá)到47%，領(lǐng)先以往one-stage算法的幅度至少達(dá)4.9%，是目標(biāo)檢測(cè)現(xiàn)階段算法中性能最好的方法。

目前應(yīng)用于變電站設(shè)備檢測(cè)的CenterNet模型研究還處于初級(jí)階段。因此，本文在CenterNet模型的基礎(chǔ)上，研究變電站紅外圖像的目標(biāo)檢測(cè)技術(shù)，針對(duì)基于紅外圖像的目標(biāo)檢測(cè)算法檢測(cè)精度低的問(wèn)題，給出基于改進(jìn)高斯卷積核的變電站設(shè)備紅外圖像檢測(cè)方法，該目標(biāo)檢測(cè)方法模型網(wǎng)絡(luò)結(jié)構(gòu)精簡(jiǎn)，模型計(jì)算量較小，從而實(shí)現(xiàn)紅外圖像中變電站設(shè)備中心點(diǎn)位及目標(biāo)分類(lèi)，提高一次設(shè)備和關(guān)鍵點(diǎn)位[13]的識(shí)別定位的精準(zhǔn)度。通過(guò)收集現(xiàn)場(chǎng)變電站設(shè)備紅外熱圖像數(shù)據(jù)樣本，訓(xùn)練及驗(yàn)證算法模型，最終實(shí)現(xiàn)紅外圖像變電設(shè)備目標(biāo)檢測(cè)。

1 變電站設(shè)備紅外數(shù)據(jù)集

通過(guò)巡檢機(jī)器人搭配紅外熱成像儀器對(duì)變電站設(shè)備進(jìn)行紅外圖像采集，對(duì)得到的紅外圖像通過(guò)（Open Source Computer Vision Library，OpenCV）技術(shù)進(jìn)行數(shù)據(jù)預(yù)處理，包括翻轉(zhuǎn)變換、隨機(jī)修剪、旋轉(zhuǎn)變換、仿射變換、尺度變換等操作。為后續(xù)送入無(wú)錨點(diǎn)深度學(xué)習(xí)模型訓(xùn)練做充足準(zhǔn)備。

訓(xùn)練使用的變電站紅外數(shù)據(jù)集一共有1570張圖像，分為10類(lèi)目標(biāo)，圖像分辨率640×480。如表1所示。

表1 紅外圖像數(shù)據(jù)集

在圖1中可以看到，變電站設(shè)備紅外圖像數(shù)據(jù)集具有以下特點(diǎn)：目標(biāo)部分信息丟失，看不到目標(biāo)整體輪廓；圖像失焦，幾乎沒(méi)有較大像素值之間的變化，對(duì)比度較差，溫度區(qū)間界限不明顯；紅外圖像中設(shè)備被探測(cè)設(shè)備實(shí)時(shí)顯示數(shù)據(jù)遮擋；紅外圖像中設(shè)備類(lèi)型多且復(fù)雜[15]。對(duì)于以上特點(diǎn)，用現(xiàn)有的目標(biāo)檢測(cè)算法對(duì)紅外圖像中的設(shè)備識(shí)別有較大難度。

圖1 訓(xùn)練數(shù)據(jù)集部分樣本

2 實(shí)踐依據(jù)

2.1 無(wú)錨點(diǎn)目標(biāo)檢測(cè)方法介紹

基于無(wú)錨點(diǎn)方法的CenterNet網(wǎng)絡(luò)目標(biāo)檢測(cè)流程如圖2所示。

圖2 目標(biāo)檢測(cè)流程圖

得到一些預(yù)測(cè)參數(shù)：預(yù)測(cè)中心點(diǎn)的heatmap以及基于中心點(diǎn)(,)的預(yù)測(cè)框?qū)捄透?。整個(gè)模型除了識(shí)別屬性類(lèi)別以外，只對(duì),,,進(jìn)行回歸，即中心點(diǎn)(,)以及(,)。

通過(guò)主網(wǎng)絡(luò)得到圖像的特征圖，再通過(guò)高斯核函數(shù)[16]將關(guān)鍵點(diǎn)分布到特征圖上。根據(jù)特征圖上的值篩選出100個(gè)大于或者等于周?chē)?個(gè)相鄰點(diǎn)值的點(diǎn)作為初步預(yù)測(cè)的中心點(diǎn)；使用3×3的MaxPooling取100個(gè)中心點(diǎn)。

通過(guò)網(wǎng)絡(luò)預(yù)測(cè)出中心關(guān)鍵點(diǎn)的偏移量（表示第個(gè)目標(biāo)）：

和當(dāng)前點(diǎn)對(duì)應(yīng)目標(biāo)的長(zhǎng)寬：

得到預(yù)測(cè)的bounding box的坐標(biāo)值（標(biāo)定框）：

CenterNet將圖像像素點(diǎn)和中心點(diǎn)結(jié)合使用。預(yù)測(cè)每一個(gè)像素點(diǎn)是否為物體中心，如果是的話，針對(duì)中心點(diǎn)預(yù)測(cè)物體邊界。預(yù)測(cè)框的選擇標(biāo)準(zhǔn)是，首先盡可能選擇與標(biāo)簽圖（Ground Truth，GT）有高交并比的預(yù)測(cè)框，以及滿(mǎn)足GT的中心區(qū)域與預(yù)測(cè)框的中心區(qū)域重合，若以上條件都滿(mǎn)足則選擇該預(yù)測(cè)框，如圖3所示。

2.2 熱力圖生成

輸入紅外圖像表示如下：

∈R××3(4)

式中：和分別是紅外圖像的寬和高，目標(biāo)輸出則是生成關(guān)鍵點(diǎn)的熱力圖（key point heatmap）[17]：

圖3 通過(guò)中心點(diǎn)預(yù)測(cè)候選框

2.3 關(guān)鍵點(diǎn)分布到特征圖

對(duì)于每個(gè)標(biāo)簽圖中類(lèi)別數(shù)，關(guān)鍵點(diǎn)的計(jì)算方式：

式中：是下采樣因子，＝4，最終計(jì)算出來(lái)的中心點(diǎn)是對(duì)應(yīng)低分辨率的中心點(diǎn)。通過(guò)高斯核Y計(jì)算將關(guān)鍵點(diǎn)分布到特征圖上，如下所示：

2.4 無(wú)錨點(diǎn)算法損失函數(shù)

計(jì)算損失函數(shù)，總的損失函數(shù)公式如下：

式中：L表示中心點(diǎn)損失函數(shù)；size表示目標(biāo)大小的損失函數(shù)；off表示目標(biāo)中心點(diǎn)偏置損失函數(shù)。size和off為權(quán)重系數(shù)，size＝0.1，off＝1。

3 改進(jìn)高斯核函數(shù)

實(shí)驗(yàn)希望GT框和候選框左上角和右下角存在一個(gè)可控的誤差范圍，為了計(jì)算該范圍，我們引入高斯核函數(shù)。設(shè)置熱力圖GT的時(shí)候，我們不能僅僅只在top-left/bottom-right的位置標(biāo)簽，如圖4所示。

圖4 多個(gè)滿(mǎn)足條件的候選框

其中實(shí)線框?yàn)镚T框，虛線框其實(shí)同樣可以很好地包圍目標(biāo)。所以檢測(cè)中只要預(yù)測(cè)的范圍在top-left/bottom-right點(diǎn)的某一個(gè)半徑內(nèi)，并且其與GTbox的交并比（Intersection over Union，IOU）大于閾值0.7，不直接將這些點(diǎn)的標(biāo)簽置為0，采用一種改進(jìn)的二維高斯核，在原高斯散射核的熱力圖計(jì)算上加以改進(jìn)。正常情況下，熱力圖在實(shí)際檢測(cè)中是橢圓，調(diào)整半徑計(jì)算方法。有3種情況，如圖5所示。

圖5 預(yù)測(cè)框與GT box三種不同位置關(guān)系圖

首先確定高斯核半徑，以上3種情況整理為的方程，overlap為預(yù)測(cè)框與GTbox的比值，如下所示：

第一種情況：

第二種情況：

第三種情況：

綜合3種情況，設(shè)這3個(gè)中的最小值為高斯半徑，即＝min(1,2,3)。但是實(shí)踐應(yīng)用中構(gòu)造熱力圖GT的過(guò)程中存在這樣的情況：

1）待檢測(cè)目標(biāo)的高斯半徑是相等的（圓形）。

2）bbox計(jì)算的坐標(biāo)范圍未覆蓋整個(gè)熱力圖。

因?yàn)榇龣z測(cè)目標(biāo)的形狀往往是不規(guī)則的，使用普通的高斯核函數(shù)無(wú)法完全匹配熱力圖形狀，需要讓熱力圖隨著待檢測(cè)目標(biāo)長(zhǎng)寬的趨勢(shì)進(jìn)行變化，然后根據(jù)待檢測(cè)目標(biāo)尺寸計(jì)算一個(gè)自適應(yīng)半徑，再全圖構(gòu)造熱力圖。高斯核半徑計(jì)算需要注意以下兩各方面：

①對(duì)待檢測(cè)目標(biāo)，高斯核半徑應(yīng)該隨著目標(biāo)的寬和高的趨勢(shì)變化；

②計(jì)算的坐標(biāo)范圍應(yīng)該限于目標(biāo)框以?xún)?nèi)。

修改前與修改后的區(qū)別如圖6所示，左圖表示對(duì)于不同形狀的待檢測(cè)目標(biāo)都是一個(gè)圓形熱力圖，不隨著目標(biāo)形狀變化而變化，右圖表示熱力圖隨著目標(biāo)形狀而發(fā)生改變。左圖bbox以外存在大于0的熱力值，而右圖中bbox包含整個(gè)熱力圖。這種差異帶來(lái)的差別是，左圖的熱力圖構(gòu)造方式會(huì)導(dǎo)致正負(fù)樣本劃分模糊，在計(jì)算loss時(shí)加權(quán)不準(zhǔn)確，迷惑卷積網(wǎng)絡(luò)的自主學(xué)習(xí)，加重模型的計(jì)算量。

圖6 高斯卷積核改進(jìn)前后的Boundingbox和Heatmap示意圖

除了中心點(diǎn)外，其他都為負(fù)樣本。但是負(fù)樣本損失是有權(quán)重的，離中心點(diǎn)越近，負(fù)樣本損失權(quán)重越低，反之越高。那么對(duì)于bbox外的點(diǎn)，都是負(fù)樣本，理論上反映到熱力圖上，bbox外的值應(yīng)該為0，由此可見(jiàn)改進(jìn)后的熱力圖更加合理的。否則采用改進(jìn)前的熱力圖計(jì)算時(shí)，bbox外的樣本損失權(quán)重大于1，但實(shí)際是小于1的值，本來(lái)嚴(yán)格的負(fù)樣本變得有一定的權(quán)重偏向于正樣本，這與實(shí)際不符。

采用改進(jìn)的高斯卷積核，熱力圖隨著目標(biāo)的長(zhǎng)寬發(fā)生改變，熱力圖在實(shí)際檢測(cè)中是橢圓，平均精確度（Average Precision，AP）值越高，檢測(cè)效果越好。

用3D方式展示高斯核函數(shù)，通過(guò)調(diào)用matplotlib的函數(shù)，畫(huà)出二維高斯核函數(shù)的三維網(wǎng)格圖，如圖7、圖8所示。

圖7 s＝1的高斯核函數(shù)

圖8 s＝5的高斯核函數(shù)

4 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)使用Windows10操作系統(tǒng)，PyTorch深度學(xué)習(xí)框架，計(jì)算機(jī)硬件配置如表2所示。在圖片訓(xùn)練之前用Labelimg對(duì)采集到的紅外圖像進(jìn)行設(shè)備標(biāo)注，然后整理成符合COCO標(biāo)準(zhǔn)圖片格式的訓(xùn)練集，完成后使用CenterNet進(jìn)行多次對(duì)照實(shí)驗(yàn)訓(xùn)練，每個(gè)步驟迭代訓(xùn)練200次，學(xué)習(xí)速率為0.001。

實(shí)驗(yàn)通過(guò)基于改進(jìn)的高斯卷積核目標(biāo)檢測(cè)系統(tǒng)，完成了對(duì)變電站紅外圖像的訓(xùn)練和測(cè)試，通過(guò)訓(xùn)練得到的模型，在測(cè)試集上進(jìn)行預(yù)測(cè)。分析常用的目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)，如平均精度均值（Mean Average Precision，mAP）、交并比IOU和Loss值，對(duì)模型進(jìn)行評(píng)價(jià)。

表2 計(jì)算機(jī)硬件配置

計(jì)算目標(biāo)檢測(cè)算法的結(jié)果參照兩個(gè)指標(biāo)[18]：

1）能否正確地預(yù)測(cè)框物體的類(lèi)別。

2）預(yù)測(cè)的框和人工標(biāo)注框的重合程度。

平均精度均值，即先計(jì)算每個(gè)類(lèi)別的精度均值，再各自取出每一類(lèi)的精度均值，然后計(jì)算所有類(lèi)別的精度均值的平均值，結(jié)果是對(duì)檢測(cè)結(jié)果的整體測(cè)評(píng)[19]。交并比用來(lái)判斷預(yù)測(cè)的物體框和真實(shí)框的重合程度。設(shè)置交并比IOU＝0.5的閾值評(píng)價(jià)最終結(jié)果性能，模型根據(jù)該IOU進(jìn)行計(jì)算，大于該值，就找到了符合條件的檢測(cè)結(jié)果，該結(jié)果可以作為計(jì)算平均精度均值的評(píng)價(jià)指標(biāo)。

在DLA-34、Res-101、Res-18三個(gè)基礎(chǔ)網(wǎng)絡(luò)上做了高斯卷積核改進(jìn)前后的對(duì)比實(shí)驗(yàn)，結(jié)果如下所示：

由表3測(cè)試結(jié)果可知，DLA-34、ResNet-101、ResNet-18的mAP值分別提升了2.9%、9.4%、25.7%，平均提升mAP值12.7%。通過(guò)改進(jìn)高斯卷積，模型的訓(xùn)練準(zhǔn)確度總體有所上升，其中ResNet -18模型提升的最為明顯。通過(guò)實(shí)驗(yàn)證明，改進(jìn)高斯卷積核后的模型，目標(biāo)檢測(cè)精度方面表現(xiàn)優(yōu)于原Centenet模型。

由表3可知，應(yīng)用改進(jìn)后的高斯卷積核后，ResNet-101基礎(chǔ)網(wǎng)絡(luò)的mAP值最大，因此將其作為改進(jìn)后CenterNet模型的基礎(chǔ)網(wǎng)絡(luò)。本次實(shí)驗(yàn)測(cè)試是在真實(shí)場(chǎng)景下進(jìn)行的，使用了387張變電站紅外圖片，結(jié)果如表4所示。

表3 紅外圖像數(shù)據(jù)集測(cè)試結(jié)果

表4 針對(duì)變電站真實(shí)條件下的性能試驗(yàn)記錄表

由表4可知，斷路器、電流互感器、電壓互感器這3類(lèi)的平均準(zhǔn)確度（被正確預(yù)測(cè)的正樣本）均達(dá)到了90%以上。將所有的平均準(zhǔn)確率相加除以類(lèi)別數(shù)，得到所有類(lèi)別的平均準(zhǔn)確度達(dá)到85.4%，能夠滿(mǎn)足變電站紅外圖像目標(biāo)檢測(cè)高精度的要求，有廣泛的應(yīng)用前景。

檢測(cè)圖像的部分檢測(cè)結(jié)果如圖9所示。

結(jié)果表明，通過(guò)該方法可以有效排除紅外圖片中的多種干擾因素，自動(dòng)定位并識(shí)別出變電站設(shè)備類(lèi)型，提高了變電站設(shè)備的識(shí)別定位精度。

圖9 部分檢測(cè)結(jié)果圖

5 結(jié)語(yǔ)

紅外圖像目標(biāo)檢測(cè)系統(tǒng)在電網(wǎng)領(lǐng)域具有抗干擾性、全天候工作等特點(diǎn)，在電力行業(yè)發(fā)揮了重要的作用，紅外圖像檢測(cè)質(zhì)量將直接影響電網(wǎng)系統(tǒng)正常工作的有效作用距離及監(jiān)控設(shè)備和人員的配置，在紅外圖像預(yù)警系統(tǒng)中發(fā)揮著至關(guān)重要的作用。但在變電站設(shè)備紅外目標(biāo)檢測(cè)實(shí)際檢測(cè)過(guò)程中面臨目標(biāo)部分信息丟失、圖像失焦、圖像被遮擋、設(shè)備類(lèi)型多等多種因素干擾，給紅外圖像變電站設(shè)備檢測(cè)造成了一定的困難和挑戰(zhàn)。

本文給出了基于改進(jìn)高斯卷積核的變電站設(shè)備紅外圖像檢測(cè)方法。實(shí)驗(yàn)結(jié)果表明，該方法可以從較為復(fù)雜的紅外圖像中以較高的準(zhǔn)確率將紅外圖像中的變電站設(shè)備識(shí)別定位出來(lái)，具備較好的檢測(cè)效果，為變電站設(shè)備紅外檢測(cè)提供了更加精準(zhǔn)高效的檢測(cè)思路。

[1] Junwei Hsieh, Yungtai Hsu, Hongyuan Mark Liao, et al. Video-based human movement analysis and its application to surveillance systems[J]., 2008, 10(3): 372-384.

[2] 黃文清, 汪亞明, 周志宇. 計(jì)算機(jī)視覺(jué)技術(shù)在工業(yè)領(lǐng)域中的應(yīng)用[J]. 浙江理工大學(xué)學(xué)報(bào): 自然科學(xué)版, 2002,19(2):28-32.

HUANG Wenqing, WANG Yaming, ZHOU Zhiyu. Application of computer vision technology in the field of industry[J]., 2002, 19(2): 28-32.

[3] Leonid Sigal, Michael J Black. Guest editorial: state of the art in image- and video-based human pose and motion estimation[J]., 2010, 87(1): 1-3.

[4] Yuki Kitahara, Seiji Takahashi, Noriyuki Kuramoto. Ion attachment mass spectrometry combined with infrared image furnace for thermal analysis: evolved gas analysis studies[J]., 2009, 81(8): 3155-3158.

[5] 王勇, 梅生偉, 何光宇. 變電站一次設(shè)備數(shù)字化特征和實(shí)現(xiàn)[J]. 電力系統(tǒng)自動(dòng)化, 2010, 34(13): 94-99.

WANG Yong, MEI Shengwei, HE Guangyu. The characteristics and realization of digitization of primary equipment in substations[J]., 2010, 34(13): 94-99.

[6] Felzenszwalb P F, Girshick R B, Mcallester D, et al. Object detection with discriminatively trained part-based models[J]., 2010, 32(9): 1627-1645.

[7] 方路平, 何杭江, 周?chē)?guó)民. 目標(biāo)檢測(cè)算法研究綜述[J].計(jì)算機(jī)工程與應(yīng)用, 2018, 54(13): 11-18.

FANG Luping, HE Hangjiang, ZHOU Guomin. Research overview of object detection methods[J]., 2018, 54(13): 11-18.

[8] 阮激揚(yáng). 基于YOLO的目標(biāo)檢測(cè)算法設(shè)計(jì)與實(shí)現(xiàn)[D]. 北京: 北京郵電大學(xué), 2019.

RUAN Jiyang. Design and Implementation of Target Detection Algorithm Based on YOLO[D]. Beijing: Beijing University of Posts and Telecommunications, 2019.

[9] 李鵬飛, 劉瑤, 李珣, 等. YOLO9000模型的車(chē)輛多目標(biāo)視頻檢測(cè)系統(tǒng)研究[J]. 計(jì)算機(jī)測(cè)量與控制, 2019, 27(8): 21-24．

LI Pengfei, LIU Yao, LI Xun, et al. A detection method of multi-target for vehicles based on YOLO9000 model[J]., 2019, 27(8): 21-24．

[10] 季航, 賈镕, 劉曉, 等. 一種基于YOLOv3的紅外目標(biāo)檢測(cè)系統(tǒng)[J]. 電子設(shè)計(jì)工程, 2019, 27(22): 61-64.

JI Hang, JIA Rong, LIU Xiao, et al. An infrared target detection system based on YOLOv3[J]., 2019, 27(22): 61-64.

[11] 欒浩, 王力, 姜敏, 等. 基于改進(jìn)SSD的目標(biāo)檢測(cè)方法[J]. 軟件, 2020, 41(1): 29-35．

LUAN Hao, WANG Li, JIANG Min, et al. Object detection method based on improved SSD[J]., 2020, 41(1): 29-35．

[12] 謝奇芳, 姚國(guó)清, 張猛. 基于Faster R-CNN的高分辨率圖像目標(biāo)檢測(cè)技術(shù)[J]. 國(guó)土資源遙感, 2019, 31(2): 38-43．

XIE Qifang, YAO Guoqing, ZHANG Meng. Research on high resolution image object detection technology based on Faster R-CNN[J]., 2019, 31(2): 38-43.

[13] DUAN K, BAI S, XIE L, et al. CenterNet: keypoint triplets for object detection[C]//, 2019: 6569-6578．

[14] 楊海燕, 蔣新華, 聶作先. 基于并行卷積神經(jīng)網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)定位方法研究[J].計(jì)算機(jī)應(yīng)用研究, 2015, 32(8): 283-285.

YANG Haiyan, JIANG Xinhua, NIE Zuoxian. Facial key points location based on parallel convolutional neural network[J]., 2015, 32(8): 283-285.

[15] 劉云鵬, 裴少通, 武建華, 等. 基于深度學(xué)習(xí)的輸變電設(shè)備異常發(fā)熱點(diǎn)紅外圖片目標(biāo)檢測(cè)方法[J]. 南方電網(wǎng)技術(shù), 2019, 13(2): 27-33.

LIU Yunpeng, PEI Shaotong, WU Jianhua, et al. Deep learning based target detection method for abnormal hot spots infrared images of transmission and transformation equipment[J]., 2019, 13(2): 27-33.

[16] 林海波, 王浩, 張毅. 改進(jìn)高斯核函數(shù)的人體姿態(tài)分析與識(shí)別[J]. 智能系統(tǒng)學(xué)報(bào), 2015, 10(3): 436-441.

LIN Haibo, WANG Hao, ZHANG Yi. Human postures recognition based on the improved Gauss kernel function[J]., 2015, 10(3): 436-441.

[17] WU Jiajun, XUE Tianfan, Joseph J. Lim. Single image 3D interpreter network[C]//, 2016: 1-18.

[18] 莫邵文, 鄧新蒲, 王帥, 等. 基于改進(jìn)視覺(jué)背景提取的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J]. 光學(xué)學(xué)報(bào), 2016(6): 196-205.

MO Shaowen, DENG Xinpu, WANG Shuai, et al. Moving object detection algorithm based on improved visual background extractor[J]., 2016(6): 196-205.

[19] 朱伯偉, 庾農(nóng), 肖松. 紅外極小目標(biāo)檢測(cè)算法研究[J]. 航空電子技術(shù), 2011, 42(3): 5-11.

ZHU Bowei, YU Nong, XIAO Song. Approaches on infrared point targets detection algorithm[J]., 2011, 42(3): 5-11.

Method of Detecting Substation Equipment in Infrared Images Based on Improved Gaussian Convolution Kernel

WU Tianquan1，GUO Jing2，GOU Xiantai2，HUANG Qinqin2，ZHOU Weichao3

(1.,521000,;2.611756,;3.610041,)

Slow and inaccurate target detection algorithms used to analyze infrared images are the focus of this study. An infrared image detection method is proposed for substation equipment using an improved Gaussian convolution kernel, which is based on the CenterNet algorithm without an anchor point. In brief, data samples were first collected using on-site substation inspection robot equipment, the algorithm model was trained and verified, and finally, accurate identification and positioning of infrared image substation equipment was achieved. Specifically, based on the infrared image library collected by the substation inspection robot and the infrared thermal imager, methods of deep learning were applied to train and test a model using the dataset, the target detection technology of substation infrared images was studied, and the equipment center was accurately judged through deep learning technology to achieve target classification and regression. The identification and positioning accuracy of the substation target detection were improved by adopting this proposed method, and it provides new ideas for the intelligent detection of infrared images for substation equipment.

without anchor point，infrared image, target detection, Gaussian convolution kernel, substation equipment

TM727

A

1001-8891(2021)03-0230-07

2020-04-16；

2020-12-28.

吳添權(quán)（1977-），男，廣東潮州人，高級(jí)工程師，主要從事電氣設(shè)備試驗(yàn)工作，主要研究方向?yàn)殡姎庠囼?yàn)技術(shù)。

茍先太（1971-），男，四川三臺(tái)人，副教授，博士，主要研究方向?yàn)殡娋W(wǎng)智能化、人工智能技術(shù)。E-mail: 491098063@qq.com。

四川省人工智能重大專(zhuān)項(xiàng)項(xiàng)目（2018GZDZX0043）；中國(guó)南方電網(wǎng)科技項(xiàng)目（035100KK52190003）。