(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111405636.0 (22)申请日 2021.11.24 (71)申请人 浙江天铂云科光电股份有限公司 地址 310000 浙江省杭州市余杭区良渚街 道纳贤街2号 （8幢） 4层 (72)发明人 梁川　常娜　苏岩松　朱怡良　 高俊丽　杨龙飞　 (74)专利代理 机构 无锡风创知识产权代理事务 所(特殊普通 合伙) 32461 代理人 毛伟昕 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06F 119/08(2020.01) (54)发明名称 基于温度视 觉的智能识别方法 (57)摘要 本发明公开了基于温度视觉的智能识别方 法， 包括获取被测目标设备的红外通用数据文件 存储格式的jpg文件， 即红外热像图； 从所述jpg 文件中提取出温度视觉数据， 获得106种电力设 备的温度视觉数据； 对所述 温度视觉数据进行数 据集标注， 获得温度视觉数据集； 搭建电力设备 识别模型， 获得电力设备目标检测模型； 电力设 备部件检测。 本发明基于温度视觉信息， 通过目 标检测网络定位电力设备位置， 通过特征点网络 定位电力设备部件位置， 来精 准定位电力设备各 部件位置并获取相应的温度信息 。 权利要求书1页 说明书4页 附图5页 CN 114065642 A 2022.02.18 CN 114065642 A 1.基于温度视 觉的智能识别方法， 其特 征在于， 所述方法包括以下步骤： S1、 获取被测目标设备的红外通用数据文件 存储格式的jpg文件， 即红外热像图； S2、 从所述jpg文件中提取 出温度视 觉数据， 获得10 6种电力设备的温度视 觉数据； S3、 对所述温度视 觉数据进行 数据集标注， 获得温度视 觉数据集； S4、 搭建电力设备识别模型， 获得电力设备目标检测模型； S5、 电力设备部件检测。 2.根据权利要求1所述的基于温度视觉的智能识别方法， 其特征在于， 所述步骤S1中的 jpg文件的数据格式包括文件头、 标定数据、 测温参数、 温度数据、 成像参数、 分析数据、 声音 和用户自定义数据和文件尾。 3.根据权利要求2所述的基于温度视觉的智能识别方法， 其特征在于， 所述温度 数据是 一个长宽与红外热像图分辨率相同的float类型二维矩阵， 能够以数值的形式对环境温度 进行成像， 即为温度视 觉。 4.根据权利要求1所述的基于温度视觉的智能识别方法， 其特征在于， 所述步骤S3 中的 数据集标注包括设备框标注和特 征点标注。 5.根据权利要求4所述的基于温度视觉的智能识别方法， 其特征在于， 所述设备框标注 是针对步骤S2采集的温度视 觉数据， 对位于温度视 觉中心的电力设备 标注目标框 。 6.根据权利要求4所述的基于温度视觉的智能识别方法， 其特征在于， 所述特征点标注 是针对步骤S2采集的温度视觉数据， 对位于温度视觉中心的电力设备中的部件标注特征 点。 7.根据权利要求1所述的基于温度视觉的智能识别方法， 其特征在于， 获得步骤S5种的 电力设备目标检测模型的步骤包括对输入的温度视觉数据进行标准化处理和使用R ‑CNN、 Fast R‑CNN、 Faster  R‑CNN、 YOLO、 SSD、 RetinaNet、 RefineDet等目标检测网络， 对设备框标 注的温度视 觉数据集进行训练。 8.根据权利要求1所述的基于温度视觉的智能识别方法， 其特征在于， 电力设备部件检 测方法包括： S51： 针对以上106种电力设备， 由于每一种电力设备的部件组成结构、 外观形状等存在 差异， 将每 个电力设备分类为多个小类别； S52： 针对每一个小分类的电力设备， 基于LeNet、 AlexNet、 CaffeNet、 ZFNet、 VggNet、 ResNet、 NiN、 Goo gLeNet、 DenseNet、 Senet、 BAM、 MobileNet等卷积神经网络， 将其修改为特 征点提取网络， 网络输出电力 设备各部件的特征点坐标， 并对特征点标注的温度视觉数据 集进行训练， 获得特征点检测模型， 特征点检测模 型对电力设备温度视觉数据进 行检测， 输 出电力设备 特征点所在位置， 最后将特 征点转化为部件框， 框出电力设备 各部件位置 。权　利　要　求　书 1/1 页 2 CN 114065642 A 2基于温度视觉的智能识别方 法 技术领域 [0001]本发明涉及电力行业 技术领域， 尤其涉及基于温度视 觉的智能识别方法。 背景技术 [0002]目前电力设备检测的方法， 主要是以红外图像为研究基础， 研究电力设备异常发 热的问题。 由于红外图片包含多种伪彩色， 拍摄环境复杂导致的被拍摄 设备干扰严重、 训练 数据类型少等问题， 目前现有的方法存在检测准确率低、 模型泛化能力较差等 缺陷。 [0003]为此， 我们提出基于温度视 觉的智能识别方法来 解决上述问题。 发明内容 [0004]本发明的目的是为了解决现有技术中电力设备检测存在检测准确率低、 模型泛化 能力较差的问题， 而提出的基于温度视 觉的智能识别方法。 [0005]为了实现上述目的， 本发明采用了如下技 术方案： [0006]基于温度视 觉的智能识别方法， 包括以下步骤： [0007]S1、 获取被测目标设备的红外通用数据文件 存储格式的jpg文件， 即红外热像图； [0008]S2、 从所述jpg文件中提取 出温度视 觉数据， 获得10 6种电力设备的温度视 觉数据； [0009]S3、 对所述温度视 觉数据进行 数据集标注， 获得温度视 觉数据集； [0010]S4、 搭建电力设备识别模型， 获得电力设备目标检测模型； [0011]S5、 电力设备部件检测。 [0012]优选的， 所述步骤S1中的jpg文件的数据格式包括文件头、 标定数据、 测温参数、 温 度数据、 成像参数、 分析 数据、 声音和用户自定义数据和文件尾。 [0013]优选的， 所述温度数据是一个长宽与红外热像图分辨率相同的  float类型二维矩 阵， 能够以数值的形式对环境温度进行成像， 即为温度视 觉。 [0014]优选的， 所述 步骤S3中的数据集标注包括设备框标注和特 征点标注。 [0015]优选的， 所述设备框标注是针对步骤S2采集的温度视觉数据， 对位于温度视觉中 心的电力设备 标注目标框 。 [0016]优选的， 所述特征点标注是针对步骤S2采集的温度视觉数据， 对位于温度视觉中 心的电力设备中的部件标注特 征点。 [0017]优选的， 获得步骤S5种的电力设备目标检测模型的步骤包括对输入的温度视觉数 据进行标准化处理和使用R ‑CNN、 Fast  R‑CNN、 Faster R‑CNN、 YOLO、 SSD、 RetinaNet、 RefineDet等目标检测网络， 对设备框标注的温度视 觉数据集进行训练。 [0018]优选的， 电力设备部件检测方法包括： [0019]S51： 针对以上106种电力设备， 由于每一种电力设备的部件组成结构、 外观形状等 存在差异， 将每 个电力设备分类为多个小类别； [0020]S52： 针对每一个小分类的电力设备， 基于LeNet、 AlexNet、  CaffeNet、 ZFNet、 VggNet、 ResNet、 NiN、 GoogLeNet、 Den seNet、 Senet、 B AM、 MobileNet等卷积神经网络， 将其修说　明　书 1/4 页 3 CN 114065642 A 3