(19)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 202210622169.5 (22)申请日 2022.06.02 (71)申请人 国网新疆电力有限公司电力科 学研 究院 地址 830011 新疆维吾尔自治区乌鲁 木齐 市新市区 （高新区） 长春中路恒达街 200号 申请人 国家电网有限公司 (72)发明人 叶波　李峰　李明轩　颜培培　 王丽花　马林　 (74)专利代理 机构 乌鲁木齐合纵专利商标事务 所 65105 专利代理师 周星莹 (51)Int.Cl. G06T 7/00(2017.01)G06T 7/73(2017.01) G06T 7/136(2017.01) G06T 7/11(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) (54)发明名称 基于卷积神经网络的变电站设备缺陷检测 方法 (57)摘要 本发明涉及深度学习 与人工智能技术领域， 是一种基于卷积神经网络的变电站设备缺陷检 测方法， 包括建立变电站设备缺陷数据集， 包括 训练集和测试集； 构建改进FasterRCNN模型， 在 Faster RCNN网络结构中添加FPN特征金字塔结 构， 对每个融合后的特征层单独进行预测， 且区 域提取网络RPN基于改进锚框进行区域提取； 使 用训练集训练改进Faster ‑RCNN模型； 使用测试 集测试改进Faster  RCNN模型的性能， 然后将 改 进Faster  RCNN模型用于电力设备外观缺陷检 测。 本发明对目标检测的准确率显著提高， 由此 能够对变电站设备缺陷进行 快速定位与识别。 权利要求书2页 说明书7页 附图3页 CN 114882005 A 2022.08.09 CN 114882005 A 1.一种基于卷积神经网络的变电站设备缺陷检测方法， 其特 征在于包括以下步骤： S1， 采集变电站设备缺陷图像数据， 并根据变电站设备缺陷数据类别进行分类统计， 建 立变电站设备缺陷数据集， 包括训练集和 测试集； S2， 构建改进Faster  RCNN模型， 在Faster  RCNN网络结构中添加FPN特征金字塔结构， 对每个融合后的特 征层单独进行 预测， 且区域 提取网络RPN基于改进锚框进行区域 提取； S3， 使用训练集训练改进Faster  RCNN模型； S4， 使用测试集测试改进Faster  RCNN模型的性能， 然后将改进Faster  RCNN模型用于 电力设备外观缺陷检测。 2.根据权利要求1所述的基于卷积神经网络的变电站设备缺陷检测方法， 其特征在于 所述步骤S2中， 在Faster  RCNN网络结构中添加FPN特征金字塔结构， 对每个融合后的特征 层单独进行 预测， 具体步骤如下： A1， 骨干网络使用ResNet50结构， 对其输出的不同尺度特征层c2,c3,c4,c5， 做1 ×1卷 积统一到25 6‑d通道数； A2， 依次对高层 特征图做2倍上采样， 并与邻近层进行特征融合， 得到特征层p2,p3,p4, p5； A3， 将对p5特 征层做步长为2的下采样得到p6特 征层； A4， 将p2,p3,p4,p5， p6特 征层作为RPN网络和Ro Ipooling层共享的多尺度特 征图。 3.根据权利要求1或2所述的基于卷积神经网络的变电站设备缺陷检测方法， 其特征在 于所述步骤S2中， 所述的改进锚框根据变电站设备缺陷图像目标区域的像素特征设置， 改 进锚框尺寸为32,64,128,256,512， 每个尺度下设置三种纵横比1: 1,2:2,2:1， 共生成的锚 点框为15个， 这些锚点框和多尺度特征将共同送入全连接层做正负样本 分类和区域建议生 成。 4.根据权利要求1或2所述的基于卷积神经网络的变电站设备缺陷检测方法， 其特征在 于所述步骤S4中， 用准确率和召回率来表征改进FasterRCNN模型的预测精度， 记准确率为 P， 召回率 为R， 其计算公式如下： 其中， TP表示正确检测到缺陷的设备数量， FP表示错误检测的设备数量， FN表示未检测 到的设备 数量； 以召回率R为横轴， 准确率P为纵轴， 为每个目标类别绘制P ‑R曲线， 用来评估 FasterRCNN模型性能， 由于P ‑R曲线上下曲折， 且不同目标检测器的曲线在同一个坐标轴中 彼此交叉频繁， 因此， 采用插值 方法来计算P‑R曲线下的面积， 记 插值点的准确率为Pin， 其表 达式为： Pin(Rn)＝max P(R),R:R≥Rn 式中， Pin表示用召回率大于当前召回率的最大准确率， 作为插值点的准确率； P和R分别 表示原P‑R曲线上某一点的准确率或召回率， n表示插值点； 由此构造出新的Pin‑R曲线， 据此 插值法计算AP， 其表达式为：权　利　要　求　书 1/2 页 2 CN 114882005 A 2式中， mAP表示缺陷目标检测的平均精度， c表示目标类别数量， 即取所有类别AP的平均 值得到mAP。 5.根据权利要求3所述的基于卷积神经网络的变电站设备缺陷检测方法， 其特征在于 所述步骤S4中， 用准确率和召回率来表征改进FasterRCNN模型的预测精度， 记准确率为P， 召回率为R， 其计算公式如下： 其中， TP表示正确检测到缺陷的设备数量， FP表示错误检测的设备数量， FN表示未检测 到的设备 数量； 以召回率R为横轴， 准确率P为纵轴， 为每个目标类别绘制P ‑R曲线， 用来评估 FasterRCNN模型性能， 由于P ‑R曲线上下曲折， 且不同目标检测器的曲线在同一个坐标轴中 彼此交叉频繁， 因此， 采用插值 方法来计算P‑R曲线下的面积， 记 插值点的准确率为Pin， 其表 达式为： Pin(Rn)＝max P(R),R:R≥Rn 式中， Pin表示用召回率大于当前召回率的最大准确率， 作为插值点的准确率； P和R分别 表示原P‑R曲线上某一点的准确率或召回率， n表示插值点； 由此构造出新的Pin‑R曲线， 据此 插值法计算AP， 其表达式为： 式中， mAP表示缺陷目标检测的平均精度， c表示目标类别数量， 即取所有类别AP的平均 值得到mAP。权　利　要　求　书 2/2 页 3 CN 114882005 A 3