(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 202210298013.6 (22)申请日 2022.03.25 (71)申请人 海南电网有限责任公司电力科 学研 究院 地址 570100 海南省海口市龙华区海 瑞后 路23号 (72)发明人 陈林聪　陈晓琳　符小桃　 (74)专利代理 机构 广州三环 专利商标代理有限 公司 44202 专利代理师 颜希文 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/44(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G01M 3/02(2006.01) (54)发明名称 一种改进Casca de R-CNN的变压器油渍泄露 红外图像识别方法 (57)摘要 本发明提供一种改进Casca de R‑CNN的变压 器油渍泄露红外图像识别方法， 包括以下步骤： 获取变压器油渍泄露的红外图像数据， 对红外图 像数据进行处理并获得训练数据以及待处理数 据； 构建图像识别网络， 所述识别网络包括依次 连接的特征提取网络、 特征融合及空洞卷积下采 样网络以及级联检测器网络； 将训练数据输入到 图像识别网络中， 由特征提取网络、 特征融合及 空洞卷积下采样网络以及级联检测器网络依次 进行图像处理， 并获得训练完成的图像识别网 络； 将待处理数据输入到训练完成的图像识别网 络， 获得变压器油渍泄露的红外图像的精确识别 结果， 相对于传统变压器油渍泄露红外图像检测 算法， 可以显著提高识别精度， 且具有良好的泛 化能力和鲁棒 性。 权利要求书2页 说明书6页 附图2页 CN 114782320 A 2022.07.22 CN 114782320 A 1.一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方法， 其特征在于， 包括以 下步骤： 步骤S1、 获取变压器油渍泄露的红外 图像数据， 对红外图像数据进行处理并获得训练 数据以及待处 理数据； 步骤S2、 构建图像识别网络， 所述识别网络包括依次连接的特征提取网络、 特征融合及 空洞卷积下采样网络以及级联检测器网络； 步骤S3、 将训练数据输入到图像识别网络 中， 由特征提取网络、 特征融合及空洞卷积下 采样网络以及级联检测器网络依次进行图像处 理， 并获得训练完成的图像识别网络； 步骤S4、 将待处理数据输入到训练完成的图像识别网络， 获得变压器油渍泄露的红外 图像的精确识别结果。 2.根据权利要求1所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述步骤S1对红外图像数据进 行处理的具体步骤为： 将红外图像数据调整 成为统一大小的尺寸。 3.根据权利要求1所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述步骤S2的特征提取网络包括依次连接的卷积层、 池化层、 第二模块、 第 三模块以及第四模块， 所述第二模块包含6个卷积层， 其用于输出第二特征提取信息， 所述 第三模块包括9个卷积层， 其用于输出第三特征提取信息， 所述第四模块包括12个卷积层， 其用于输出第四特 征提取信息 。 4.根据权利要求3所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述步骤S3的特征融合及空洞卷积下采样网络进行图像处理的具体步骤 包括： 步骤S31、 对第二特征提取信息进行空洞卷积下采样后与第三特征提取信息进行特征 融合， 并获得第三特 征融合信息； 步骤S32、 对第三特征融合信息进行空洞卷积下采样后与第 四特征提取信息新型特征 融合， 并获得第四特 征融合信息； 步骤S33、 将第二特征提取信息作为第二特征融合信息， 并将第二特征融合信息、 第三 特征融合信息以及第四特 征融合信息发送到级联检测器网络中。 5.根据权利要求4所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述 步骤S31和步骤S32的特 征融合表达式为： Pi＝Conv(Ii)+dim(Ii+1)， i∈[2， n]； 其中， Pi为第i级特征 融合后的输出， I为特征提取网络输出的特征提取信息， Conv()为 第i层的空洞卷积下采样操作， dim()为第i+1层 特征提取信息的1 ×1卷积核降维操作， n为 特征提取网络的模块数量。 6.根据权利要求4所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述空洞卷积下采样的表达式为： P＝H2， 1(x)+H2， 2(x)； 其中P为特征融合信息， Hk， r(x)为空洞卷积下采样， k为卷积核， r为空洞率， x为当前特 征图。 7.根据权利要求4所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方权　利　要　求　书 1/2 页 2 CN 114782320 A 2法， 其特征在于， 所述图像识别网络还包括区域建议网络， 所述区域建议网络设置在特征融 合及空洞卷积下采样网络和级联检测器网络中， 所述第二特征融合信息、 第三特征融合信 息以及第四特征融合信息输入到区域建议网络中， 所述区域建议网络将处理后的融合信息 发送到级联检测器网络中。 8.根据权利要求7所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述级联检测器网络包括若干个级 联检测器， 所述级 联检测器包括感兴趣 区域对齐模块、 全连接层 模块、 分类得分模块以及边框回归模块， 所述区域建议网络将处理 后的融合信息发送给感兴趣区域对齐模块， 所述全连接层模块分别与感兴趣区域对齐模 块、 分类得分模块以及边框回归模块数据连接， 所述边框回归模块与下一级级联检测器的 感兴趣区域对齐模块数据连接 。 9.根据权利要求8所述的一种改进Cascade  R‑CNN的变压器油渍泄露红外图像识别方 法， 其特征在于， 所述级联检测器的回归函数表达式为： f(x， b)＝fT·fT‑1…f1(x， b)； 其中T为检测阶段的总数， fi回归器， x为输入回归器的 图像数据， b为输入图像对应的检 测框。权　利　要　求　书 2/2 页 3 CN 114782320 A 3