(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 202211141836.4 (22)申请日 2022.09.20 (71)申请人 广东电网有限责任公司广州供电局 地址 510620 广东省广州市天河区天河南 二路2号 (72)发明人 郝方舟　陈申宇　陈泽涛　刘秦铭　 王增煜　任杰　潘俊杰　刘起蕊　 (74)专利代理 机构 广州市华学知识产权代理有 限公司 4 4245 专利代理师 杜柱东 (51)Int.Cl. G06V 20/52(2022.01) G06V 10/82(2022.01) G06V 10/766(2022.01) G06V 10/764(2022.01)G06N 3/04(2006.01) G06V 10/25(2022.01) G06V 10/26(2022.01) G06V 10/30(2022.01) G06V 10/34(2022.01) G06V 10/40(2022.01) (54)发明名称 基于改进Faster R-CNN的配电房周界异物 检测方法及系统 (57)摘要 本发明公开了一种基于改进Faster  R‑CNN 的配电房周界异物检测方法及系统， 方法包括： S1、 视频选帧并进行格式转换， 根据场景、 需求以 及性能综合考虑， 设计合理的视频选帧间隔， 将 截取的单帧图片转化为模 型可处理的JPG格式图 片； S2、 对格式转换后的图片进行图片预处理工 作； S3、 根据预处理结果将图片进行识别前的预 处理操作， 而后输入到异物检测模 型中以判断是 否检测到异物； S4、 根据识别结果， 若没有检测到 异物， 继续检测， 若检测到， 则输出报警信息。 本 发明改进Faster  R‑CNN网络模型， 取消了全连接 层， 使用全局平均池化层替换， 降低了训练网络 模型的时间， 实现了较快的检测速度和较高的检 测精度。 权利要求书2页 说明书4页 附图2页 CN 115471790 A 2022.12.13 CN 115471790 A 1.基于改进Faster  R‑CNN的配电房周界异 物检测方法， 其特 征在于， 包括以下步骤： S1、 视频选帧并进行格式转换， 根据场景、 需求以及性能综合考虑， 设定视频选帧间隔， 将截取的单帧图片转 化为模型可处理的JPG格式图片； S2、 对格式转换后的图片进行图像预处 理工作； S3、 根据预处理结果将图片进行识别前的预处理操作， 而后输入到异物检测模型中以 判断是否检测到异 物； S4、 根据识别结果， 若没有检测到异 物， 继续检测， 若检测到， 则输出告警信息 。 2.根据权利要求1所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 图像预处 理具体包括图像增强、 锐化、 平 滑、 去噪、 灰度调整以及图像裁 剪。 3.根据权利要求1所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 异物检测模型具体采用改进的Faster  R‑CNN模型， Faster  R‑CNN模型包括用于产生 候选区域建议的区域建议网络RPN以及沿用Fast  R‑CNN的分类和边框回归， 同时保留感兴 趣池化层和多任务损失函数。 4.根据权利要求3所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， Faster  R‑CNN模型的处 理步骤为： 步骤一、 原始图像经预处理至相同大小输入网络， 经5层卷积层后将得到的特征图作为 RPN层和Ro I Pooling层的输入； 步骤二、 RPN层产生 候选区域建议， 并且将top3 00的候选区域送入Ro I Pooling层； 步骤三、 RoI  Pooling层的输入为经过最后一层卷积层后产 生的特征图以及RPN层产生 的候选区域框， 输出为Ro I特征图； 步骤四、 对候选区域框 的特征图进行类别判定， 同时通过边框回归获得Bounding ‑box 的精确位置 。 5.根据权利要求4所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 改进的Faster  R‑CNN模型的处 理步骤与Faster  R‑CNN模型的处 理步骤相同。 6.根据权利要求3所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 对Faster  R‑CNN模型的改进包括采用全局平均池化层代替全连接层和改变锚点数 量。 7.根据权利要求6所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 采用全局平均池化层代替全连接层具体为： 采用全局平均池化层代替FC 6和FC7全连接层； 全局平均池化层摒弃了全连接层的分类方式， 即将特征图转换成列向量， 再根据具体 神经元的个数进 行矩阵乘法运算得到特定元素个数的列向量， 其中特定的元素个数等于需 要分类的类别数； 只需在 多个卷积层和池化层后仅进 行一次n个卷积核的卷积操作， 然后对 形成的特征矩阵进 行全局平均池化， 即对每一个特征图进行求平均值的操作， 形成含有n个 元素的列向量， 其中n 为需要分类的类别数。 8.根据权利要求6所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 目标物体和背景的分类使用区域建议网络RPN， 然后对边框进行回归； 滑动窗口对在 最后一层卷积层上得到的特征图进行滑动， 用于为 目标识别提供定位参考， 区别物体和背 景的位置 。权　利　要　求　书 1/2 页 2 CN 115471790 A 29.根据权利要求8所述的基于改进Faster  R‑CNN的配电房周界异物检测方法， 其特征 在于， 改变锚点数量具体为： 对于每一个位置， 区域建议网络RPN通过不同面积、 不同比例的组合形成n个候选区域； 选取3种面积和3种长宽比组成9种可能的候选窗口， 添加64 ×64的参数， 使 得每个锚点增加 到12个候选窗口， 修改后的参数： Anchor  Scaleso为{64 ×64， 128×128， 256×256， 512× 512}， Aspect  Ratios为{2 ∶ 1， 1∶ 1， 1∶2}。 10.一种基于改进Faster  R‑CNN的配电房周界异物检测系统， 其特征在于， 系统采用权 利要求1‑9任一项所述方法， 系统包括视频选帧模块、 图像预处理模块、 异物检测模块及报 警模块； 视频选帧模块， 用于根据场景、 需求以及性能， 设定视频选帧间隔， 将截取的单帧图片 转化为模型可处理的JPG格式图片； 图像预处理模块， 用于对格式转换后的图片进行图像预处理工作， 去 除图片中的部分 噪声干扰； 异物检测模块， 用于根据改进的Faster  R‑CNN异物检测模型， 检测异 物； 报警模块， 用于根据异 物检测的结果， 进行告警。权　利　要　求　书 2/2 页 3 CN 115471790 A 3