(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 202211079374.8 (22)申请日 2022.09.05 (71)申请人 中国长江电力股份有限公司 地址 443002 湖北省宜昌市西陵区西坝建 设路1号 (72)发明人 毛华敏　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 高阳 (51)Int.Cl. G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/764(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于Mask_RCNN算法的继电保护压板投退状 态的自动检测方法 (57)摘要 一种基于Mask_RCNN算法的继电保护压板投 退状态的自动检测方法， 属于继电保护领域， 步 骤为： 步骤1： 基于Mask ‑RCNN算法进行图像识别、 图像分割算法设计： 步骤2， 制作数据集： 第一步， 获得原始数据； 第二步， 标记压板分合状态： 第三 步， 制作数据集； 步骤3， 进行训练模型： 在 Tensorflow框架下， 通过调整超参数中学习率和 epoch的值可得到不同精度的识别模型文件。 本 发明解决了变电站二次回路压板状态数据的采 集及状态监测 困难、 人工巡检工作量大等问题， 大幅提升 了智能站运维的工作效率。 权利要求书2页 说明书6页 附图3页 CN 115393691 A 2022.11.25 CN 115393691 A 1.一种基于Mask_RCNN算法的继电保护压板投退状态的自动检测方法， 其特征在于包 括以下步骤： 步骤1： 基于 Mask‑RCNN算法进行图像识别、 图像分割算法设计： 步骤1.1： Mask ‑RCNN算法架构由骨干网络、 区域推荐网络、 识别、 定位分支和mask分支 构成； 其中骨干网络用提取图像卷积特征并生成不同尺度的特征图， 然后将特征图送入区 域推荐网络； 由区域推荐网络生 成前景建议区域， 再送入后续的识别、 定位和mask分支进 行 分类回归计算； 步骤1.2： 进行分类和回归： 利用公式(1)的分级标准， 根据目标前景建议区域的尺寸来 选择切入的特 征图； 公式(1)如下： 其中： wh表示特 征图的面积； k0表示面积为wh的前景建议区域所应该在的层级； k0设定初始值 为4， 前景建议区域尺寸小于2 24*224； 步骤1.3： Mask分支： 将特征融合后的不同层级的特征图送入RoIAlign进行池化， 经FPN   head送入全 卷积网络生 成mask； 将在分类回归分支得到的类别和坐标信息送入四层卷积网 络使用Relu函数进行激活， 将目标类别的像素点置1； 其后经过一个逆卷积层， 进行反向传 播； 不同尺度的目标按照规则选择不同尺度的特征图， 最 终将掩膜信息放大到原图， 输出掩 膜图像； 步骤1.4： 进行损失函数设计； 步骤2， 制作数据集： 第一步， 获得原 始数据； 第二步， 标记压 板分合状态： 第三步， 制作数据集； 步骤3， 进行训练模型： 在Tensorflow框架下， 通过调整超参数中学习率和epoch的值可 得到不同精度的识别模型文件。 2.根据权利要求1所述的基于Mask_RCNN算法的继电保护压板投退状态的自动检测方 法， 其特征在于： 步骤1.4中， Mask ‑RCNN算法用于完成目标识别、 定位和掩膜图像； 训练时的 误差由区域推荐网络、 分类回归分支和mask分支产生， 在设计损失函数时结合这3个部 分的 误差得到： L＝LRcls+LRreg+LFcls+LFreg+Lmask                         (2) 其中： LRcls表示RPN网络分类损失； LRreg表示区域推荐网络回归损失； LFcls表示目标分类 分支损失； LFreg表示目标回归分支损失； Lmask表示目标掩码分支损失； 分类损失函数由区域推荐网络分类和目标分类损失组成； 回归损失由区域推荐网络回归损失目标回归损失组成； 1)分类损失 区域推荐网络分类的产生的anchor只分为前景和背景， 前景的标签为1， 背景的标签为权　利　要　求　书 1/2 页 2 CN 115393691 A 20； Lcls(pi,pi*)是目标与非 目标两个类别的对数损失， 在目标分类中， Lcls(pi,pi*)是多分类 的交叉熵损失； 2)回归损失： 选择L1范数作为回归的损失函数； 为了保证损失函数的平滑性， 将L1范数函数改造成分 段函数， 表达式如下： 回归损失函数如下公式(5)所示 其中： ti＝{tx,ty,tw,th}表示预测抓取框的位置； ti*＝{tx,ty,tw,th}表示实际抓取框的 位置； Lreg(ti,ti*)＝smooth(ti,ti*)； (3)mask分支损失函数： 在目标分类回归分支， 得到k个目标检测结果， 则目标分割会输出k个 a×a的矩阵， 若为 是目标则置1， 不是则置0， 组成矩阵； 选择对 数损失函数衡量目标分割结果； 则对于一个a × a候选框， 损失函数的公式(6)如下： 其中： yij其中a×a候选框内像素点(x， y)像 素实际的标签值； ——a×a候选框内像素 点(x， y)像素 预测的第K类别的标签值。 3.根据权利要求1所述的基于Mask_RCNN算法的继电保护压板投退状态的自动检测方 法， 其特征在于： 步骤2， 制作数据集的方法为： 第一步， 获得原始数据； 在厂内保护盘收集保护装置压板图像， 剔除模糊图片、 筛选出 符合要求的图像； 第二步， 标记压板分合状态： 利用labeme软件逐一手动标记压板的不同分合状态； ON代 表压板合， OFF代表压板分； labelme标注之后， 可以得到与图片一一对应的.json文件， 文件 中包含该图像中人工画出的定位框的顶点 坐标和所属类别； 第三步， 制作数据集： 利用json文件中包含原始图片的图号、 类别和坐标信息； 之后利 用labelme自带的dataset转化代码转换成Labelme_json文件夹； 然后将文件归类整理， 得 到cv2_mask、 json、 label me_json、 pic四个数据集必要文件； 最终整理得到 各类别的训练数 据量表格； 利用这些 数据， 训练出压 板分合模型。 4.根据权利要求1所述的基于Mask_RCNN算法的继电保护压板投退状态的自动检测方 法， 其特征在于： 步骤4中， 一个epoch是指所有的数据 送入网络中完成一次前向计算及反向 传播的过程； 训练时， 分别将学习率设置为： 0.001， 0.0009， 0.0008， 0.0007， 0.0005； epoch 分别设置为： 20， 30， 40， 50， 60； 按照这些参数进行模型训练， 最终选取表现最为良好的模 型， 其学习率为0.001， epoch设为50； 主要参数设置： 学习率为0.001， epoch设为50， Batch_ size设为1， anchor的scale设为(128， 2 56， 512)、 aspect_ratio 设为(1:3、 1:1、 3:1)； 训练完 成之后记录测试模型精度。权　利　要　求　书 2/2 页 3 CN 115393691 A 3