(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 202211076282.4 (22)申请日 2022.09.02 (71)申请人 国网新疆电力有限公司乌鲁 木齐供 电公司 地址 830000 新疆维吾尔自治区乌鲁 木齐 市新市区北京南路3 5号 申请人 国家电网有限公司 　湖南大学 (72)发明人 曹留　绳飞　郭江　崔用江　 刘玉龙　薛鹏　刘英昌　 居来提·阿不力孜 　缪刚　胡健民　 黄杰　张勇　朱彦卿　 (74)专利代理 机构 深圳市深软翰琪知识产权代 理有限公司 4 4380 专利代理师 吴雅丽(51)Int.Cl. G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/766(2022.01) G06V 10/40(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于Cascade R- CNN的绝缘子故障识别方法 (57)摘要 本发明公开了一种基于Casca de R‑CNN的绝 缘子故障识别方法， 包括以下步骤： 步骤1、 获取 输电线路上的绝缘子故障图像； 步骤2、 对获得的 故障绝缘子图像通过labelimg软件进行故障标 注， 然后将标注好的所有绝缘子图像输入 Cascade  R‑CNN网络中， 通过copy ‑paste和 mosica数据增强方法丰富绝缘子的数据集； 步骤 3、 利用改进Cascade  R‑CNN网络提取绝缘子异常 放电与自爆两种故障的特征， 并将故障绝缘子分 类成自爆和异常放电两种状态， 并迭代多次。 步 骤4、 基于步骤3学习到的两种故障的特征， 对新 输入的绝缘子图像中进行分类。 本发 明有效的解 决了现有技术中人工判断的精度低以及耗时高 的问题。 权利要求书2页 说明书7页 附图3页 CN 115546535 A 2022.12.30 CN 115546535 A 1.一种基于 Cascade R‑CNN的绝缘子故障识别方法， 其特 征在于， 包括以下步骤： 步骤1、 获取输电线路上的绝 缘子故障图像； 步骤2、 对获得的故障绝缘子图像通过labelimg软件进行故障标注， 然后将标注好的所 有绝缘子图像输入Casc ade R‑CNN网络中， 通过copy ‑paste和mosica数据增强方法丰富绝 缘子的数据集； 步骤3、 利用改进Cascade  R‑CNN网络提取绝缘子异常放电与自爆两种故障的特征， 并 将故障绝 缘子分类成自爆和异常放电两种状态， 并迭代多次。 步骤4、 基于步骤3学习到的两种故障的特 征， 对新输入的绝 缘子图像中进行分类。 2.根据权利要求1所述的基于 Cascade R‑CNN的绝缘子故障识别方法， 其特 征在于， 步骤3中Cascade  R‑CNN网络在结构上引入可变性卷积以增强模型的学习能力。 3.根据权利要求2所述的基于Cascade  R‑CNN的绝缘子故障识别方法， 其特征在于， 可 变性卷积的实现过程 为： 采用二维卷积， 假设卷积核的尺寸为3*3， 在输入的特征图上使用网格R进行采样， 其次 每个点进行加权求和运 算； R＝{(‑1，‑1)， (‑1， 0)， ...， (0， 1)， (1， 1)}； 其中对应了9个采样点； 卷积计算公式为 x(·)和y(·)分别是卷积层的输入特 征图与输出 特征图； 其中p0是卷积中心， pn是对R中的所有位置的枚举； Δpn是偏移量； 若p0+pn+Δpn不为整数则需采用双线性差值， 计算公式为： 其中p为经过偏移的任意一点， q是p点周围最近的网格整点， G( ·，·)是双线性差值的 核， 是二维的， 下式 中用x， y的下 标来表示 不同维度； G(q， p)＝max(0， 1 ‑|qx‑px|)*max(0， 1 ‑|qy‑py|)。 4.根据权利要求1所述的基于 Cascade R‑CNN的绝缘子故障识别方法， 其特 征在于， 步骤3中Cascade  R‑CNN中有三个 检测器， 每 个检测器都包 含分类损失与回归损失。 其中损失函数的计算公式为： 式中： i表示预测框编号； k代表检测器编号(当k＝1 时Nt＝0.5， 当k＝2时Nt＝0.6， 当k＝ 3时Nt＝0.7))； pi表示预测框i是否存在目标的概率； 表示对应的真实框概率(当预测框与 真实框的IoU≥Nt时为正样本， 当IoU＜Nt时为负样本， 其中IoU为真实框与预测框面积的交 并比， Nt如上所述为根据检测器编号 设定的参数阈值； ti表示预测框i的坐标信息； 表示对 应的真实框与预测框i之间的偏移量； λ为平衡两个损失的超参数； Lcls为分类损失； Lreg为边 框回归损失， 计算公式为： 权　利　要　求　书 1/2 页 2 CN 115546535 A 2其中x， y， w， h为预测框对应的四个坐标信息； 在第一个检测器中使用Balanced  L1损失替换Smooth  L1损失， 起到平衡难易样本的作 用， 第二和第三个 检测器中使用Smo oth L1损失； Balanced L1计算公式为： 为确保函数的连续 性， α ln(b+1)＝γ， 其中α 设置为0.5， γ设置为1.5 。 5.根据权利要求1所述的基于Cascade  R‑CNN的绝缘子故障识别方法， 其特征在于， 步 骤1中， 标注完成后每张图片会生成对应的.xml文件， 其中包含矩形框的位置信息， 图片的 大小和标签的分类信息 。 6.根据权利要求1 ‑5任一项所述的基于Cascade  R‑CNN的绝缘子故障识别方法， 其特征 在于， 步骤2中采用copy ‑paste和mosica数据增强方法的过程为： 随机选取数据集中的两张 图片， 将图片中的目标对象复制出来， 再 经过旋转， 尺度变换后直接粘贴在另一个图像中。权　利　要　求　书 2/2 页 3 CN 115546535 A 3