继电保护压板状态自动识别算法研究
引言
在计算机网络和人工智能快速发展的时代，人身安全、社会安全以及国家安全越来越受到大众的关注。图像作为信息的一种载体，当需要检索和传递图像中的信息时，计算机的图像识别技术起到极为重要的作用[1]。而当前流行的深度学习广泛应用于人工智能和目标检测与跟踪，使得计算机视觉领域下的目标检测技术逐渐成熟，改进了传统目标检测算法难以满足目标检测中数据处理效率、性能、智能化等方面要求的缺点。
基于深度学习和机器学习的自动识别技术已经广泛应用于各个工程领域，对电力系统继电保护装置的压板状态判断也起到极其关键的作用。保护压板是保护装置联系外部接线的桥梁和纽带，关系到保护的功能和动作出口能否正常发挥作用。在运维检修人员执行现场安全措施时，一般需要在保护装置和智能终端上投入和退出检修压板。继电保护压板投入和退出状态的准确性，是电网安全可靠运行的关键[2]。因此，基于深度学习和机器学习，编写一种能够自动检查判断继电保护压板状态的图像检测识别算法，具有很深的研究意义。
基于深度学习的目标检测技术
基于Region Proposal的two stage检测算法
- CNN是Girshick等人首次提出的第一个基于深度学习的目标检测方法，虽然能使mAP值大幅提升，但仍有不足：在时间上，由于众多候选框，卷积神经网络需要逐个向前传播提取特征，导致运算量庞大、效率低；空间上，训练步骤费时且占用过多资源。由于输入的候选区域必须是固定大小，因此经过crop或warp操作后,裁剪区域可能不包含整个对象，而扭曲内容可能导致几何失真，影响检测精确度。对于这些问题，何恺明等人提出空间金字塔池化模型（SPP-Net）进行解决。[3]
现有的深度卷积神经网络(CNNs)需要一个固定大小的输入图像，这种要求是“人为的”，可能会降低任意大小/比例的图像或子图像的识别精度。所以，为消除上述要求，新的网络结构—SPP-Net(金字塔池化网络)得到广泛运用。
SPP-Net不仅可以从任意大小的图像/窗口中生成表示用于测试，而且还允许在训练期间提供不同大小或比例的图像。使用变大小图像进行训练，增加了尺度不变性，减少了过拟合。
SPP-Net是基于多尺度的目标检测框架，多尺度在于和R-CNN相比。在最后一个卷积层和全连接层之间增加一个SPP层，SPP使用多级空间区间，而滑动窗口池仅使用单个窗口。在更深层次网络中，由于输入尺度的灵活性，SPP可集合不同尺度下提取的特征，避初始就 crop和warp。同时，不论输入图像大小，SPP都能生成固定长度输出。[4]
