[发明专利]一种基于卷积神经网络的电力缺陷图像识别方法

说明书

本发明公开了一种识别效率较高、稳定性较好的基于卷积神经网络的电力缺陷图像识别方法。该基于卷积神经网络的电力缺陷图像识别方法通过设计神经网络结构，网络优化方法建立一套特定领域的图像检测与特征描述算法，使用神经网络直接得到图片是否存在缺陷以及缺陷类别，同时输出缺陷所在区域，该网络具备同时处理识别多种缺陷的功能。相比传统的hog/lbp特征提取方法，对多种缺陷类别具有适应性，且在这些缺陷类别上保持较高的精准度及查全率。基于神经网络的缺陷处理系统稳定性好，提高了输电线路巡检的自动化水平，降低了人工的劳动强度，便于快速准确的发现输电线路缺。适合电力输运系统缺陷检测技术领域推广应用。

技术领域

本发明涉及电力输运系统缺陷检测技术领域，尤其是一种基于卷积神经网络的电力缺陷图像识别方法。

背景技术

近年来，随着电网的快速发展，电网的规模越来越大，输电线路设备数量快速增加，线路设备的老旧程度日趋严重，恶劣气候和微气象条件增多，造成设备缺陷的概率增大，影响输电系统的运行可靠性。输电线路是输送电能的重要纽带，大多数电网设备都是暴露在野外环境中，在自然环境的长期作用下,线路易出现断股、破损等缺陷,需要不断地去监测与维护。而传统的人工巡视检查线路，不仅工作环境艰苦,劳动强度大、工作效率低、准确性低，而且复杂的野外环境可能给巡线人员的人身安全带来风险。

输电线路图像缺陷识别技术主要对输电线路中绝缘子以及导线进行缺陷识别，通过图像识别技术自动识别线路缺陷，避免了人眼识别缺陷的偏差与失误，提升了巡检的效率。现有技术中，由于电力输运系统中的器件挂载位置特别(远离地面)，器件分布离散，导致线路检修成本较高，因此线路电路器件如绝缘子等的破损检测技术越来越重要。

目前图像缺陷识别检测技术是基于传统的特征提取方法，如hog(方向梯度直方图)、lbp(局部二值模式)等特征识别方法，而通过传统的特征提取方法的描述生成过程冗长，导致速度慢、实时性差、对噪点敏感以及检测准确度和查全率低等特点。

发明内容

本发明所要解决的技术问题是提供一种识别效率较高、稳定性较好的基于卷积神经网络的电力缺陷图像识别方法。

本发明解决其技术问题所采用的技术方案为：该基于卷积神经网络的电力缺陷图像识别方法，包括以下步骤：

(1)获取电力线路器件图像集，将获取的电力线路器件图像集分成两部分，其中一部分图像为训练图像集，另一部分为测试图像集，将训练图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的缺陷类别，并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图，将切割图和与之对应的电力线路器件图像以及切割图所对应的类别保存为XML文件得到训练集；将测试图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的类别，并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图并得到其相应的缺陷类别，将切割图和与之对应的电力线路器件图像以及切割图所对应的缺陷类别保存为XML文件得到测试集；

(2)构建训练网络的网络结构，构建训练网络的过程包括如下步骤：

步骤S10，构建所述训练网络的第零层；其中，第零层为输入层；

步骤S20，构建所述训练网络的第一层；其中，所述第一层包括conv1_1、relu1_1、conv1_2、relu1_2、pool1；所述conv1_1、relu1_1、conv1_2、relu1_2依次对所述第零层输入的图像进行卷积处理，接着利用pool1进行池化处理得到多个第一特征图；

步骤S30，构建所述训练网络的第二层；其中，所述第二层包括conv2_1、relu2_1、conv2_2、relu2_2、pool2；所述conv2_1、relu2_1、conv2_2、relu2_2依次对所述第一特征图进行卷积处理，接着利用pool2进行池化处理得到多个第二特征图；