[发明专利]一种绝缘子缺陷检测方法

说明书

本发明公开了一种绝缘子缺陷检测方法，包括：采集绝缘子整体区域图像样本；构建目标检测的深度卷积网络，以利用深度卷积网络来检测整体绝缘子区域；标注绝缘子区域，并构建语义分割的深度全卷积网络，以将绝缘子前景区域分割出来；计算分割后的前景区域的主分量，旋转图像使绝缘子区域保持水平，然后采用扫描线算法提取缺陷区域。本方法通过采用深度学习来实现大面积绝缘子区域的提取以及绝缘子前景区域的分割，同时利用计算机视觉中的扫描线算法来实现小面积的绝缘子缺陷的提取，从而解决了现有绝缘子检测困难的问题，提升了检测的准确性。

技术领域

本发明涉及检测技术领域，具体涉及一种绝缘子缺陷检测方法。

背景技术

利用无人机巡检拍摄图像来进行绝缘子的检测与自爆识别研究是目前在电力系统大力推广的方法，具有巡检速度快和安全性高的优点，也能够极大的提高巡检的效率。因此在电力线自动化巡线领域具有广阔的应用和市场需求。

在计算机视觉领域，绝缘子的检测与自爆识别属于目标检测和分类的研究范畴。传统的目标检测和分类一般采用图像处理的方法，根据目标的颜色和形状等信息来从图像中提取出候选区域进行检测与识别。比如AdaBoost检测算法利用Harr特征将弱分类器进行联合来得到强分类器实现人脸快速检测，HoG结合SVM实现了人体目标的检测。在传统的检测和识别中往往采用浅层学习模型来进行识别，比如线性分类器、Boosting、SVM等，因此特征的提取就成为提高识别率的关键。传统的方法以经验为基础来设计特征，比如广泛使用的Harr、HoG、LBP、SIFT特征等，其优势是速度快。但由于人的经验存在主观和局部性，其检测和识别精度一般不高，而且同视角和场景下的目标检测与分类效果差异较大。随着深度神经网络的发展特别是深度卷积网络在图像识别中的成功应用，采用深度学习的方法来进行目标的自动检测和识别成为研究的重点和热点，如Faster R-CNN，SSD，YOLO/YOLO9000等目标检测方案，结合目前最新的分类深度神经网络(如VGG，Resnet，GoogLeNet等)，在精度方面都比传统方法有了明显的提升。同时借助GPU强大的并行计算能力，SSD和YOLO都能达到实时检测的效果。

目前国内采用无人机巡检进行绝缘子检测和自爆识别大部分采用的是传统的计算机视觉方法，利用深度学习的方法来进行绝缘子检测和识别的研究整体较少。图像中的绝缘子自爆区域一般较小而且样本很难找到，目前的深度学习目标检测算法对小目标检测的效果普遍不好。传统的图像处理方法不需要大量的样本，但是误检率较高。

由于绝缘子缺陷在图像区域中的面积较小，而且与非缺陷区域相似性较高，并且实际中采集到的绝缘子缺陷的样本也较少，因此绝缘子缺陷的检测是一个很困难的问题。

发明内容

本发明的目的在于克服上述现有技术的不足，提供一种绝缘子缺陷检测方法，以提高检测的准确性。

为实现上述目的，本发明的技术方案是：

一种绝缘子缺陷检测方法，包括：

采集绝缘子整体区域图像样本；

构建目标检测的深度卷积网络，以利用深度卷积网络来检测整体绝缘子区域；

标注绝缘子区域，并构建语义分割的深度全卷积网络，以将绝缘子前景区域分割出来；

计算分割后的前景区域的主分量，旋转图像使绝缘子区域保持水平，然后采用扫描线算法提取缺陷区域。

进一步地，所述构建目标检测的深度卷积网络，以利用深度卷积网络来检测整体绝缘子区域包括：采用小卷积核3*3来实现特征的提取，采用池化层来增强特征的平移、旋转鲁棒性，并采用基于预定义候选框的方式来检测不同尺度和形状的目标，以提取绝缘子整体区域。

进一步地，所述采用扫描线算法提取缺陷区域包括：