[发明专利]一种基于R-DFPN算法的绝缘子倾斜定位与识别方法

说明书

本发明公开一种基于R‑DFPN算法的绝缘子倾斜定位与识别方法，该方法首先采用航拍无人机获取绝缘子数据经过数据增强与人工标注得到数据集，同时在训练过程中使用密集特征金字塔得到多尺度的特征信息并经过旋转候选区域提取子网络得到带有倾斜角度的目标框，再经过分类回归子网络输出分类和定位信息，最后通过倾斜非极大值抑制输出最后的分类信息和带有倾斜角度的定位信息用以达到检测图像中的绝缘子的五个位置信息与类别信息的目的。本发明精准的将绝缘子的具体位置在图片中定位，剔除无关的背景信息，在电力设备巡检中有很重要的应用价值。

技术领域

本发明属于计算机视觉领域，具体涉及一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，通过深度学习的方法实现在图片中分类并定位绝缘子。

背景技术

在电力系统中的输电线路中，绝缘子是很重要的元器件之一。首先，绝缘子铺设在户外环境中，较容易受气候干扰等自然因素的影响发生磨损、弯曲等故障，再加上绝缘子自身材料的影响，经过一定时间的运作，会导致部分绝缘子功能失效。再则，由于绝缘子长期的运行，也会因为内部的负荷关系导致产生一些变化而损坏。其次，大部分绝缘子在温差变化比较大的环境中运行，因为温差的变化也会导致一些损坏的发生。作为重要元器件的绝缘子在电网中的作用是不言而喻的，一旦受到损坏导致供电中断，重则会造成巨大的经济损失。为了保障电网安全有保障的运行，必须及时进行检测与维护。

电力设备的巡检过程中，一般采取无人机巡线方式，无人机巡线方式具有安全、高效等特点。无人机巡线平台装载摄像机获取大量航拍绝缘子图像。航拍绝缘子图像包含了绝缘子本体与绝缘子周围的户外环境。利用计算机视觉技术，在绝缘子定位的基础上进行状态检测，可以对绝缘子及时有效的进行故障诊断。所以绝缘子自动定位技术可以降低工作人员的工作强度，节省大量人力，同时也提高了定位精度，为绝缘子稳定的运行与实时的故障检测与诊断奠定基础。目前的绝缘子定位技术主要分为两大类，一类是使用传统图像处理方法，这一类方法需要根据特定的场景手工提取适配的特征，泛化能力不够强；另一类则是使用深度学习的方法，深度学习的方法鲁棒性更强，不用经过人工进行特征提取。目前的深度学习的方法都是基于水平轴对称的边界框进行绝缘子的定位与识别，由于绝缘子的特征是高长宽比的，大部分航拍图片中的绝缘子形态为倾斜状态，会导致检测到的绝缘子包含很多背景信息，对下一步要进行的绝缘子故障检测造成一定的困难。因此，本发明提出的一种基于R-DFPN算法的绝缘子倾斜定位与识别方法能够规避上述所描述的缺点，有效的将绝缘子的信息提取，并且尽可能的减少存在的背景信息，为下一步的故障检测奠定稳固的基础。

发明内容

针对现有技术存在的问题，本发明“基于R-DFPN算法的绝缘子倾斜定位与识别方法”利用无人机航拍的绝缘子图像整理并且进行数据增强，再通过人工标注得到绝缘子数据集，同时在训练过程中使用密集特征金字塔多尺度得到特征信息并经过旋转候选区域提取子网络得到带有倾斜角度的目标框，再经过分类回归子网络输出分类和定位信息，最后通过倾斜非极大值抑制输出最后的分类信息和带有倾斜角度的定位信息。

本发明是通过以下技术方案来实现的：一种基于R-DFPN算法的绝缘子倾斜定位与识别方法，该方法包括以下步骤：

步骤1：采用无人机航拍的方式获取绝缘子目标数据集，再经过人工标注绝缘子的倾斜位置，最后建立训练集与测试集以供训练。

步骤2：训练过程中，先由基础网络层进行前期特征提取，然后使用密集特征金字塔架构多尺度输出特征图至候选区域提取子网络。

步骤3：候选区域提取子网络包括旋转锚框机制、倾斜非极大值抑制以及多尺度的旋转感兴趣池化层，输出感兴趣的旋转候选区域至分类回归子网络。

步骤4：分类回归子网络对候选区域子网络提出的感兴趣旋转候选区域进行识别和定位，再由倾斜非极大值抑制输出最后的识别和定位结果。