[发明专利]基于增强不同层次特征表示的电力设备图像缺陷检测方法

说明书

本发明涉及基于增强不同层次特征表示的电力设备图像缺陷检测方法，与现有技术相比解决了缺陷区域对于图像占比区别较大导致电力设备图像缺陷检测率低的缺陷。本发明包括以下步骤：训练数据的获取；电力设备图像缺陷检测网络的构建；电力设备图像缺陷检测网络的训练；待检测电力设备图像的获取；电力设备图像缺陷检测结果的获得。本发明充分考虑电力设备图像中增强不同层次特征表示，利用定位特征增强分类特征，利用分类特征增强定位特征，可以自动结合高层次利于分类的特征和低层次利于定位的特征，利用不同层次特征之间的相关性进行特征增强，提高电力设备图像缺陷检测率、准确率。

技术领域

本发明涉及电力设备信息化技术领域，具体来说是基于增强不同层次特征表示的电力设备图像缺陷检测方法。

背景技术

在变电站缺陷图像的检测应用中，实际变电站内图像面临着多种环境因素影响，造成检测精度低。为了解决这种问题，一个较为有效的思路是收集大量的不同状态下变电站内缺陷图像数据，再经过基于深度学习检测模型训练，来提升目标检测精度，以满足实际应用程度。

但是在收集的过程中就会出现同一场景下的缺陷出现远景和近景的情况，如图2a和图2b所示，表计破损缺陷在大图中占比较小、但在近图中占比较大；再如图3a和图3b所示，鸟巢缺陷在大图中占比较小、但在近图中占比较大。这类电力设备图像造成的缺陷在图像中占比区别过大，占比大的更需要分类信息用于检测，占比小的更需要定位信息。

因此，如何基于此进行有效区分以提高电力设备缺陷图像检测率已经成为急需解决的技术问题。

发明内容

本发明的目的是为了解决现有技术中缺陷区域对于图像占比区别较大导致电力设备图像缺陷检测率低的缺陷，提供一种基于增强不同层次特征表示的电力设备图像缺陷检测方法来解决上述问题。

为了实现上述目的，本发明的技术方案如下：

一种基于增强不同层次特征表示的电力设备图像缺陷检测方法，包括以下步骤：

训练数据的获取：获取已标注缺陷的电力设备图像并进行预处理，组成训练数据集；

电力设备图像缺陷检测网络的构建：构建由不同层次特征表示网络、不同层次特征增强表示网络和缺陷检测网络组成的电力设备图像缺陷检测网络；

电力设备图像缺陷检测网络的训练：将训练数据集输入电力设备图像缺陷检测网络进行训练；

待检测电力设备图像的获取：获取待检测的电力设备图像，并进行预处理；

电力设备图像缺陷检测结果的获得：将预处理后的待检测电力设备图像输入训练后的电力设备图像缺陷检测网络，在电力设备图像中检测定位出缺陷结果。

所述电力设备图像缺陷检测网络的构建包括以下步骤：

基于浅层卷积神经网络和深层卷积神经网络构建不同层次特征表示网络，其均包括卷积操作、池化操作、激活操作和批量归一化操作；

设定浅层卷积神经网络和深层卷积神经网络的卷积均采用预设的初始卷积核对作用域相加再求和得到卷积结果；池化操作均采用预设的池化核在特征图上一步步滑动操作，使用作用域内最大的值得到池化值或者求平均得到池化值；

基于特征金字塔网络构建不同层次特征增强表示网络，采用侧向连接的层次结构，将高层级特征中的语义信息自上而下传到低层特征上；

设定在特征金字塔网络中包括两个部分：自底向上的不同层次特征表示网络和自上而下相邻层插值相加训练过程；设定在各层级特征的基础上进行特征增强；

构建缺陷检测网络：缺陷检测网络包括2个分支，一个1*1*C卷积的分类分支使用softmax损失，一个1*1*4卷积的定位分支使用smoothL1损失，根据增强后的各层级特征做最终检测。