[发明专利]一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法

说明书

本发明公开了一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法，包括：步骤S1：收集输电线路的螺栓图像并框选出螺栓位置，将框选出的图像分割提取，作为初始样本集；步骤S2：判断初始样本集中的螺栓缺失情况；步骤S3：对初始样本集中螺栓未缺失的图片进行样本量的扩充，得到扩充样本集；步骤S4：将扩充样本集作为训练数据导入Faster R‑CNN网络模型进行训练；步骤S5：识别待检测图像中的螺栓缺损情况并框选螺栓位置，本发明解决了现有螺栓缺失检测方法中准确度低、易受外部光线影响的问题，实现了更为通用的螺栓缺陷检测技术，本发明提出的方法具备更高的准确度和适用性，使待检数据的采集不再受限于天气、位置和设备因素的影响。

技术领域

本发明涉及输电线路缺陷检测技术领域，具体涉及一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法。

背景技术

输电线路是国家电力系统中的重要部分，通常存在于各种复杂的环境中，经历风吹日晒等外界环境因素影响后难免会出现不同程度的损耗，为了给居民提供更稳定的供电环境，对线路的检修必不可少。人工检修不仅耗资巨大，而且对于检修人员的安全也缺乏保障，一些极端的地理位置也会对输电线路人工检修造成阻碍，而无人机的出现无疑在线路检修方面提供了更为简便、安全的方法。

尽管无人机在输电线路中的缺陷检修已经得到了大量的应用，但是对无人机采集的大量图片数据进行缺陷分析仍存在困难。传统的无人机巡检图像处理方式，存在效率低、准确度不高等缺点。在输电线路中螺栓缺陷是常见的器件缺陷，常规的螺栓缺陷检测方案是通过深度学习提取大量的数据集特征，然后利用检测识别网络判断螺栓是否缺损。这种存在受外部影响大，适用范围窄，在螺栓缺失的情况检测准确率不高，对不存在模板的螺栓模型无法进行检测。

发明内容

本发明的目的是为了提供一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法。此方法旨在解决现有技术中的缺陷检测方法受外部影响大，适用范围窄，在螺栓缺失的情况检测准确率不高，对不存在模板的螺栓模型无法进行检测的问题。

为达到上述目的，本发明通过以下技术方案实现：

一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法，包括：

步骤S1：收集输电线路的螺栓图像，并在所述螺栓图像上框选出螺栓位置，将框选出的所述螺栓位置的图像分割提取，作为初始样本集；

步骤S2：通过Phash算法判断初始样本集中的螺栓缺失情况，选择相似度阈值；

步骤S3：将所述初始样本集中螺栓未缺失的图片作为基础样本集，对所述基础样本集进行样本量的扩充，得到扩充样本集；

步骤S4：通过深度学习构建用于识别螺栓缺陷的Faster R-CNN网络模型，将所述扩充样本集作为训练数据并对所述Faster R-CNN网络模型进行训练，将训练完成的所述FasterR-CNN网络模型放置在CPU上；

步骤S5：利用无人机拍摄所述输电线路的图片并作为待检测图像，通过Phash算法判断所述待检测图像中螺栓缺失情况，将所述待检测图像输入至训练完成后的所述FasterR-CNN网络模型，利用所述Faster R-CNN网络模型判断所述待检测图像中螺栓缺陷情况。

优选的，在所述步骤S2中，判断初始样本集中的螺栓缺失情况，若判断所述初始样本集中一图片存在螺栓缺失，则标记前述图片，定义为螺栓缺失；若判断所述初始样本集中另一图片不存在螺栓缺失，则执行所述步骤S3。

优选的，在所述步骤S2中，判断初始样本集中螺栓缺失情况的具体步骤包括：