[发明专利]基于CenterNet网络的绝缘子红外图像检测方法

说明书

一种基于CenterNet网络的绝缘子红外图像检测方法，通过获取图像、数据集的整理和扩充绝缘子红外数据集，以CenterNet模型自有权重作为预训练权重，将训练集导入CenterNet模型中进行训练，将训练完成后得到的权重作为CenterNet模型的预训练权重，并对验证集进行测试，得出CenterNet模型的检测精度，采用深度学习方法来实现对红外图像中绝缘子的检测，检测精度与运行效率高。

技术领域

本发明属于绝缘子检测技术领域，涉及一种基于CenterNet网络的绝缘子红外图像检测方法。

背景技术

绝缘子是电力系统稳定的重要环节。由于变电站与电力线路多位于偏远地区，互感器，绝缘子以及断路器等电力设备长期暴露于自然环境下，易受恶劣环境影响从而发生故障，影响电力系统的正常运行。

传统的人工检测方法非常耗费人力和物力，且输电线路所处地区较为复杂，人工检测效率不高，比起人工检测以及传统检测算法，深度学习拥有更高的检测精度以及更快的检测速度。目前深度学习方法已被广泛应用于绝缘子的故障诊断领域，结合深度学习的检测方案可以大幅提高工作效率。主流的方案均是针对可见光数据集，可见光数据集可以很好地反映绝缘子的外部轮廓，但是却无法反映绝缘子的内部状况，不利于后续的故障诊断，红外图像可以很好地反映其内部向外辐射的热量并利用颜色来区分出电力设备及其背景的温度差异；常见故障如机械故障、不合理的电气负荷条件以及内部缺陷等都会引起内部的温度异常，并进一步通过颜色差异来判断设备的故障情况，因此绝缘子数据要更适合用于绝缘子的故障诊断。

而当前主流的算法模型如Yolov3，Faster-CNN等都需要在特征图上列举每一个类别的所有可能框，且每一个可能的位置都会列举多个尺寸形状的框以迎合目标的形状，这种方法计算量极高，且需要通过后处理来将冗余的预测框去掉，导致模型整体比较复杂，且无法实现端到端的训练。

发明内容

本发明所要解决的技术问题是提供一种基于CenterNet网络的绝缘子红外图像检测方法，通过建立绝缘子红外图像数据集，并且将CenterNet模型引入训练，来提高模型对绝缘子红外图像的检测精度。

为解决上述技术问题，本发明所采用的技术方案是：一种基于CenterNet网络的绝缘子红外图像检测方法，其特征是，它包括如下步骤：

步骤1，获取图像，采用红外相机拍摄绝缘子，选取清晰的图像作为绝缘子红外图像数据；

步骤2，数据集，对红外图像数据中的绝缘子进行标注，按照COCO数据集格式将绝缘子红外图像数据整理成数据集；

步骤3，扩充，根据数据集得到的结果，选择利用反转、裁剪、对称、补全的方法来扩充绝缘子红外数据集；

步骤4，分类，将绝缘子红外数据集按比例分为训练集和验证集；

步骤5，训练，以CenterNet模型自有权重作为预训练权重，将训练集导入CenterNet模型中进行训练；

步骤6，检测精度，将训练完成后得到的权重作为CenterNet模型的预训练权重，并对验证集进行测试，得出CenterNet模型的检测精度。

在步骤2中，对绝缘子红外图像进行数据标注所采用的软件为ImageLabel，标注后将原始图像文件与含标签信息的标注文件按照COCO数据集格式整理成绝缘子红外图像数据集。

在步骤4中，所需训练集与验证集的比例为7：3。

在步骤5中，CenterNet模型是拖过预测目标中心点，并给出目标宽度和高度信息的算法；Centernet模型将输入图片尺寸统一为512×512，并在预处理阶段将输入图片的尺寸四倍下采样至128×128；随后CenterNet网络提供多种骨干网络。