[发明专利]一种倾斜耐张绝缘子串的检测方法

说明书

本发明涉及一种倾斜耐张绝缘子串的检测方法，由检测模型进行检测，所述检测模型由特征提取网络、旋转区域候选网络RRPN及全连接识别网络三个子网络依次连接组成。所述检测模型训练过程包括步骤1‑10，检测模型的检测过程为步骤11，本发明提供一种有效检测区域接近100％占比的倾斜耐张绝缘子串的检测方法，从而过滤背景复杂信息，并提高耐张绝缘子串的检测精度。

技术领域

本发明属于耐张绝缘子串检测技术领域，具体涉及一种倾斜耐张绝缘子串的检测方法。

背景技术

耐张绝缘子串作为输电线路重要组成部分，用于连接输电线路与杆塔，承担着输电线路电气绝缘和结构支撑功能，是线路安全运行的重要影响因素。由于耐张绝缘子串在室外各种环境中长期运行，受自然环境、高电压及自身寿命的影响，耐张绝缘子串极易发生污闪、掉串等电网事故，而对于耐张绝缘子串的精确目标检测是对其状态检测和故障识别的重要一环。

传统的耐张绝缘子串检测以人工巡检为主，其检测耗时巨大，安全性低，大规模巡检成本极高。随着无人机巡检技术及深度在电力领域的应用，无人机巡检以其安全性高、成本低、无地域限制、多视角等优点逐渐取代了人工巡检。

随着卷积神经网络(CNN)在图像识别领域中屡次突破，带动了如目标检测、图像分割、目标追踪等领域的高速发展。目前，目标检测领域主流算法如Faster R-CNN系列、YOLO系列等算法在检测精度和检测效率上都有了极大提升。在电力设备检测领域，基于深度学习的目标检测技术开始与无人机巡检技术结合以期实现高精度、高速率的巡检。

由于杆塔上耐张绝缘子串悬挂点的高度与输电线路高度不一致，耐张绝缘子串一般都具有一定倾斜角度，其倾斜角定义为耐张绝缘子串中心线与垂直线的夹角，但对于倾斜耐张绝缘子串的检测定位与识别而言，其检测框却为正矩形，当对检测框内耐张绝缘子串进行识别时，检测框内不仅有耐张绝缘子串特征还有背景的干扰特征，对速度和精度均有不良影响。

发明内容

针对倾斜耐张绝缘子串有效检测区域占比低的问题，本发明的目的是提供一种有效检测区域接近100％占比的倾斜耐张绝缘子串的检测方法，从而过滤背景复杂信息，并提高耐张绝缘子串的检测精度。

本发明采用的技术方案是：

本发明提供了一种倾斜耐张绝缘子串的检测方法，由检测模型进行检测，所述检测模型由特征提取网络、旋转区域候选网络RRPN及全连接识别网络三个子网络依次连接组成。

进一步地，所述检测模型经过训练后建立，所述检测模型的训练过程包括以下步骤1-10；

步骤1：利用无人机采集输电线路耐张绝缘子串图片数据，使用标注软件对图片数据集进行标注，并划分训练集和测试集；

步骤2：随机选取训练集中含有耐张绝缘子串目标的图像，经过旋转数据增强获得旋转图片样本集合，经特征提取网络后得到特征图；

步骤3：根据角度参数、长宽比参数及尺寸参数构建锚框，锚框在特征图上遍历生成基准框；

步骤4：将生成的基准框送入分类器进行前景和背景判别，并根据前景相对概率大小选出旋转候选区域簇；

步骤5：在基准框中按交并比大小选出每一个真实边框的目标候选区域，再根据目标候选框和基准框所对应的候选区域计算旋转区域候选网络的分类损失和回归损失；

步骤6：混合真实边框和旋转候选区域簇得到批数据，在批数据中随机选取一定数量的前景和背景旋转候选区域组成旋转候选区域批数据；

步骤7：将获得的旋转候选区域批数据送入旋转候选区域池化层，输出大小

一致的特征图；

步骤8：将统一尺寸的特征图送入全连接分类网络，通过旋转不变层计算旋转不变特征，并获得分类结果和目标框；