[发明专利]基于智能机器人的架空线异常检测方法和系统

权利要求书

1.一种基于智能机器人的架空线异常检测方法，其特征在于，所述智能机器人悬挂在待检测架空线上，所述智能机器人上设置有摄像单元，所述架空线检测方法包括以下步骤：

通过所述摄像单元对待检测架空线进行拍摄以获取相应的架空线图像；

对所述架空线图像进行预处理以获取第一检测图像；

采用Canny算法对所述第一检测图像进行边缘检测，以获取第二检测图像；

采用自适应多尺度融合特征算法对所述第二检测图像进行处理以获取融合特征图；

采用改进的Faster R-CNN模型根据所述融合特征图对所述待检测架空线进行异常检测。

2.根据权利要求1所述的基于智能机器人的架空线异常检测方法，其特征在于，对所述架空线图像进行预处理以获取所述第一检测图像，包括：依次对所述架空线图像进行畸变校准处理、灰度化处理以及图像降噪处理，以获取所述第一检测图像。

3.根据权利要求1所述的基于智能机器人的架空线异常检测方法，其特征在于，采用所述自适应多尺度融合特征算法对所述第二检测图像进行处理以获取所述融合特征图，包括：

采用卷积及池化操作对所述第二检测图像进行图像降采样处理，以获取尺寸为第一预设尺寸的第三检测图像以及尺寸为第二预设尺寸的第四检测图像；

对所述第二检测图像进行图像卷积操作以获取第一特征图，并对所述第三检测图像进行图像卷积操作以获取第二特征图，以及对所述第四检测图像进行图像卷积操作以获取第三特征图；

对所述第二特征图进行插值处理以获取与所述第一特征图尺寸相同的第四特征图，并对所述第三特征图进行差值处理以获取与所述第一特征图尺寸相同的第五特征图；

对所述第一特征图、所述第四特征图和所述第五特征图进行矩阵加操作以获取所述融合特征图。

4.根据权利要求3所述的基于智能机器人的架空线异常检测方法，其特征在于，在采用所述改进的Faster R-CNN模型根据所述融合特征图对所述待检测架空线进行异常检测之前，还包括：获取训练样本集，并根据所述训练样本集对改进的Faster R-CNN网络进行训练，以获取所述改进的Faster R-CNN模型。

5.根据权利要求4所述的基于智能机器人的架空线异常检测方法，其特征在于，所述改进的Faster R-CNN网络包括改进的残差特征提取层、RPN网络、RoI模块和分类层；其中，所述改进的残差特征提取层包括13个具有ReLU激活功能的残差卷积层和4个池化层，在所述残差卷积层中，每一个核大小为3的卷积核分支均对应设置有一个核大小为1的卷积核分支与一个恒等映射分支，在所述训练样本集输入所述残差卷积层进行训练时，根据所述训练样本集中训练数据的类型，自动分配在不同分支上的训练权重。

6.一种基于智能机器人的架空线异常检测系统，其特征在于，所述智能机器人悬挂在待检测架空线上，所述智能机器人上设置有摄像单元，所述架空线检测系统包括：

第一获取模块，所述第一获取模块用于通过所述摄像单元对待检测架空线进行拍摄以获取相应的架空线图像；

第二获取模块，所述第二获取模块用于对所述架空线图像进行预处理以获取第一检测图像；

第三获取模块，所述第三获取模块用于采用Canny算法对所述第一检测图像进行边缘检测，以获取第二检测图像；

第四获取模块，所述第四获取模块用于采用自适应多尺度融合特征算法对所述第二检测图像进行处理以获取融合特征图；

异常检测模块，所述异常检测模块用于采用改进的Faster R-CNN模型根据所述融合特征图对所述待检测架空线进行异常检测。

7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现根据权利要求1-5中任一项所述的基于智能机器人的架空线异常检测方法。

8.一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现根据权利要求1-5中任一项所述的基于智能机器人的架空线异常检测方法。