[发明专利]基于智能机器人的架空线异常检测方法和系统

说明书

本发明提供了一种基于智能机器人的架空线异常检测方法和系统，其中，智能机器人悬挂在待检测架空线上，智能机器人上设置有摄像单元，架空线检测方法包括以下步骤：通过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模型根据融合特征图对待检测架空线进行异常检测。由此，能够大大提高架空线异常检测的准确性。

技术领域

本发明涉及架空线异常检测技术领域，具体涉及一种基于智能机器人的架空线异常检测方法和一种基于智能机器人的架空线异常检测系统。

背景技术

相关技术中，无法准确地检测出架空线是否出现异常现象，例如，是否出现突然增大、部分碳钢纤维断裂翘起等异常现象。

发明内容

本发明为解决上述技术问题，提供了一种基于智能机器人的架空线异常检测方法，能够大大提高架空线异常检测的准确性。

本发明采用的技术方案如下：

一种基于智能机器人的架空线异常检测方法，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。

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。

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。

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。

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。