[发明专利]一种用于电力巡检绝缘子故障图像识别方法

说明书

本发明提供一种用于电力巡检绝缘子故障图像识别方法，包括以下步骤：S1、采集航拍绝缘子图像，制作绝缘子故障数据集；S2、对绝缘子故障位置进行标注，得到绝缘子故障数据集；S3、随机选取数据集中的一部分图像作为训练集，剩余图像作为测试集；S4、对步骤S2得到的绝缘子故障数据集进行预测框计算；S5、建立基于深度学习的绝缘子故障检测模型；S6、进行网络设置，重复迭代训练，得到绝缘子故障检测模型；S7、利用训练好的绝缘子故障检测模型进行性能测试，输出检测结果。本发明对于复杂背景干扰下航拍图像中绝缘子故障检测具有很好的鲁棒性，实现了对输电线路巡检中绝缘子故障目标的检测，具有较高的检测准确率和召回率。

技术领域

本发明涉及基于深度学习的目标检测技术领域，具体涉及一种用于电力巡检绝缘子故障图像识别方法。

背景技术

随着高压输电线路的扩大，越来越多的绝缘子被应用于电网。绝缘子作为必不可少的组件之一，在高压输电线路中起到连接支撑和电气绝缘的作用。由于绝大部分绝缘子长时间暴露在室外，容易受到损坏，电网的安全稳定运行可能受到威胁，在严重的情况下，还可能导致广泛的停电事故，并造成巨大的经济损失。电网事故主要是由绝缘子故障引起的，因此，对高压输电线路中的绝缘子故障进行智能巡检具有重要的现实意义。在过去的十年中，随着计算机视觉和图像处理技术的发展，传统的人工巡检逐渐被无人机航拍巡检所取代。传统的目标检测方法和基于深度学习的目标检测方法已经实现对航空图像中的绝缘子故障进行了检测。

深度神经网络会充分利用卷积神经网络来自动学习目标深度特征，并优化神经网络的参数以提高检测精度。与传统的目标检测方法相比，基于深度学习的目标检测方法在特征提取方面具有很强的优势。YOLO-v3作为典型的端到端检测网络，在目标检测领域得到了广泛的应用。由于航拍图像不同的拍摄角度和拍摄距离，以及绝缘子故障相对较小，YOLO-v3在复杂的背景下的绝缘子故障检测性能不高。

发明内容

(一)解决的技术问题

本发明针对在复杂的背景下，YOLO-v3对绝缘子故障检测性能不高的缺陷问题，提供了一种用于电力巡检绝缘子故障图像识别方法。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种用于电力巡检绝缘子故障图像识别方法，包括以下步骤：

S1、采集航拍绝缘子图像，制作绝缘子故障数据集；

S2、利用Label-Image标注工具对航拍图像中的绝缘子故障位置进行标注，得到绝缘子故障数据集；

S3、随机选取数据集中的一部分图像作为训练集，剩余图像作为测试集，训练集与测试集按照2：1比例选取；

S4、对步骤S2得到的绝缘子故障数据集进行预测框计算，先读取标注好的数据集，随机初始化边界框的宽度和高度，再利用K-means++算法进行迭代，计算得到预测框的坐标；

S5、建立基于深度学习的绝缘子故障检测模型，所述检测模型具体包含依次连接的主干网络层、金字塔池化层、特征融合层、目标检测层。

S6、将训练集图像输入步骤S5所述的绝缘子故障检测模型，进行网络设置，重复迭代训练，得到训练好的绝缘子故障检测模型；

S7、测试集图像输入到步骤S6训练好的绝缘子故障检测模型进行性能测试，输出检测结果。

根据本发明的一实施例，选取航拍绝缘子故障图像864张，图像分辨率调整为416×416，建立绝缘子故障数据集；选取576张标注后的绝缘子图像作为训练集，其余288张绝缘子图像用作测试集。