[发明专利]基于深度学习的航拍图像绝缘子掉片故障快速检测方法

摘要

本发明涉及一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法。该方法涉及高压输电线路巡线技术、图像识别技术、机器学习技术领域，包括：建立巡线绝缘子数据库，包括绝缘子检测图像库和绝缘子掉片故障检测图像库；利用数据增强扩充数据库；建立与检测图像库对应的图像标签库，包括绝缘子检测标签库和绝缘子掉片故障标签库；建立深度学习目标检测模型SSD，包括基础网络MobileNet和辅助网络；生成数据集，包括绝缘子检测训练集、绝缘子检测测试集、绝缘子掉片故障检测训练集、绝缘子掉片故障检测测试集；训练模型；固化模型用于快速检测；测试模型，将待检测图片输入模型中得到绝缘子掉片故障检测结果。

主权项

1.一种基于深度学习的航拍图像绝缘子掉片故障快速检测方法，其特征在于，包括如下步骤：步骤S1、建立巡线绝缘子数据库，包括绝缘子检测图像库和绝缘子掉片故障检测图像库，其中，绝缘子检测图像库包括不同形态的正常绝缘子，图像为完整航拍图像且归一化到1024*1024像素尺寸；绝缘子掉片故障检测图像库中包括掉片故障的绝缘子，图像为原航拍图像裁剪后的绝缘子区域图像且保持裁剪后的像素尺寸；步骤S2、数据增强：利用数据增强技术扩充数据集，即将巡线绝缘子数据库中的一张原图通过包括扭曲、旋转、镜像、裁剪或拉伸的数据增强操作，变换为一张新的图像，所有的数据增强操作以预定概率施加在原图上，即一张图片被施加一种或多种数据增强操作；步骤S3、建立与巡线绝缘子数据库对应的图像标签库：巡线绝缘子数据库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件；绝缘子检测图像库的标签文件中包括以下信息：图片ID号，图片的像素高度、宽度与深度，图片的路径，图片所包含的目标种类，绝缘子目标所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax)，其中(xmin,ymin)为边界框的左上顶点坐标，(xmax,ymax)为边界框的右下顶点坐标；绝缘子掉片故障图像库的标签文件中包括以下信息：图片ID号，图片的像素高度、宽度与深度，图片的路径，图片所包含的目标种类，绝缘子掉片故障所在区域的矩形边界框的坐标(xmin,ymin,xmax,ymax)；步骤S4、建立深度学习模型：采用端到端的深度学习目标检测网络SSD，具体分为基础网络和辅助网络，其中基础网络选用轻量级的CNN网络mobilenet，辅助网络使用3*3卷积核构成6层附加卷积层，生成对应的特征图，辅助网络的输入为所述基础网络的不同卷积层的特征图输出；辅助网络上的每层特征图都生成固定数量的检测器，检测器有两种功能：（1）预测目标边界框的位置；（2）所预测目标种类的得分；步骤S5、数据集生成：将所有参与训练的图像与其对应的标签文件合成一个用于训练的、可读取的文件；步骤S6、训练绝缘子检测模型：利用步骤S3的SSD模型通过反向传播算法在绝缘子检测图像库上进行训练，得到绝缘子检测模型，其中，训练所用的初始化模型为在COCO数据集上训练所得的模型；步骤S7、训练绝缘子掉片故障检测模型：利用步骤S3的SSD模型通过反向传播算法在绝缘子掉片故障图像库上进行训练，得到绝缘子掉片故障检测模型，其中，训练所用的初始化模型为在COCO数据集上训练所得的模型；步骤S8、固化模型用于快速检测：将模型中所含的训练变量剔除，只保留前向传播的神经元权重与偏置常量，缩小模型体积，方便模型移植，提高检测速度；步骤S9、模型测试：将待检测的图片或者视频输入到固化后的检测模型中，用矩形边界框在原图像或者视频中标注出检测到的绝缘子区域或绝缘子掉片故障区域，以及它们的置信度得分。