一种基于改进的Faster RCNN的输电线路异物检测方法技术

本发明专利技术提出了一种基于改进的Faster RCNN的输电线路异物检测方法，包括以下步骤：对采集到的异物图片进行预处理，增加训练集的规模；对Faster RCNN中的共享卷积网络部分进行网络的改进；对Faster RCNN中的RPN网络中的anchor大小比列进行调整；对改进后的网络进行端到端的联合训练；用训练好的检测模型对图片进行异物检测，框出异物的位置并识别出异物的种类。一种基于改进的Faster RCNN的输电线路异物检测方法，将图像处理和深度学习相结合，并采用改进的Faster RCNN以提高输电线路异物检测的准确率。

An improved Faster RCNN-based foreign body detection method for transmission lines

The invention proposes an improved Faster RCNN-based foreign body detection method for transmission lines, which includes the following steps: preprocessing the foreign body images collected to increase the size of training set; improving the network of the shared convolution network part of Faster RCNN; adjusting the anchor size ratio column of RPN network in Faster RCNN; and implementing the end of the improved network. End-to-end joint training; using the trained detection model to detect foreign bodies in pictures, frame the location of foreign bodies and identify the types of foreign bodies. An improved Faster RCNN based foreign body detection method for transmission line is proposed, which combines image processing with in-depth learning, and uses the improved Faster RCNN to improve the accuracy of foreign body detection for transmission line.

【技术实现步骤摘要】
一种基于改进的FasterRCNN的输电线路异物检测方法
本专利技术涉及图片处理、人工智能、深度学习，具体涉及到一种基于改进的FasterRCNN的输电线路异物检测方法。
技术介绍
电力系统对我们国家有着重要的意义，输电线路网是构成系统的主要的部件，维护输电线路的安全显得至关重要。最近几年，全国各地因为悬挂的风筝、气球，飘落的塑料薄膜，危及电网安全的事件经常出现.输电线路缠绕这些异物会缩短高压电的极限放电距离，对输电线下的行人，车辆产生威胁.因此，及时准确地发现异物，然后采取相应的清除措施，具有十分重要的意义.目前排查异物主要有两种方法：人工巡线法和无人机巡检法。输电线路通常经过山川河流、公路桥梁等复杂的地理环境，人工巡线法存在较大的安全隐患，浪费大量的人力物力，且存在巡检效率低和巡检效果差等问题。随后，出现了借助飞行器作为运载工具，装载可见光成像设备对110～1000KV高压输电线走廊进行巡检的无人机巡检法。它虽然不受地理环境的影响，巡线速度也比人工巡检法快，但是无人飞行器传回的大量图像数据还是需要人为地判断线路上是否存在异物，因此导致了这种方法的局限性。此外，利用图像形态学对异物进行检测也是一种常见的方法，先针对图像中的输电线路进行了提取，然后在进行检测。利用图像形态学进行检测的一般过程为：首先利用高斯滤波、中值滤波、或者双边滤波消除噪声，提高识别的精度，然后再利用Otsu(最大类间方差)对图像进行背景和前景的分割，最后利用Hough变换提取输电线路，再对异物进行识别。由于输电线路的地理背景差异较大和各种天气的影响，很难确定一个合适的灰度阈值对所有的图像都适合，只能针对每一张图像进行阈值的设定，加重了检测负担，使工作效率低下。近几年，深度学习得到了飞速的发展，把目标检测和分类推向了一个新方向。与传统排查异物的算法不同，它可根据输入到网络的数据自动地生成相应特征的描述，具有较高的灵活性和普适性。现阶段，我们都是利用FasterRCNN检测行人，水果等形状固定的物体，而没有人尝试将它应用于异物的检测。因为FasterRCNN对不规则物体进行检测时，由于这样的物体没有固定的形态，导致神经网络难以提取到有用的特征，增强了训练的难度，进而识别效果不理想。因此提出了一种基于改进的FasterRCNN的输电线路异物检测方法，此模型可以自动地提取输电线路上异物的各种相关特征，进而对异物进行检测。相比于以上提到的各种方法，此方法较大程度地减少了人的参与，既不需要人为地去判断异物是否存在，也不需要人为地设定各种阈值，加快了工作的效率，而且它对不规则的异物具有良好的适应性，检测效果理想。
技术实现思路
为了解决复杂场景中输电线路异物(气球，薄膜，风筝等)检测不理想的问题，本专利技术的目的是提供一种基于改进的FasterRCNN的输电线路异物检测方法。该方法较好地提高了输电线路上异物的检测效果。专利技术的一种基于改进的FasterRCNN的输电线路异物检测方法，包括：步骤1：对采集到的异物图片进行预处理，增加训练集的规模；步骤2：对FasterRCNN中的共享卷积网络部分进行网络的改进；步骤3：对FasterRCNN中的RPN网络中的anchor大小比列进行调整；步骤4：对改进后的网络进行端到端的联合训练；步骤5：用训练好的检测模型对图片进行异物检测，框出异物的位置并识别出异物的种类。进一步的，在所述步骤2中，所提到的对FasterRCNN中的共享卷积网络部分进行网络的改进，具体包括：在不影响检测性能的前提下，把第一个卷积层的卷积核变成5x5的大小，利用更小的卷积核能提取出更加细微的特征，有利于特征融合。把第二个全连接层的神经元的个数减少到1024，提高了训练速度和检测速度。并改变了整个网络中的超参数，便于得到理想的检测模型。进一步的，在所述步骤4中，所提到的对改进后的网络进行端到端的联合训练，具体包括：将RPN和分类回归网络当做一个整体，对它们两个同时进行训练。首先，用ImageNet预训练出来的模型初始化共享卷积神经网络和分类回归网络前两个全连接层，对其他各层采用均值为0，标准差为0.01的高斯分布进行随机初始化，然后对此网络进行端到端的Fine-tuning。在此方法中，RPN和分类回归网络共同对共享卷积神经网络的训练产生作用，使得它能同时学习到连着所需要的特征。相对于交替训练方法，此方法训练出来的网络性能更优秀。本专利技术的有益效果是：(1)将深度学习技术和图像处理技术相结合，用深度学习的方法对复杂场景下输电线路的异物进行检测，提高了检测的速度和精度；(2)对FasterRCNN的网络结构和训练方式进行了改进，提高了异物检测的效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术中基于改进的FasterRCNN的输电线路异物检测的总体流程图；图2为本专利技术中对FasterRCNN中的共享卷积网络进行改进的结构图；具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。如图1所示，本专利技术基于改进的FasterRCNN的输电线路异物检测方法，包括以下几个基本步骤：对采集到的异物图片进行预处理，增加训练集的规模；对FasterRCNN中的共享卷积网络部分进行网络的改进；对FasterRCNN中的RPN网络中的anchor大小比列进行调整；对改进后的网络进行端到端的联合训练；用训练好的检测模型对图片进行异物检测，框出异物的位置并识别出异物的种类。下面对基于改进的FasterRCNN的输电线路异物检测方法进行详细说明：如图1所示，对获取到的原始图片进行预处理，然后输入到改进的FasterRCNN网络中,共享卷积神经网络部分对输入的图像进行特征提取，产生图像的特征图；接着把特征图输入到候选区域生成网络(RPN)。输出为多种尺寸和比例的目标候选区域；然后把共享卷积神经网络产生的特征图和RPN产生的目标候选区域输入到分类回归网络，输出图像中异物的位置和类别。FasterRCNN中的共享卷积网络进行改进的结构图如图2所示，它总共有八层，前5层为卷积层，后三层为全连接层。第一个卷积层共有96个5×5×3的卷积核过滤225×255×3输入图像，卷积核的步长为2像素，利用更小的卷积核能提取出更加细微的特征，有利于特征融合。第二个卷积层将第一个卷积层中最大池化的结果作为输入，并用大小为5×5×96的256个卷积核进行卷积。同样，第三个卷积层将池化之后的输出作为输入，并用大小为3×3×256的384个卷积核进行卷积。第四、第五个卷积层相互连接，中间没有池化层。第一个全连接层有4096个神经元，为了提高网络训练的速度，在不影响性能的情况下，第二个全连接层的神经元数是1048个。本专利技术基于改进的FasterRCNN的本文档来自技高网...

【技术保护点】
1.一种基于改进的Faster RCNN的输电线路异物检测方法，包括：数据预处理阶段、网络结构改进阶段、anchor大小改进阶段、训练改进阶段、异物检测阶段。其特征在于：对采集到的图片进行预处理；对Faster RCNN的网络结构进行改进；对Faster RCNN中anchor大小比例进行调整；对Faster RCNN原有的训练方式进行改进；把图片投入已训练好的网络进行异物的检测。

【技术特征摘要】
1.一种基于改进的FasterRCNN的输电线路异物检测方法，包括：数据预处理阶段、网络结构改进阶段、anchor大小改进阶段、训练改进阶段、异物检测阶段。其特征在于：对采集到的图片进行预处理；对FasterRCNN的网络结构进行改进；对FasterRCNN中anchor大小比例进行调整；对FasterRCNN原有的训练方式进行改进；把图片投入已训练好的网络进行异物的检测。2.如权利要求1所述的一种基于改进的FasterRCNN的输电线路异物检测方法，其特征在于，所述对采集到的图片进行预处理的步骤，包括：图像翻转，图像缩放、图像旋转，对训练集进行扩充，以满足模型对于数据的需求，提升模型的性能。3.如权利要求1所述的一种基于改进的FasterRCNN的输电线路异物检测方法，其特征在于，所述对FasterRCNN的网络结构进行改进的步骤，包括：在不影响检测性能的前提下，提高了训练速度和检测速度...

【专利技术属性】
技术研发人员：张卫山，刘霞，耿祖琨，
申请(专利权)人：中国石油大学华东，
类型：发明
国别省市：山东,37