一种基于Mask R-CNN的绝缘子故障识别与定位方法技术

本发明专利技术公开了一种基于Mask R‑CNN的绝缘子故障识别与定位方法，该方法通过Mask R‑CNN对带有标签的绝缘子图像进行学习，记忆绝缘子的不同模式，实现对绝缘子不同模式的有效区分和自动识别，并对绝缘子进行正确定位。本发明专利技术的方法可以自动识别绝缘子的故障并定位故障绝缘子，即使图像中有多个绝缘子目标，也能够分别予以识别。本发明专利技术的方法能够从自然背景的图像中直接识别故障绝缘子并对其进行定位，减少人工识别绝缘子故障的工作量，具有广阔的工业应用前景。

An Insulator Fault Recognition and Location Method Based on Mask R-CNN

【技术实现步骤摘要】
一种基于MaskR-CNN的绝缘子故障识别与定位方法
本专利技术涉及模式识别和故障检测领域，尤其涉及一种基于MaskR-CNN的绝缘子故障识别与定位方法。
技术介绍
在大规模输电网络中，绝缘子起着绝缘的作用，同时它还将带电导体间、导体与大地之间分开足够的距离。绝缘子在输、配电网中占有重要地位。由于长期暴露在自然环境中，绝缘子难免会出现自爆、掉串和破损等问题。绝缘子的损坏可能导致输电线路断电等问题，进而造成经济损失。因此需要对绝缘子的故障进行及时维修。随着信息技术的发展，如今通过巡逻直升机或无人飞行器等设备能够采集高分辨率的绝缘子图像。但从众多图像中找出异常的绝缘子图像，不仅工作量大，而且由于人眼疲劳极易造成误判。再考虑到需要对输电线路进行定期巡检，大量重复性的工作极易造成人的疲劳，需要开发智能的机器识别方法来自动检测绝缘子故障。真实的绝缘子图像背景复杂多变，从图像中自动识别绝缘子故障并对其正确定位，目前仍然是一个难题。
技术实现思路
针对绝缘子故障自动识别和定位这一技术难题，本专利技术公开了一种基于MaskR-CNN(maskregionswithconvolutionalneuralnetwork，MaskR-CNN)的绝缘子故障识别与定位方法，该方法通过MaskR-CNN对带有标签的绝缘子图像进行学习，记忆绝缘子的不同模式，实现对绝缘子不同模式的有效区分，并对绝缘子进行正确定位。为了实现上述目的，本专利技术的具体方案如下：步骤1、对绝缘子图像进行预处理；步骤2、若MaskR-CNN需要学习训练，则建立一个训练样本库和一个验证样本库，对MaskR-CNN进行训练，保存训练好的MaskR-CNN模型；步骤3、加载训练好的MaskR-CNN，对绝缘子图像进行处理；步骤4、提取特征图；步骤5、利用步骤4提取的特征图，提取感兴趣区域；步骤6、利用步骤5获取的感兴趣区域，获得固定大小的特征图；步骤7、利用步骤6提取的固定大小的特征图，进行分类识别与定位；步骤8、给出识别与定位结果；步骤9、找出误识别的图像，并加入训练样本库，补充完善训练样本库。本专利技术提供的绝缘子故障识别与定位方法，可以自动识别绝缘子的故障并定位故障绝缘子，可将具有故障的绝缘子用框框出。即使图像中有多个绝缘子，本专利技术的可以也可以将其全部找出，并正确区分正常和故障绝缘子。本专利技术的方法能够从自然背景的图像中直接识别故障绝缘子并对其进行定位，减少人工识别绝缘子故障的工作量，具有广阔的工业应用前景。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它的附图。图1为本专利技术实施例提供的基于MaskR-CNN的绝缘子故障识别与定位方法的流程图；图2为本专利技术实施例提供的基于MaskR-CNN的绝缘子自爆故障识别与定位方法的流程图；图3为本专利技术实施例提供的MaskR-CNN对部分绝缘子自爆故障的识别结果。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。本专利技术的目的是提供一种基于MaskR-CNN的绝缘子故障识别与定位方法，通过MaskR-CNN对带有标签的绝缘子图像进行学习，记忆绝缘子的不同模式，实现对绝缘子不同模式的有效区分和自动识别，并对绝缘子进行正确定位。为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。图1为本专利技术实施例提供的基于MaskR-CNN的绝缘子故障识别与定位方法的流程图。如图1所示，一种基于MaskR-CNN的绝缘子故障识别与定位方法，所述方法包括：步骤1、对绝缘子图像进行预处理；所述的预处理，是对绝缘子图像进行必要的裁剪，将大小不一的绝缘子图像处理为同一尺寸的图像，以便于后序的处理；步骤2、若MaskR-CNN需要学习训练，则建立一个训练样本库和一个验证样本库，对MaskR-CNN进行训练，保存训练好的MaskR-CNN模型；所述的训练样本库，用于训练MaskR-CNN；所述的验证样本库，用于调整MaskR-CNN的超参数和用于对MaskR-CNN的能力进行初步评估，不是直接用于训练MaskR-CNN；步骤3、加载训练好的MaskR-CNN，对绝缘子图像进行处理；步骤4、提取特征图；所述的提取特征图，利用了ResNet-101+FPN来提取特征图；步骤5、利用步骤4提取的特征图，提取感兴趣区域；所述的提取感兴趣区域，利用了RPN(regionproposalnetwork，RPN)网络从步骤4提取的特征图中，提取感兴趣区域；步骤6、利用步骤5获取的感兴趣区域，获得固定大小的特征图；所述的固定大小的特征图，利用了RoIAlign网络从步骤5获取的感兴趣区域中，获得固定大小的特征图；步骤7、利用步骤6提取的固定大小的特征图，进行分类识别与定位；所述的分类识别与定位，是根据步骤6提取的固定大小的特征图进行分类处理，位置预测和掩码生成；步骤8、给出识别与定位结果；所述的识别与定位结果，包括识别的目标及类别，并用框框出；步骤9、找出误识别的图像，并加入训练样本库，补充完善训练样本库。下面将采用本实施例提供的基于MaskR-CNN的绝缘子故障识别与定位方法，对绝缘子自爆故障进行识别，以详细阐述本实施的具体实施过程，基于MaskR-CNN的绝缘子自爆故障识别与定位方法的流程图如图2所示。由图2可知，绝缘子图像将经历以下处理过程：1)将绝缘子图像输入到ResNet-101+FPN中以获得相应的特征图；2)将特征图输入到RPN网络，通过扫描图像获得多个感兴趣区域(RoI)。执行二元分类和位置回归，并过滤掉一些候选的RoI。3)对剩余的候选RoI执行RoIAlign操作，以获得固定大小的特征图。4)将这些固定大小特征图输入预测器，进行分类、位置预测和掩码生成。图3所示为本专利技术实施例提供的MaskR-CNN对部分绝缘子自爆故障的识别结果。由图3的左侧图可知，图中的两个绝缘子分别被正确识别为正常绝缘子和自爆故障绝缘子，置信度都为1.000。由图3的右侧图可知，正确识别出了图中的两个故障绝缘子，置信度均为1.000，同时也正确识别出另一个正常绝缘子，置信度为0.971。这表明，本专利技术的方法无论是简单背景图像，还是复杂背景图像，都能正确识别出图像中的绝缘子，而且对于存在的多个绝缘子目标，能够分别予以识别。本专利技术的方法在识别不同类别绝缘子的同时，能够准确定位绝缘子的位置，具有广阔的工业应用前景。本文中应用了具体个例对本专利技术的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本专利技术的方法及其核心思想；同时，对于本领域的一般技术人员，依据本专利技术的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本专利技术的限制。本文档来自技高网...

【技术保护点】
1.一种基于Mask R‑CNN的绝缘子故障识别与定位方法，其特征在于，所述方法包括：步骤1、对绝缘子图像进行预处理；步骤2、若Mask R‑CNN需要学习训练，则建立一个训练样本库和一个验证样本库，对Mask R‑CNN进行训练，保存训练好的Mask R‑CNN模型；步骤3、加载训练好的Mask R‑CNN，对绝缘子图像进行处理；步骤4、提取特征图；步骤5、利用步骤4提取的特征图，提取感兴趣区域；步骤6、利用步骤5获取的感兴趣区域，获得固定大小的特征图；步骤7、利用步骤6提取的固定大小的特征图，进行分类识别与定位；步骤8、给出识别与定位结果；步骤9、找出误识别的图像，并加入训练样本库，补充完善训练样本库。

【技术特征摘要】
1.一种基于MaskR-CNN的绝缘子故障识别与定位方法，其特征在于，所述方法包括：步骤1、对绝缘子图像进行预处理；步骤2、若MaskR-CNN需要学习训练，则建立一个训练样本库和一个验证样本库，对MaskR-CNN进行训练，保存训练好的MaskR-CNN模型；步骤3、加载训练好的MaskR-CNN，对绝缘子图像进行处理；步骤4、提取特征图；步骤5、利用步骤4提取的特征图，提取感兴趣区域；步骤6、利用步骤5获取的感兴趣区域，获得固定大小的特征图；步骤7、利用步骤6提取的固定大小的特征图，进行分类识别与定位；步骤8、给出识别与定位结果；步骤9、找出误识别的图像，并加入训练样本库，补充完善训练样本库。2.根据权利要求1所述的一种基于MaskR-CNN的绝缘子故障识别与定位方法，其特征在于，所述的步骤1中，所述的预处理，是对绝缘子图像进行必要的裁剪，将大小不一的绝缘子图像处理为同一尺寸的图像，以便于后序的处理。3.根据权利要求1所述的一种基于MaskR-CNN的绝缘子故障识别与定位方法，其特征在于，所述的步骤2中，所述的训练样本库，用于训练MaskR-CNN；所述的验证样本库，用于调整MaskR-CNN的超参数和用于对MaskR...

【专利技术属性】
技术研发人员：杨彦利，王颖，
申请(专利权)人：天津工业大学，
类型：发明
国别省市：天津,12