一种基于改进Faster-RCNN的电力设备外观缺陷检测方法技术

本发明专利技术涉及一种基于改进Faster‑RCNN的电力设备外观缺陷检测方法，包括以下步骤：采集电力设备图像，建立电力设备外观图像库，包括训练集和测试集；构建改进Faster‑RCNN模型，该模型中，利用特征融合技术将不同层卷积神经网络的特征图进行融合，且区域提取网络RPN基于改进锚框进行区域提取；使用训练集训练改进Faster‑RCNN模型，在训练过程中增加一条训练支路；使用测试集测试改进Faster‑RCNN模型的性能，然后将改进Faster‑RCNN模型用于电力设备外观缺陷检测。与现有技术相比，本发明专利技术在在训练速度、检测准确率方面优于Faster‑RCNN，具有一定的应用价值。

A Method of Appearance Defect Detection for Electric Power Equipment Based on Improved Faster-RCNN

【技术实现步骤摘要】
一种基于改进Faster-RCNN的电力设备外观缺陷检测方法
本专利技术涉及一种电力设备检测领域，尤其是涉及一种基于改进Faster-RCNN的电力设备外观缺陷检测方法。
技术介绍
随着计算机技术和自动化技术的发展，利用电力巡检机器人对电力设备进行巡检成为推进少人或无人智能电站进程的重要手段。该巡检方式可有效解决人工巡检存在的缺陷或隐患。电力设备如变压器、电容器、绝缘子等在工作过程中受机械压力、强电场等的影响，极易产生破损、污秽、裂纹等缺陷，这些缺陷会增加用电事故发生概率，如果不及时检测出并更换，会导致严重的事故和巨大的经济损失，因而电力设备外观缺陷检测显得尤为重要。传统外观缺陷检测方法有激光多普勒振动法、超声波检测法、红外测温法等，近年来随着图形处理技术的发展，一些研究人员提出基于图像的策略来进行缺陷识别和定位，虽然在一定程度上可以检测出外观缺陷，但是在精度和速度上并没有达到理想要求。大数据时代的到来，使连接主义的深度学习开始兴起。由于深度学习的数学模型具有比浅层网络更优越的非线性逼近能力和泛化性能，在图像识别分析、语音识别、自然语言处理、机器人等高级领域都得到了广泛应用。其中包含卷积计算并且具有深度结构的前馈神经网络的卷积神经网络就是一种深度的监督学习下的机器学习模型，卷积神经网络仿造生物的视知觉机制构建，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征，在图像目标检测与识别领域表现出很大的优势，近年来越来越多的学者在研究中对卷积神经网络进行改进，提出了区域卷积神经网络，其分为产生候选区域、提取特征信息和进行图像分类三个彼此分离的过程，因而检测过程复杂，花费时间较长不易优化，后来又相继提出了快速区域卷积神经网络，更快速区域卷积神经网络(Faster-RegionbasedConvolutionalNeuralNetwork，Faster-RCNN)和YOLO(YouOnlyLookOnce)检测算法。其中Faster-RCNN是在精度上表现良好，在人脸检测、车牌识别等领域已有成熟的应用，YOLO是一种全新的端到端的检测算法，使用单一的卷积神经网络在检测图像上同时完成边界框和类别概率预测，在速度上又很大提升但是准确率并不是很高。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于改进Faster-RCNN的电力设备外观缺陷检测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于改进Faster-RCNN的电力设备外观缺陷检测方法，包括以下步骤：S1.采集电力设备图像，建立电力设备外观图像库，包括训练集和测试集；S2.构建改进Faster-RCNN模型，该模型中，利用特征融合技术将不同层卷积神经网络的特征图进行融合，且区域提取网络RPN基于改进锚框进行区域提取；S3.使用训练集训练改进Faster-RCNN模型，在训练过程中增加一条训练支路；S4.使用测试集测试改进Faster-RCNN模型的性能，然后将改进Faster-RCNN模型用于电力设备外观缺陷检测。进一步地，所述的改进锚框根据电力设备目标区域的像素特征设置。进一步地，所述的改进锚框尺寸为[8,16,32,64]，生成的候选窗口为12个。进一步地，所述步骤S2中，利用特征融合技术将不同层卷积神经网络的特征图进行融合的具体步骤如下：A1.将区域提取网络RPN生成的候选区域分别映射到卷积神经网络最后三层的输出特征图上；A2.将映射后的特征图进行ROIPooling，使它们输出相同的尺寸，并且进行L2归一化；A3.将归一化后的特征图进行融合后输入至全连接层。进一步地，将归一化后输出的特征图扩大1000倍，用1*1的卷积核处理，然后进行融合。进一步地，所述的L2归一化公式为：式中，I表示归一化之前的特征图像素点强度，Inorm表示经过特征图归一化后像素点的强度，w和h分别表示特征图的宽和高。进一步地，所述步骤S3中的训练支路在第三层卷积层之后加入，只有一个卷积层和两个全连接层。进一步地，训练过程中的损失函数表达式为：式中，其中y是对应样本x的期望输出，W,b是卷积神经网络的权值和偏置，l1W,b(xi)是输入xi时主线路的输出，l2W,b(xi)是输入xi时训练分支的输出，ω是主线路对网络参数的调整权重。与现有技术相比，本专利技术具有以下优点：1、本专利技术通过改进Faster-RCNN的网络模型并优化训练方法来优化神经网络的参数以适应电力设备外观数据集，提高检测精度。本专利技术将候选区域分别映射在卷积层最后三层卷积层的输出特征图上并将特征图后再输入全连接层，是因为传统Faster-RCNN直接将候选区域映射到最后一层卷积的输出特征图上，由于在卷积过程中池化层的作用，越后面的卷积层获得的特征图分辨率越低，所以传统方法容易导致边框回归不准确，在目标较小的情况下容易丢失目标，本专利技术在特征图获得较深层次的细节信息的同时兼顾了特征图的分辨率，具有更好的准确性。2、本专利技术中，根据实验数据集的像素统计情况对锚框尺度进行了改进，改进后的锚框更适合电力设备缺陷检测的数据集，减少了因锚框不合适而导致的目标丢失的问题。3、本专利技术在训练过程中增加了一条训练支路，提高了训练过程中网络的收敛速度，极大提高了模型的训练速度。4、本专利技术针对电力设备外观缺陷检测中遇到的问题，采用python语言利用Caffe深度学习框架编程实现，同时易于拓展和使用，在实际电力设备外观缺陷检测中具有一定的实际应用价值。附图说明图1为电力设备外观缺陷检测的整体流程示意图；图2为模型改进的框架示意图；图3为池化示意图；图4为锚框改进方案示意图；图5为待检测数据集目标区域像素的统计图；图6为部分原始数据集；图7为部分设备缺陷检测例图；图8目标检测交互比示意图；图9改进前后对于数据集的P-R曲线；图10a为单loss结构训练过程收敛示意图；图10b为双loss结构训练过程收敛示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本实例提供一种基于改进Faster-RCNN的电力设备外观缺陷检测方法，对电力设备外观缺陷进行精确定位与识别。该方法利用特征融合技术将不同层卷积神经网络的特征图进行融合，提高特征图像的分辨率并根据电力设备目标区域的像素特征改进锚框；训练时增加一条支路，训练过程中通过两个分支的反向传播调整网络参数，加快网络训练的速度。本方法具体如下：一、采集电力设备图像，建立电力设备外观图像库，包括训练集和测试集。二、对Faster-RCNN模型结构进行改进，改进部分包括利用特征融合技术将不同层卷积神经网络的特征图进行融合，提高特征图像的分辨率。本专利技术使用的神经网络框架如图2所示，是一个基于深度卷积神经网络模型VGGNet-16模型的改进Faster-RCNN框架。图像首先送入VGG16网络进行特征提取，网络配置如表1所示。表1.神经网络配置表最后一层的卷积层输出送入改进的区域提取网RPN(RegionProposalNetwork)提取候选区域，将候选区域分别映射在卷积层Conv3_3、Conv4_3本文档来自技高网...

【技术保护点】
1.一种基于改进Faster‑RCNN的电力设备外观缺陷检测方法，其特征在于，包括以下步骤：S1.采集电力设备图像，建立电力设备外观图像库，包括训练集和测试集；S2.构建改进Faster‑RCNN模型，该模型中，利用特征融合技术将不同层卷积神经网络的特征图进行融合，且区域提取网络RPN基于改进锚框进行区域提取；S3.使用训练集训练改进Faster‑RCNN模型，在训练过程中增加一条训练支路；S4.使用测试集测试改进Faster‑RCNN模型的性能，然后将改进Faster‑RCNN模型用于电力设备外观缺陷检测。

【技术特征摘要】
1.一种基于改进Faster-RCNN的电力设备外观缺陷检测方法，其特征在于，包括以下步骤：S1.采集电力设备图像，建立电力设备外观图像库，包括训练集和测试集；S2.构建改进Faster-RCNN模型，该模型中，利用特征融合技术将不同层卷积神经网络的特征图进行融合，且区域提取网络RPN基于改进锚框进行区域提取；S3.使用训练集训练改进Faster-RCNN模型，在训练过程中增加一条训练支路；S4.使用测试集测试改进Faster-RCNN模型的性能，然后将改进Faster-RCNN模型用于电力设备外观缺陷检测。2.根据权利要求1所述的基于改进Faster-RCNN的电力设备外观缺陷检测方法，其特征在于，所述步骤S2中，利用特征融合技术将不同层卷积神经网络的特征图进行融合的具体步骤如下：A1.将区域提取网络RPN生成的候选区域分...

【专利技术属性】
技术研发人员：彭道刚，彭盖伦，王岚青，姚洋洋，黄孟俊，晏小彬，尹磊，
申请(专利权)人：上海电力学院，
类型：发明
国别省市：上海,31