一种用于电力巡检绝缘子故障图像识别方法技术

本发明专利技术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。本发明专利技术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。较高的检测准确率和召回率。较高的检测准确率和召回率。

【技术实现步骤摘要】
一种用于电力巡检绝缘子故障图像识别方法


[0001]本专利技术涉及基于深度学习的目标检测
，具体涉及一种用于电力巡检绝缘子故障图像识别方法。

技术介绍

[0002]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。
[0003]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<br/>‑
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于电力巡检绝缘子故障图像识别方法，其特征在于，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。2.如权利要求1所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于：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。3.如权利要求2所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于，所述步骤S4最终利用K
‑
means++算法选取K＝9，得到9个预测框的坐标为(18
×
14),(22
×
17),(22
×
20),(21
×
23),(26
×
19),(24
×
23),(28
×
23),(26
×
29)和(32
×
29)。4.如权利要求1所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于，所述步骤S5中用于绝缘子故障检测的深度学习网络模型包括主干网络层、金字塔池化层、特征融合层、目标检测层；输入到所述检测模型的图像特征为416
×
416
×
3，所述主干网络层具体包括依次连接的第一特征层、第二特征层、第三特征层、第四特征层、第五特征层和第六特征层，所述第一特征层提取图像特征416
×
416
×
32，所述第二特征层提取图像特征208
×
208
×
64，所述第三特征层提取图像特征104
×
104
×
128，所述第四特征层提取图像特征52
×
52
×
256，所述第五特征层提取图像特征26
×
26
×
512，所述第六特征层提取图像特征13
×
13
×
1024；所述第四特征层、第五特征层、第六特征层的输出与金字塔池化层相连，金字塔池化层采用三尺度金字塔池化结构，三尺度金字塔池化层的输出与特征融合层相连，所述特征融合层输出52
×
52、26
×
26、13
×
13三尺度特征给目标检测层，所述目标检测层分别对特征尺度为52
×
52、26
×
26、13
×
13的绝缘子故障图像进行预测。5.如权利要求4所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于，所述主干网络层具体包括依次连接的第一特征层、第二特征层、第三特征层、第四特征层、第五特征层和第六特征层；所述第一特征层包括1个3
×3×
32卷积层，第一特征层的输出特征为416
×
416
×
32；所述第二特征层包括1个3
×3×
64步长为2的卷积层和第一残差模块，所述第一残差模块由1个1
×1×
32卷积层、1个3
×3×
64卷积层、1个shortcut连接组成，第二特征层的输出特征为208
×
208
×
64；所述第三特征层包括1个3
×3×
128步长为2的卷积层、1个1
×1×
64卷积层和第一Dense模块，所述第一Dense模块由2个1
×1×
32卷积层、2个3
×3×
32卷积层密集连接组成，第三特征层的输出特征为104
×
104
×
128；所述第四特征层包括
1个3
×3×
256步长为2的卷积层、第二残差模块、1个1
×1×
128卷积层、第二Dense模块，所述第二残差模块由4个1
×1×
128卷积层、4个3
×3×
256卷积层、4个shortcut连接组成，所述第二Dense模块由4个1
×1×
32卷积层、4个3
×3×
32卷积层密集连接组成，第四特征层的输出特征为52
×
52
×
256；所述第五特征层包括1个3
×3×
256步长为2的卷积层、第三残差模块、1个1
×1×
256卷积层、第三Dense模块，所述第三残差模块由4个1
×1×
256卷积层、4个3
×3×
512卷积层、4个shortcut连接组成，所述第三Dense模块由4个1
×1×
64卷积层、4个3
×3×
64卷积层密集连接组成，第五特征层的输出特征为26
×
26
×<...

【专利技术属性】
技术研发人员：刘传洋，刘景景，孙佐，徐华结，陈林，
申请(专利权)人：池州学院，
类型：发明
国别省市：