基于深度卷积神经网络的多尺度巡检图像识别方法及装置制造方法及图纸

本发明专利技术公开了一种基于深度卷积神经网络的多尺度巡检图像识别方法及装置，通过机载视觉传感器实时获取绝缘子的视频信息图像，并对获得的视频信息图像进行处理，获取待检测图像；将所述待检测图像输入到初步图像识别模型中进行一次识别，输出识别结果或未识别图像；然后将未识图像进一步处理后输入到最终图像识别模型中进行二次识别，输出识别结果；通过两次识别，解决了简单易识别图形仍要经过复杂转换增加计算负担和识别时间的问题，降低计算负担，同时，对深度卷积神经网络进行改进，提升算法模型的泛化能力，解决遮挡物对识别结果的影响，进一步提升检测的精确度。进一步提升检测的精确度。进一步提升检测的精确度。

【技术实现步骤摘要】
基于深度卷积神经网络的多尺度巡检图像识别方法及装置


[0001]本专利技术涉及电力巡检图像识别方法，特别是涉及一种基于深度卷积神经网络的多尺度巡检图像识别方法及装置。

技术介绍

[0002]智能电网是电网发展的趋势和方向，智能变电站是智能电网的变电环节，是坚强智能电网的重要基础和支撑。由于变电站电力场所中高压设备众多、环境复杂，为保证电力安全需要定期巡检，目前大多数变电站仍然采用人工巡检的方式，随着机器人技术不断发展，越来越多的变电站开始使用巡检机器人巡检，自动化技术代替传统人工作业，可以降低人工成本。
[0003]而使用无人机进行输电线路的巡检，虽然信息采集方便，但仍需人工对采集图像进行检测，该技术虽然比传统的人工实地检测技术效率更高，但也会受到相关因素的影响，例如，(1)、主流的卷积神经网络只采用了一种识别输出方式，对于简单的图像还需要进行一系列的转换操作后，才能输出识别结果，增加了计算量和时间消耗；(2)、在识别过程中往往受到外界的干扰，比如环境的影响，即将电气设备的遮挡物等识别为设备的边界，从而根据重叠区域把遮挡物的区域识别为设本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度卷积神经网络的多尺度巡检图像识别方法，包括以下步骤：步骤S1：通过机载视觉传感器实时获取绝缘子的视频信息图像，并对获得的视频信息图像进行处理，获取待检测图像；步骤S2：对获得的待检测图像创建初步训练集和测初步测试集；步骤S3：将所述初步训练集分别输入到初步深度卷积神经网络中进行训练，得到初步图像识别模型；步骤S4：将所述初步测试集输入得到初步图像识别模型中，输出识别结果和未识别图像；步骤S5：对获得的未识别图像进行处理并创建最终训练集和最终测试集；步骤S6：将所述最终训练集分别输入到最终深度卷积神经网络中进行训练，得到最终图像识别模型；步骤S7：将所述最终测试集输入得到的最终图像识别模型中，输出识别结果。2.根据权利要求1所述的基于深度卷积神经网络的多尺度巡检图像识别方法，其特征是：所述步骤S1中，机载视觉传感器为一个摄像机，所述视频信息图像为对视频进行处理得到的帧图。3.根据权利要求1所述的基于深度卷积神经网络的多尺度巡检图像识别方法，其特征是：所述创建初始训练集和初始测试集的具体步骤为：a、使用对待检测图像的数据集进行扩充，对每个图像样本围绕着其本身进行复制操作；b、同时也对所述图像样本的标注图像进行同样的复制操作，保证图像样本和标注图像一一对应；c、将扩充后的图像数据按一定比例划分为初始训练集和初始测试集。4.根据权利要求3所述的基于深度卷积神经网络的多尺度巡检图像识别方法，其特征是：将所述待检测图像进行切割，获得多个大小相同的切割图像，自动或手动标注所述切割图像中包括有所述识别目标的切割图像。5.根据权利要求1所述的基于深度卷积神经网络的多尺度巡检图像识别方法，其特征是：所述步骤S3中，所述初步训练集输入初步深度卷积神经网络中的步骤如下：a、将YOLOv3中划分区域较大的栅格化处理变为小目标的检测；b、由K
‑
means算法计算适用于绝缘子的栅格大小；c、将初步训练集输入初步改进的深度卷积神经网络，得到初步图像识别模型。6.根据权利...

【专利技术属性】
技术研发人员：何勇，原瀚杰，陈亮，董承熙，王一名，金仲铂，李焕能，
申请(专利权)人：广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：