一种绝缘子图像的缺陷检测方法及装置制造方法及图纸

本发明专利技术公开了一种绝缘子图像的缺陷检测方法及装置，其方法包括：获取绝缘子训练集和绝缘子测试集；所述绝缘子图像集包括绝缘子本体图像及对应的缺陷标签；基于所述绝缘子数据集，构建优化的目标Cascade

【技术实现步骤摘要】
一种绝缘子图像的缺陷检测方法及装置


[0001]本专利技术涉及图像识别技术技域，尤其涉及一种绝缘子图像的缺陷检测方法及装置。

技术介绍

[0002]我国高压和超高压发电站，以及变电站都使用着大量绝缘子，绝缘子起着电气绝缘和机械支撑的作用。虽然绝缘子的安全可靠与否对电网安全、经济、稳定运行至关重要，但在长时间高负荷运行以及在自然环境暴露下，绝缘子非常容易发生故障，一旦发生故障将严重阻碍电力系统的稳定运行。虽然近年来绝缘子的抗风、防雷和绝缘能力得到一定的增强，但是10KV及以下架空线路由于绝缘子的绑扎线磨损或断裂，导致的10kV及以下架空线路事故仍频繁发生。
[0003]传统的绝缘子掉串区域的检测是由检测人员通过攀爬塔杆到电力铁塔等电力设备上，对绝缘子进行肉眼观测并记录绝缘子的具体情况，但由于我国环境情况复杂，同时输电行业的设备布局庞大且种类繁多，对于检测人员的体力是一个巨大的挑战，在人为检测工作量大且周期长的情况下，检测人员的安全无法保障。

技术实现思路

[0004]本专利技术提供了一种绝缘子图像的缺陷检测方法及装置，基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子图像的缺陷检测方法，其特征在于，包括：获取绝缘子图像集；所述绝缘子图像集包括绝缘子本体图像及对应的缺陷标签；所述绝缘子图像集又划分为：绝缘子训练集和绝缘子训练集；基于所述绝缘子训练集中的绝缘子本体图像及对应的缺陷标签，对所构建的Cascade
‑
RCNN模型进行迭代训练，得到训练后的Cascade
‑
RCNN模型；基于所述绝缘子测试集中的绝缘子本体图像及对应的缺陷标签，对所述训练后的Cascade
‑
RCNN模型进行测试，根据训练误差调整参数继续训练，得到优化的目标Cascade
‑
RCNN模型；获取待测绝缘子本体图像，并输入所述优化的目标Cascade
‑
RCNN模型，生成对应的绝缘子缺陷预测结果；所述绝缘子缺陷预测结果包括绝缘子绑扎线预测缺陷或绝缘子压片预测缺陷。2.根据权利要求1所述的绝缘子图像的缺陷检测方法，其特征在于，基于所述绝缘子测试集中的绝缘子本体图像及对应的缺陷标签，对所述训练后的Cascade
‑
RCNN模型进行测试，根据训练误差调整参数继续训练，得到优化的目标Cascade
‑
RCNN模型，包括：将所述绝缘子测试集中的绝缘子本体图像输入所述训练后的Cascade
‑
RCNN模型，生成对应的缺陷测试结果；根据所述绝缘子测试集中的绝缘子本体图像对应的缺陷测试结果和缺陷标签，确定所述训练误差；基于所述训练误差，对所述训练后的Cascade
‑
RCNN模型进行调整，以得到所述最优网络参数，并采用所述最优网络参数生成所述优化的目标Cascade
‑
RCNN模型。3.根据权利要求2所述的绝缘子图像的缺陷检测方法，其特征在于，所述绝缘子图像集还包括：绝缘子验证集；基于所述训练误差，对所述训练后的Cascade
‑
RCNN模型进行调整，以得到所述最优网络参数，并采用所述最优网络参数生成所述优化的目标Cascade
‑
RCNN模型之后，还包括：基于所述绝缘子验证集中的绝缘子本体图像集对应的缺陷标签，对所述优化的目标Cascade
‑
RCNN模型进行验证。4.根据权利要求1所述的绝缘子图像的缺陷检测方法，其特征在于，获取绝缘子图像集，包括：获取已预先标注缺陷标签的绝缘子本体图像；所述绝缘子本体图像包括裁剪后的绝缘子本体图像；所述裁剪后的绝缘子本体图像为基于所述缺陷标签裁剪所得到；基于所述绝缘子本体图像，构建所述绝缘子图像集。5.根据权利要求1
‑
4中任一所述的绝缘子图像的缺陷检测方法，其特征在于，所述Cascade
‑
RCNN模型包括：特征提取网络、区域候选提取网络和分类回归网络；基于所述绝缘子训练集中的绝缘子本体图像及对应的缺陷标签，对所构建的Cascade
‑
RCNN模型进行迭代训练，得到训练后的Cascade
‑
RCNN模型，包括：利用特征提取网络，对所述绝缘子训练集中的绝缘子本体图像进行提...

【专利技术属性】
技术研发人员：杨英仪，
申请(专利权)人：南方电网电力科技股份有限公司，
类型：发明
国别省市：