面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法技术

面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，包括：利用数据标注软件和随机生成算法从输变电巡检绝缘子的图像数据样本中获取缺陷绝缘子样本并构建检测数据集；构建包括多尺度特征提取主干网络、多尺度特征融合网络和检测网络的绝缘子缺陷检测神经网络；多尺度特征提取主干网络包括改进的Resnet残差块，多尺度特征融合网络包括上采样模块和特征融合模块，检测网络包括缺陷分类检测模块和边框回归检测模块；设计目标检测损失函数，使用检测数据集和目标检测损失函数对绝缘子缺陷检测神经网络进行训练，面向输变电巡检场景进行检测。所构建的目标检测网络模型能够实现小尺度的单片绝缘子目标检测，提高绝缘子片和缺陷的定位精度。缺陷的定位精度。缺陷的定位精度。

【技术实现步骤摘要】
面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法


[0001]本专利技术属于电力巡检
，具体涉及面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法。

技术介绍

[0002]绝缘子故障检测为电力巡检中重要的一环。作为输电线路的重要元件，绝缘子的主要功能是实现机械固定与电气绝缘，在架空输电线路中起重要作用。绝缘子铺设在户外加之其长期运行的工作特点，导致其较易遭受大自然的侵蚀、光化学污染等的危害，极易发生破损、掉串、光学腐蚀等故障，是影响电力系统稳定运行的主要因素之一。随着计算机图像处理技术特别是图像识别领域技术的飞速进步、无人机巡检平台搭建的日益完善、以及对智能电网巡检的迫切需求日益增长，无人机电力巡线迎来了巨大的发展空间，电力图像无人机巡检技术可以提高绝缘子缺陷检测效率，大大降低维护成本。
[0003]现有技术中，绝缘子故障检测方法的发展主要分为三个阶段：传统绝缘子故障检测方法、基于浅层特征结合机器学习的绝缘子故障分类算法、以及现阶段日益发展的基于深度学习的绝缘子故障分类算法。
[0004]传统方法是基于手工提取特征的绝缘子故障检测方法。Zhang等人提出一种基于纹理特征序列的绝缘子故障检测方法(Zhang X,An T,Chen F.A method of insulator fault detection from airborne images[C]//2010 Second WRI global congress on intelligent systems.IEEE,2010,2:200
‑
203)。该方法将绝缘子图像进行图像增强和形态学处理后分成十个部分，每个部分对应七个纹理值，最后根据特征序列曲线构建故障特征公式进行故障预判。方挺等提出一种采用基于粒子群优化的蚁群算法检测绝缘子自爆缺失故障(方挺，韩家明.航拍图像中绝缘子缺陷的检测与定位[J].计算机科学，2016,43(6A))。该方法利用绝缘子形状特点使用最大类间方差法和滤波进行数据预处理操作，并使用粒子群优化的蚁群算法检测绝缘子的边缘轮廓，最终实现绝缘子自爆缺失故障的检测。上述早期的手工提取特征的绝缘子故障检测方法主要存在以下问题：只能在特定检测条件下定位绝缘体并检测故障，例如当有足够的先验知识、背景环境干扰低、或在特定照明条件下等，普适性和鲁棒性较差，加之一般需要人为设定阈值提取特征信息，容易引入误差和干扰，实现过程复杂且性能受到极大的限制。
[0005]随着传统方法的不足逐渐被认识，许多专家学者引入机器学习与浅层信息相结合的方法对绝缘子故障进行检测。2010年，Murthy等人提出一种融合小波多分辨率分析和SVM分类的绝缘子状态识别器(Murthy V S,Tarakanath K,Mohanta D K,et al.Insulator condition analysis for overhead distribution lines using combined wavelet support vector machine(SVM)[J].IEEE Transactions on Dielectrics and Electrical Insulation,2010,17(1):89
‑
99)。该方法基于小波变换提取绝缘子特征，在使用支持向量机分类得到绝缘子故障类别。付炜平等提出一种融合提取颜色特征矩阵和反向传播神经网络算法，从而识别红外图像中绝缘子瓷质劣化缺陷的方法(付炜平,施凤祥,王
伟,刘云鹏,纪欣欣,裴少通.基于颜色矩阵的绝缘子单片红外图像故障诊断方法[J].电瓷避雷器,2018(05):226
‑
232+240)。该方法提取绝缘子单片中心线处的颜色矩阵作为特征参量，再输入BP神经网络进行训练，成功实现绝缘子单片故障的红外诊断模型。
[0006]随着卷积神经网络的出现以及目标识别算法的飞速发展，深度学习的方法被应用在绝缘子检测算法中。因为卷积神经网络可以自动学习获得有效兼具有鲁棒性的特征，同时对分类器进行优化，从而进一步提高了目标检测的精度。Liu等提出一种基于Faster R
‑
CNN的绝缘子定位方法(Liu X,Jiang H,Chen J,et al.Insulator detection in aerial images based on faster regions with convolutional neural network[C]//2018 IEEE 14th international conference on control and automation(ICCA).IEEE,2018:1082
‑
1086)。该算法包含卷积神经网络层用于提取特征，提升了输电线路中的绝缘子工作状态检测效果,最终在测试集上达到了94％的准确率和88％的召回率。吴涛等提出基于YOLOv3网络的一种改进的轻量级监测模型(吴涛,王伟斌,于力,等.轻量级YOLOV3的绝缘子缺陷检测方法[J].计算机工程,2019,45(8):275
‑
280)。该方法通过航拍图像构建数据集,利用K
‑
means++算法设置先验框的初始值，并最终使用YOLOv3网络进行绝缘子缺陷的识别和定位。实验结果表明,该方法提升绝缘子及其缺陷检测的精度和速度。Miao等提出一种基于SSD的绝缘子定位算法(Miao X,Liu X,Chen J,et al.Insulator detection in aerial images for transmission line inspection using single shot multibox detector[J].IEEE Access,2019,7:9945
‑
9956)。该算法结合SSD网络的优势以及两阶段微调策略进行训练，能够直接识别绝缘子的位置信息与分类信息。Gao等提出了一种改进的绝缘子缺陷检测网络，具有批量归一化卷积块注意模块(BN
‑
CBAM)和特征融合模块(Gao Z,Yang G,Li E,et al.Novel Feature Fusion Module Based Detector for Small Insulator Defect Detection[J].IEEE Sensors Journal,2021)。该方法中的批量归一化卷积块注意模块增强了不同通道对特征图的影响程度，特征融合模块融合不同层的多尺度特征，并同时使用一种基于目标对象和背景融合的数据增强方法，从而进一步提升了绝缘子缺陷识别的精度。
[0007]基于深度学习的绝缘子缺陷识别算法使得识别精度和鲁棒性都有了较大提升，但输变电巡检需要实现对绝缘子小目标的近距离识别，以上基于深度学习的绝缘子定位算法大多是直接将深度学习目标检测算法应用在绝缘子定位场景，其识别对象大多分为整串绝缘子及缺陷部分两类，或是分为正常绝缘子串及含有缺陷的绝缘子串两类，尚未本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，所述方法包括：步骤1，获取输变电巡检绝缘子的图像数据样本，利用数据标注软件和随机生成算法从图像数据样本中获取缺陷绝缘子样本，利用缺陷绝缘子样本构建检测数据集；步骤2，构建绝缘子缺陷检测神经网络；绝缘子缺陷检测神经网络包括多尺度特征提取主干网络、多尺度特征融合网络和检测网络；其中，多尺度特征提取主干网络包括改进的Resnet残差块，多尺度特征融合网络包括上采样模块和特征融合模块，检测网络包括缺陷分类检测模块和边框回归检测模块；步骤3，基于广义平滑L1损失和多元交叉熵损失设计目标检测损失函数，使用检测数据集和目标检测损失函数对绝缘子缺陷检测神经网络进行训练；步骤4，以训练好的绝缘子缺陷检测神经网络，面向输变电巡检场景进行检测。2.根据权利要求1所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，步骤1包括：步骤1.1，在不同光照、时间、天气条件下，采集输变电巡检绝缘子的图像数据样本；步骤1.2，利用数据标注软件对每个图像数据样本记录标签信息；标签信息包括标签区域的类别和标签区域的位置；其中，位置包括：左边界、上边界、右边界和下边界；步骤1.3，根据标签信息，基于随机生成算法的缺陷模拟技术制作缺陷绝缘子样本；步骤1.4，利用缺陷绝缘子样本构建检测数据集，检测数据集包括变电站数据集和输电线路数据集；步骤1.5，对变电站数据集和输电线路数据集进行多次预处理，实现各数据集中的样本数量扩充；其中，预处理包括：裁剪、变形、色域转换、旋转；步骤1.6，将检测数据集按照4:1:1的比例划分为训练集、验证集和测试集。3.根据权利要求2所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，步骤2中，改进的Resnet残差块包括卷积层、池化层和BN层；多个改进的Resnet残差块串联构成特征提取主干网络，多尺度特征提取主干网络以检测数据集为输入，以不同分辨率的特征图为输出。4.根据权利要求3所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，基于分组卷积算法，在n个改进的Resnet残差块中分别平行堆叠2n组相同拓扑结构的卷积层，每次卷积操作后输入BN层后，再经过非线性激活层。5.根据权利要求2所述的面向巡检场景的绝缘子缺陷检测神经网络构建与优化方法，其特征在于，步骤2中，多尺度特征融合网络采用不对称沙漏的网络结构；主干网络包括：主干网络第一层、主干网络第二层、主干网络第三层、主干网络第四层、主干网络第五层、主干网络第一卷积层、主干网络第二卷积层和主干网络第三卷积层；上采样模块包括反卷积操作单元，对多尺度特征提取主干网络输出的高层语义特征图进行扩大分辨率操作；
特征融合模块包括通道堆叠层、卷积核层、BN层和非线性激活层；通道堆叠层将扩大分辨率的高层语义特征图与低层语义特征图进行堆叠；堆叠后的结果经过卷积核处理，再经过BN层和非线性激活层得到融合后的特征；其中，高层语义特征图，是主干网络第三卷积层输出的深层特征图；低层语义特征图，分别是主干网络第二卷积层、主干网络第一卷积层、主干网络第五层、主干网络第四层与主干网...

【专利技术属性】
技术研发人员：朱新山，曾筠婷，郭志民，李斌，王帅，屈璐瑶，李亚霖，刘昊，田杨阳，毛万登，赵健，贺翔，张小斐，袁少光，耿俊成，马斌，魏小昭，
申请(专利权)人：天津大学国家电网有限公司，
类型：发明
国别省市：