感受野自适应的变电站绝缘子缺陷检测神经网络构建方法技术

感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，基于真实场景下变电站巡检图像，采用缺陷模拟技术生成绝缘子缺陷样本，构建缺陷检测神经网络，采用ResNest网络进行特征提取，获得三个不同分辨率的特征图，经FPN以通道拼接方式进行多尺度特征融合，以实现跨特征层的信息交互。将FPN网络生成的不同分辨率特征图送入感受野自适应选择模块，以学习不同尺度目标所需的感受野，最后输入检测头获得类别预测和边框回归预测结果。采用本发明专利技术所述的方法，能够充分提取兼顾深层语义信息和浅层细节信息的图像特征，动态调整检测头的感受野，增强特征的表达能力，从而提升目标检测的精度和鲁棒性，以实现更精准的检测。以实现更精准的检测。以实现更精准的检测。

【技术实现步骤摘要】
感受野自适应的变电站绝缘子缺陷检测神经网络构建方法


[0001]本专利技术属于电力巡检
，具体涉及感受野自适应的变电站绝缘子缺陷 检测神经网络构建方法。

技术介绍

[0002]伴随智能电网建设的全面推进及电网规模的不断扩大，检测任务量与日俱增， 传统的人工巡检存在劳动强度大、工作效率低、对人员能力、工作状态依赖性强 等问题，无人直升机和巡检机器人的应用大大提升了巡检的效率和精度，保障了 监测的实时性，同时也产生了大量巡检图像。在线检测技术需求随之加大，目标 设备的准确识别和定位成为检测技术的关键。绝缘子是保障电力系统安全运行的 重要元件之一，故提出一种变电站绝缘子缺陷检测网络构建方法具有重要的实际 工程价值。
[0003]现有技术中，关于绝缘子缺陷检测算法主要分为两类：基于图像处理技术的 传统方法与基于深度学习的方法。
[0004]基于图像处理技术传统方法，通过特征提取算法提取目标的形状、颜色和纹 理等特征，然后通过匹配特征的算法或使用分类器实现目标检测。传统方法主要 存在的问题如下：传统方法需要足够的先验知识，且只能识别本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，所述方法包括：步骤1，采集真实场景下变电站的巡检图像，从巡检图像中提取绝缘子图像；步骤2，基于缺陷模拟技术，对绝缘子图像进行数据增强以生成缺陷绝缘子样本图像；缺陷绝缘子样本图像中，缺陷绝缘子片的数量与正常绝缘子片的数量比例为1：1；利用缺陷绝缘子样本图像构建变电站绝缘子缺陷检测的数据集；步骤3，构建缺陷检测神经网络，缺陷检测神经网络包括：基于ResNest残差模块的主干网络，采用通道拼接的FPN网络，感受野自适应选择模块和检测头；步骤4，使用步骤2中构建的数据集对缺陷检测神经网络进行训练，以训练好的缺陷检测神经网络作为基于感受野自适应的变电站绝缘子缺陷检测神经网络。2.根据权利要求1所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，步骤1中，巡检图像中包含多个电力设备图像，通过图片裁剪后获得绝缘子图像，利用绝缘子图像构建原始数据集。3.根据权利要求2所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，步骤2包括：步骤2.1，基于统计法，以绝缘子图像中占比最大的像素颜色作为缺陷填充色；步骤2.2，以如下关系式计算绝缘子图像中背景和目标的类间方差最大值：式中，为绝缘子图像中背景和目标的类间方差最大值，并且类间方差最大值对应的灰度值t作为绝缘子图像中背景和目标的分割阈值；P0(t)和P1(t)分别为绝缘子图像中背景和目标的像素点数占整幅图像的比例，H0(t)和H1(t)分别为绝缘子图像中背景和目标的平均灰度值；步骤2.3，绝缘子图像的灰度值区间为[0,m]，以分割阈值t将绝缘子图像的灰度值区间分割为第一区间[0,t]以及第二区间[t+1,m]；步骤2.4，根据绝缘子图像灰度值的第一区间和第二区间，以如下关系式对绝缘子图像中的背景和目标进行分割：式中，f
(i,j)
为分割前绝缘子图像中第i行第j列的灰度值，P
(i,j)
为分割后绝缘子图像中第i行第j列的灰度值；满足P
(i,j)
＝1的区域，为从绝缘子图像中分割出来的目标，即绝缘子区域图像；步骤2.5，基于Radon变换法，对绝缘子区域图像沿不同方向以不同截距的直线做线积分，取线积分最大值对应的直线作为绝缘子区域主轴；步骤2.6，在绝缘子区域主轴的两侧，与主轴距离为dist处分别做平行线，将平行线外
侧定义为缺陷生成区域；其中，dist的值为绝缘子片半径的0.5倍；步骤2.7，在缺陷生成区域内随机生成缺陷，使用缺陷填充色对缺陷进行填充，获得缺陷绝缘子图像；其中，缺陷生成区域内随机生成的缺陷数量取值为3～7；步骤2.8，利用高斯滤波器对缺陷绝缘子图像进行滤波平滑处理，生成缺陷绝缘子样本图像。4.根据权利要求3所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，步骤2中，变电站绝缘子缺陷检测的数据集按照4:1的比例划分为训练集和测试集。5.根据权利要求1所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，缺陷检测神经网络中，利用基于ResNest残差模块的主干网络对缺陷绝缘子样本图像进行特征提取，获得三个不同分辨率的特征图；对FPN网络中的融合方式进行改进，即对三个不同分辨率的特征图进行通道拼接得到第一特征融合图、第二特征融合图和第三特征融合图，同时对三个不同分辨率的特征图中分辨率最低的特征图进行连续降维，得到第四特征融合图和第五特征融合图；将五个特征融合图输入至感受野自适应选择模块中，以获得感受野自适应特征图；将感受野自适应特征图输入检测头获得绝缘子缺陷检测边界框的类别预测结果和边框回归预测结果。6.根据权利要求5所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，步骤3中，基于ResNest残差模块的主干网络包括N层ResNest残差模块，各残差模块之间包括直接连接路径和间接连接路径；其中，直接连接路径对上一级残差模块输出的特征不作处理，直接输入至本级残差模块；间接连接路径对上一级残差模块输出的特征进行循环卷积运算，将卷积运算获得的特征残差输入至本级残差模块；主干网络的最终输出是直接连接路径传输的特征与间接连接路径传输的特征残差之和。7.根据权利要求6所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，主干网络包括33层ResNest残差模块；由第7层残差模块输出第一特征图；由第30层残差模块输出第二特征图；由第33层的残差模块输出第三特征图。8.根据权利要求7所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，第一特征图的分辨率为40
×
40
×
512，第二特征图的分辨率为20
×
20
×
1024，第三特征图的分辨率为10
×
10
×
2048。9.根据权利要求8所述的感受野自适应的变电站绝缘子缺陷检测神经网络构建方法，其特征在于，步骤3的FPN网络中，以如下关系式对各特征图进行通道...

【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：