一种基于轻量化模型的绝缘子缺陷检测方法及其系统技术方案

本申请提供一种基于轻量化模型的绝缘子缺陷检测方法及其系统，属于计算机技术领域，该方法包括如下步骤：获取绝缘子航拍图像；基于预先训练的轻量化绝缘子分割模型，对绝缘子航拍图像中的背景进行剔除，突出显示绝缘子特征，对绝缘子进行分割，获取绝缘子语义分割图；基于预先训练的轻量化绝缘子缺陷检测模型，对绝缘子语义分割图中的绝缘子缺陷进行检测，获得绝缘子缺陷检测结果。本申请在保证精度速度提升的前提下，降低了模型参数量和复杂度，该方法符合部署在移动端或嵌入式设备的要求。方法符合部署在移动端或嵌入式设备的要求。方法符合部署在移动端或嵌入式设备的要求。

An insulator defect detection method and system based on lightweight model

【技术实现步骤摘要】
一种基于轻量化模型的绝缘子缺陷检测方法及其系统


[0001]本申请涉及计算机
，尤其涉及一种基于轻量化模型的绝缘子缺陷检测方法及其系统。

技术介绍

[0002]在恶劣的自然环境中，架空输电线路上的绝缘子会发生老化、腐蚀、损坏等故障。绝缘子的故障会严重影响到供电系统的正常工作。因此，绝缘子缺陷检测尤为重要。
[0003]现有的，基于支持向量机(SupportVector Machines，SVM)的分类模型集成到多尺度滑动窗口框架中，用于红外图像绝缘子的定位。利用主成分分析降维后的方向梯度直方图特征和局部二值模式特征进行融合，利用SVM分类算法获得训练模型并检测出绝缘子。通过绝缘子的颜色和空间特征确定绝缘子的目标区域，对目标区域进行形态学处理以确定缺陷位置。以及基于微波技术的复合绝缘子内部缺陷检测方法。这些方法只能提取浅层特征，只能在特定环境下工作，在复杂背景和大干扰下鲁棒性差，不能满足实际需要。
[0004]近年来，随着深度学习突飞猛进，分类、物体检测、语义分割算法在计算机视觉领域取得了长足的进步，也开始涉足电力工业应用。目前基于深度学习的绝缘子诊断方法可分为两类，一类是通过目标检测算法直接在原始图像上定位缺陷，另一类是先提取整幅图像中的绝缘子，然后对绝缘子的局部图像进行缺陷识别。
[0005]目前，利用特征金字塔网络(Feature Pyramid Networks FPNs)对(Faster Regions with Convolutional Neural Network，Faster R
‑
CNN)进行改进，实现复杂背景图像中绝缘子的定位,采用HSV颜色空间自适应阈值算法对图像进行分割，利用直线检测、图像旋转和垂直投影完成绝缘子故障检测。该方法取得了很好的检测精度，但由于模型复杂度高导致检测速度过慢。
[0006]目前提出了一种基于改进的特征融合SSD的红外绝缘子图像检测模型，实现变电站绝缘子的自动检测和一种基于YOLOv4的玻璃绝缘子自爆检测方法实现对自爆绝缘子的识别和定位，这两种方法提升了速度，满足了自爆绝缘子的实时检测要求，但都不能完全剔除背景信息对绝缘子缺陷检测的干扰，在多重复杂背景信息融合的情况下检测精度和速度性能较差。
[0007]现有技术中还提出了利用批量残差网络(Aggregated Residual Network，ResNeXt)改进Faster R
‑
CNN特征提取用来捕获缺陷和绝缘子，然后采用ResNeXt作为U型网络(U
‑
networks，Unet)网络编码器对检测到的绝缘子进行分割，还设计了二值交叉熵损失和Dice系数损失的混合损失来训练网络。通过结合掩模区域卷积神经网络(Mask Regions with Convolutional Neural Network，Mask R
‑
CNN)和曲线拟合的方法分割出悬链线绝缘子区域。然后，利用提出的重构和分类卷积自动编码网络提取缺陷区域。最后，通过基于密度的含噪声应用空间聚类指标来判断缺陷级别。现有绝缘子缺陷检测算法虽然都获得了很好的性能，但是现有算法模型复杂度高，参数量和计算量大且召回率低。另外，现有绝缘子缺陷检测算法高计算资源和模型复杂度超出了移动和嵌入式设备能力，不便于在野外条件
下利用移动设备随时随地监测绝缘子状况。
[0008]因此，目前仍需要解决的技术问题是：如何提供一种在保证精度速度提升的前提下，降低了模型参数量和复杂度，符合部署在移动端或嵌入式设备的要求的绝缘子缺陷检测方法。

技术实现思路

[0009]本申请的目的在于提供一种基于轻量化模型的绝缘子缺陷检测方法及其系统，该方法在保证精度速度提升的前提下，降低了模型参数量和复杂度，该方法符合部署在移动端或嵌入式设备的要求。
[0010]为达到上述目的，本申请提供一种基于轻量化模型的绝缘子缺陷检测方法，该方法包括如下步骤：获取绝缘子航拍图像；基于预先训练的轻量化绝缘子分割模型，对绝缘子航拍图像中的背景进行剔除，突出显示绝缘子特征，对绝缘子进行分割，获取绝缘子语义分割图；基于预先训练的轻量化绝缘子缺陷检测模型，对绝缘子语义分割图中的绝缘子缺陷进行检测，获得绝缘子缺陷检测结果。
[0011]如上的，其中，预先训练轻量化绝缘子分割模型的方法包括如下步骤：利用深度可分离卷积轻量化模型作为主干网络，对金字塔场景解析网络模型进行改进；利用Dice损失函数和焦点损失函数，进一步优化金字塔场景解析网络模型的损失函数，生成焦点金字塔场景解析网络模型；将被标注过的绝缘子图像输入到焦点金字塔场景解析网络模型中训练网络参数，获得轻量化绝缘子分割模型。
[0012]如上的，其中，获得轻量化绝缘子分割模型的方法包括：利用VOC数据集对焦点金字塔场景解析网络模型进行预训练，输出预训练模型权重，将预训练模型权重引入焦点金字塔场景解析网络模型中，获取预训练后的轻量化绝缘子分割模型；在预训练后的轻量化绝缘子分割模型中输入预先制备的绝缘子分割数据集，进一步训练；预训练后的轻量化绝缘子分割模型在学习率动态变化的情况下，不断对比损失函数和收敛速度，选择最好的学习率进行训练。
[0013]如上的，其中，制备绝缘子分割数据集的方法包括如下子步骤：获取基础绝缘子分割数据集；利用数据增强技术对绝缘子分割数据集进行了扩充，获得扩充后的绝缘子分割数据集；对扩充后的绝缘子分割数据集中的图像进行绝缘子的手动标注，获得绝缘子图像的标签图；将绝缘子分割数据集中的绝缘子原图与标签图一同读取出来，作为最终的绝缘子分割数据集。
[0014]如上的，其中，预先训练的轻量化绝缘子缺陷检测模型的方法包括如下步骤：利用深度可分离卷积轻量化模型与YOLOv4网络结合，生成轻量化绝缘子缺陷检测模型；将经过轻量化绝缘子分割模型处理后的绝缘子语义分割图输入到轻量化绝缘子缺陷检测模型中，训练轻量化绝缘子缺陷检测模型的网络参数，获得训练后的轻量化绝缘子分割模型。
[0015]如上的，其中，对绝缘子进行分割的方法包括如下步骤：将绝缘子航拍图像输入轻量化绝缘子分割模型中，对绝缘子航拍图像中的背景进行剔除；采用深度可分离卷积轻量化模型作为主干网络，来提取绝缘子航拍图像中绝缘子的基础特征层；将提取的基础特征层输入到金字塔池化模块，将其分成不同尺度大小的特征图；对不同尺度大小的特征图进行平均池化操作，将不同尺度大小特征图的上下文信息进行整合，获得不同区域的特征；利
用卷积操作对不同区域的特征进行整合，并将卷积操作的通道数调整成类别数量，最终输出和输入图像相同尺度的绝缘子语义分割图。
[0016]如上的，其中，对绝缘子语义分割图中的绝缘子缺陷进行检测的方法包括如下步骤：将绝缘子语义分割图输入轻量化绝缘子缺陷检测模型中；采用深度可分离卷积轻量化模型作为主干特征提取网络，提取绝缘子语义分割图中绝缘子缺陷的特征，获得三个基础特征层；采用空间金字塔池化网络和路径聚合网络，对三个基础特征层进行加强特征融本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于轻量化模型的绝缘子缺陷检测方法，其特征在于，该方法包括如下步骤：获取绝缘子航拍图像；基于预先训练的轻量化绝缘子分割模型，对绝缘子航拍图像中的背景进行剔除，突出显示绝缘子特征，对绝缘子进行分割，获取绝缘子语义分割图；基于预先训练的轻量化绝缘子缺陷检测模型，对绝缘子语义分割图中的绝缘子缺陷进行检测，获得绝缘子缺陷检测结果。2.根据权利要求1所述的基于轻量化模型的绝缘子缺陷检测方法，其特征在于，预先训练轻量化绝缘子分割模型的方法包括如下步骤：利用深度可分离卷积轻量化模型作为主干网络，对金字塔场景解析网络模型进行改进；利用Dice损失函数和焦点损失函数，进一步优化金字塔场景解析网络模型的损失函数，生成焦点金字塔场景解析网络模型；将被标注过的绝缘子图像输入到焦点金字塔场景解析网络模型中训练网络参数，获得轻量化绝缘子分割模型。3.根据权利要求2所述的基于轻量化模型的绝缘子缺陷检测方法，其特征在于，获得轻量化绝缘子分割模型的方法包括：利用VOC数据集对焦点金字塔场景解析网络模型进行预训练，输出预训练模型权重，将预训练模型权重引入焦点金字塔场景解析网络模型中，获取预训练后的轻量化绝缘子分割模型；在预训练后的轻量化绝缘子分割模型中输入预先制备的绝缘子分割数据集，进一步训练；预训练后的轻量化绝缘子分割模型在学习率动态变化的情况下，不断对比损失函数和收敛速度，选择最好的学习率进行训练。4.根据权利要求3所述的基于轻量化模型的绝缘子缺陷检测方法，其特征在于，制备绝缘子分割数据集的方法包括如下子步骤：获取基础绝缘子分割数据集；利用数据增强技术对绝缘子分割数据集进行了扩充，获得扩充后的绝缘子分割数据集；对扩充后的绝缘子分割数据集中的图像进行绝缘子的手动标注，获得绝缘子图像的标签图；将绝缘子分割数据集中的绝缘子原图与标签图一同读取出来，作为最终的绝缘子分割数据集。5.根据权利要求1所述的基于轻量化模型的绝缘子缺陷检测方法，其特征在于，预先训练的轻量化绝缘子缺陷检测模型的方法包括如下步骤：利用深度可分离卷积轻量化模型与YOLOv4网络结合，生成轻量化绝缘子缺陷检测模型；将经过轻量化绝缘子分割模型处理后的绝缘子语义分割图输入到轻量化绝缘子缺陷检测模型中，训练轻量化绝缘子缺陷检测模型的网络参数，获得训练后的轻量化绝缘子分割模型。
6.根据权利要求1所述的基于轻量化模型的绝缘子缺陷检测方法，其特征在于，对绝缘子进行...

【专利技术属性】
技术研发人员：张颖慧，候静，张宇星，
申请(专利权)人：内蒙古大学，
类型：发明
国别省市：