一种输电线路铁塔小部件图像识别方法及装置制造方法及图纸

本发明专利技术提供一种输电线路铁塔小部件图像识别方法及装置，该方法包括获取预先对输电线路铁塔部件进行标注的图像信息，并构建图像数据集；对图像数据集进行数据扩增和数据平衡，得到预处理后的图像数据集；对预处理后的图像数据集进行聚类操作，获得预测的锚框尺寸；搭建卷积神经网络，并利用预处理后的图像数据集对卷积神经网络进行训练后，获得网络识别模型；对当前采集到的输电线路铁塔图像进行部件识别，并将识别有缺陷部件的图像数据传输回运检中心。本发明专利技术用以解决目前现有技术中存在的浪费人力资源、人工巡检效率低、算法模型部署困难、无法满足电力行业发展和改革的需要以及现有图像识别算法存在的各种问题。现有图像识别算法存在的各种问题。现有图像识别算法存在的各种问题。

【技术实现步骤摘要】
一种输电线路铁塔小部件图像识别方法及装置


[0001]本专利技术涉及空调智能控制
，具体涉及一种输电线路铁塔小部件图像识别方法以及应用于该方法的装置。

技术介绍

[0002]近年来，输电线路巡检人员少、人工巡检效率低和输电线路规模大、小部件数量多的矛盾日渐突出，传统的巡检方式已经无法满足电力行业发展和改革的需要，输电线路铁塔小部件巡检智能化越来越受到电力行业的重视。
[0003]目前大多数电力公司仅利用监测装置执行拍摄任务，而小部件缺陷判定部分仍由人工判断，远远不能满足当前的巡检需求，需要一种能够部署至监测装置的图像识别算法对输电线路铁塔小部件进行实时识别处理，但在对现有技术的研究和应用过程中发现，现有技术提出的各种图像识别算法存在模型参数量大且部署困难等问题，无法在实际巡检中得到应用。

技术实现思路

[0004]本专利技术提供一种输电线路铁塔小部件图像识别方法及装置，用以解决目前现有技术中存在的浪费人力资源、人工巡检效率低、算法模型部署困难、无法满足电力行业发展和改革的需要以及现有图像识别算法存在的各种问题。
[0005]第一方面，本专利技术提供的一种输电线路铁塔小部件图像识别方法，该方法包括：
[0006]获取预先对输电线路铁塔部件进行标注的图像信息，并构建图像数据集；
[0007]对图像数据集进行数据扩增和数据平衡，得到预处理后的图像数据集；
[0008]对预处理后的图像数据集进行聚类操作，输出预设定的锚框数量确定聚类的类别数量，获得预测的锚框尺寸；
[0009]搭建卷积神经网络，并利用预处理后的图像数据集对所述卷积神经网络进行训练后，获得用于识别输电线路铁塔部件的网络识别模型；
[0010]基于所述网络识别模型对当前采集到的输电线路铁塔图像进行部件识别，并将识别有缺陷部件的图像数据传输回运检中心。
[0011]根据本专利技术提供的一种输电线路铁塔小部件图像识别方法，所述获取预先对输电线路铁塔部件进行标注的图像信息包括：
[0012]对巡检采集到的输电线路全景图像进行裁剪，使其被裁剪为包含输电线路铁塔小部件的局部图像，其中，所述输电线路铁塔的小部件包括正常小部件和缺陷小部件；
[0013]在局部图像中标注所述输电线路铁塔小部件的类别和位置生成标注框，并将每张局部图像的标注框信息保存在标注文件中。
[0014]根据本专利技术提供的一种输电线路铁塔小部件图像识别方法，所述对图像数据集进行数据扩增和数据平衡，包括：
[0015]对图像数据集进行数据扩增：根据监测装置的实际拍摄情况采用数据扩增算法，
生成对应的标注文件；
[0016]对图像数据集进行数据平衡：统计数据扩增后的图像数据集中每类小部件的标注框个数，对标注框数量较少的小部件图像进行再扩充，对标注框数量较多的小部件图像进行适当删减，使得每类小部件的标注框个数保持一致，得到预处理后的图像数据集。
[0017]根据本专利技术提供的一种输电线路铁塔小部件图像识别方法，使用K
‑
means聚类算法对预处理后的图像数据集进行聚类操作，包括：
[0018]根据卷积神经网络输出网络设定的锚框数量设置聚类的类别数量，随机初始化聚类中心点A＝{a1,a2,...,a
n
}；
[0019]针对预处理后的图像数据集的每个样本数据点x
i
，根据欧式距离公式计算每个聚类中心点与样本数据点之间的距离，将距离较近的样本数据划分到聚类中心点所在的类中；
[0020]针对每个类别，判断是否满足迭代终止条件，若满足则输出聚类标签，若不满足则更新该类别的聚类中心点，表示为公式(1)：
[0021][0022]其中，a
k
表示聚类簇A
k
中的聚类中心点，|A
k
|表示该类别中样本数据点的总个数；
[0023]然后，不断更新聚类中心的值，直到聚类中心的位置不再发生变化或达到设置的迭代次数上线，从而获得预测的锚框尺寸。
[0024]根据本专利技术提供的一种输电线路铁塔小部件图像识别方法，所述搭建卷积神经网络，包括：
[0025]输入网络，采用PCNet将输入图像通过一个特征通道为1的1
×
1卷积核减少后续卷积操作参数量，然后并行使用特征通道为1的3
×
3卷积核，特征通道为2的5
×
5卷积核，特征通道为3的7
×
7卷积核，特征通道为4的9
×
9卷积核，特征通道为5的11
×
11卷积核，提取小部件图像的对比度信息，融合多重感受野；
[0026]主干网络，采用轻量化倒置残差结构，通过逐点卷积
‑
深度卷积
‑
逐点卷积的瓶颈结构代替传统的卷积核，并对特征通道先升维再降维使得特征提取在高维空间中进行；特征融合阶段采用的SPP
‑
tiny在SPP模块的基础上仅保留跳跃连接和13
×
13最大池化层，再采用通道注意力机制给特征通道分配合适的权重，实现局部特征与全局特征的融合；
[0027]输出网络，采用FPN特征金字塔结构的思想进行多尺度预测，设定2种尺度信息，每种尺度设定3个锚框进行回归分析。
[0028]根据本专利技术提供的一种输电线路铁塔小部件图像识别方法，所述利用预处理后的图像数据集对所述卷积神经网络进行训练，包括：
[0029]根据预处理后的图像数据集按照比例划分出训练集和验证集，其中，训练集用于对搭建的卷积神经网络进行训练得到卷积神经网络模型；验证集用于在训练得到的卷积神经网络模型中选择参数最优化的卷积神经网络模型；
[0030]利用mosaic数据增强方法丰富识别物体的背景信息，在划分出的训练集中随机选择若干图像进行随机缩放裁剪再拼接形成新图像，将新图像和训练集图像分批次输入搭建的卷积神经网络进行卷积池化操作得到初步的输出预测结果；
[0031]通过卷积神经网络的输出网络对初步的输出预测结果进行损失计算，并构建损失函数，通过反向梯度传播算法对卷积神经网络模型的卷积核参数进行迭代更新，当达到设定的迭代次数时停止训练，根据验证集筛选得到参数最优化的卷积神经网络模型。
[0032]根据本专利技术提供的一种输电线路铁塔小部件图像识别方法，在筛选得到参数最优化的卷积神经网络模型后，采用剪枝方法对参数最优化的卷积神经网络模型进行模型压缩，利用批标准化BN层的缩放因子γ与输出通道相乘判断卷积层输出通道的重要性，在损失函数中添加缩放因子γ的正则项进行稀疏训练表示为公式(2)：
[0033][0034]其中，L(W)为模型的损失函数，λ为稀疏因子，g(γ)为稀疏正则项，Γ为γ的集合；在稀疏训练过程中对学习率η和稀疏因子λ进行调整从而达到较好的稀疏效果，对稀疏训练后网络模型中缩放因子γ接近0的输出通道进行剪除，微调剪枝后获得用于识别输电线路铁塔小部件的网本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路铁塔小部件图像识别方法，其特征在于，包括：获取预先对输电线路铁塔部件进行标注的图像信息，并构建图像数据集；对图像数据集进行数据扩增和数据平衡，得到预处理后的图像数据集；对预处理后的图像数据集进行聚类操作，输出预设定的锚框数量确定聚类的类别数量，获得预测的锚框尺寸；搭建卷积神经网络，并利用预处理后的图像数据集对所述卷积神经网络进行训练后，获得用于识别输电线路铁塔部件的网络识别模型；基于所述网络识别模型对当前采集到的输电线路铁塔图像进行部件识别，并将识别有缺陷部件的图像数据传输回运检中心。2.根据权利要求1所述的方法，其特征在于，所述获取预先对输电线路铁塔部件进行标注的图像信息包括：对巡检采集到的输电线路全景图像进行裁剪，使其被裁剪为包含输电线路铁塔小部件的局部图像，其中，所述输电线路铁塔的小部件包括正常小部件和缺陷小部件；在局部图像中标注所述输电线路铁塔小部件的类别和位置生成标注框，并将每张局部图像的标注框信息保存在标注文件中。3.根据权利要求2所述的方法，其特征在于，所述对图像数据集进行数据扩增和数据平衡，包括：对图像数据集进行数据扩增：根据监测装置的实际拍摄情况采用数据扩增算法，生成对应的标注文件；对图像数据集进行数据平衡：统计数据扩增后的图像数据集中每类小部件的标注框个数，对标注框数量较少的小部件图像进行再扩充，对标注框数量较多的小部件图像进行适当删减，使得每类小部件的标注框个数保持一致，得到预处理后的图像数据集。4.根据权利要求1所述的方法，其特征在于：使用K
‑
means聚类算法对预处理后的图像数据集进行聚类操作，包括：根据卷积神经网络输出网络设定的锚框数量设置聚类的类别数量，随机初始化聚类中心点A＝{a1,a2,...,a
n
}；针对预处理后的图像数据集的每个样本数据点x
i
，根据欧式距离公式计算每个聚类中心点与样本数据点之间的距离，将距离较近的样本数据划分到聚类中心点所在的类中；针对每个类别，判断是否满足迭代终止条件，若满足则输出聚类标签，若不满足则更新该类别的聚类中心点，表示为公式(1)：其中，a
k
表示聚类簇A
k
中的聚类中心点，|A
k
|表示该类别中样本数据点的总个数；然后，不断更新聚类中心的值，直到聚类中心的位置不再发生变化或达到设置的迭代次数上线，从而获得预测的锚框尺寸。5.根据权利要求1所述的方法，其特征在于，所述搭建卷积神经网络，包括：输入网络，采用PCNet将输入图像通过一个特征通道为1的1
×
1卷积核减少后续卷积操作参数量，然后并行使用特征通道为1的3
×
3卷积核，特征通道为2的5
×
5卷积核，特征通道
为3的7...

【专利技术属性】
技术研发人员：张树琪，陈恩泽，季翠，张苹，
申请(专利权)人：珠海市金锐电力科技有限公司，
类型：发明
国别省市：