一种绝缘子故障的识别方法技术

本发明专利技术提供一种绝缘子故障的识别方法，包括，采集目标绝缘子的图像信息，并将所述图像信息作为输入项输入预设的目标检测网络模型；所述目标检测网络模型抽取多个不同尺度的有效的特征图来进行多尺度特征预测，在每个特征图的各个位置生成多个预测框并过滤掉重合度大于预设过滤阈值的预测框，获得最终的预测结果；按照预设的图像分割标准对所述最终的预测结果进行分割，并将分割后的图像结果与预设的故障识别标准进行比较，得到最终的绝缘子故障的识别结果。本发明专利技术能够快速地识别出绝缘子，并可以对各种复杂背景下的自爆绝缘子进行准确分割，同时具备模型参数量小、效率高、鲁棒性强等特征，可在一定程度上满足无人机的嵌入式应用要求。应用要求。应用要求。

【技术实现步骤摘要】
一种绝缘子故障的识别方法


[0001]本专利技术涉及绝缘子故障的识别
，特别是涉及一种绝缘子故障的识别方法。

技术介绍

[0002]对架空输电线路中的绝缘子进行故障识别方面多是采用人工方式进行检查，随着新技术新形势的发展，现已经存在使无人机对架空输电线路中的绝缘子进行故障识别。但是，针对绝缘子进行故障识别所采用的深度学习算法多存在模型参数量大、对硬件要求较高等方面的问题，难以嵌入到无人机等移动设备。如何实现能够快速地识别出绝缘子，并可以对各种复杂背景下的自爆绝缘子进行准确分割，并在一定程度上满足无人机的嵌入式应用要求，提高基于无人机对架空输电线路的巡检精度和实时性是目前需要解决的一大难点。

技术实现思路

[0003]本专利技术的目的在于，提出一种绝缘子故障的识别方法，，解决如何使无人机搭载轻量级模型对架空输电线路中的绝缘子进行故障识别的技术问题。
[0004]一方面，提供一种绝缘子故障的识别方法，包括：
[0005]采集目标绝缘子的图像信息，并将所述图像信息作为输入项输入预设的目标检测网络模型；
[0006]所述目标检测网络模型抽取多个不同尺度的有效的特征图来进行多尺度特征预测，在每个特征图的各个位置生成多个预测框并过滤掉重合度大于预设过滤阈值的预测框，获得最终的预测结果；
[0007]按照预设的图像分割标准对所述最终的预测结果进行分割，并将分割后的图像结果与预设的故障识别标准进行比较，得到最终的绝缘子故障的识别结果。
[0008]优选地，所述目标检测网络模型内设置一主干特征提取网络，所述主干特征提取网络内设置至少一个卷积层，所述卷积层后还设置至少八个不同尺度的特征层，所述特征层之间依次连接，其中，依次连接的特征层处理的所述特征图的尺寸依次递减。
[0009]优选地，还包括：
[0010]当进行多尺度特征预测时，从至少六个所述特征层上抽取多个不同尺度的有效的特征图；
[0011]在每个特征图的各个位置预先生成多个预测框，并根据所述预测框的尺寸确定默认框，所述预测框的尺寸根据所述特征图的数量确定；
[0012]其中，任意两个特征图之间的分辨率各不相同。
[0013]优选地，所述特征层根据以下公式确定所述预测框的尺寸：
[0014][0015]其中，S
k
表示预测框的大小；S
min
表示预测框的最小值；S
max
表示预测框的最大值；k代表第k个特征图，m表示特征图共有m个。
[0016]优选地，所述特征层根据以下公式确定所述默认框的尺寸：
[0017][0018][0019][0020]其中，a
r
表示预测框的宽高比；i表示第i个预测框；j表示第j个真实框；f
k
表示第k个特征图的长或宽；w表示默认框的宽；h表示默认框的高；x、y表示默认框的中心点坐标。
[0021]优选地，还包括：
[0022]当所述目标检测网络模型确定所述预测框后，根据所述预测框的位置和真实框的位置确定总损失参数，并根据所述总损失参数确定所述预测框之间的重合度，将重合度大于预设过滤阈值的预测框过滤掉；
[0023]其中，所述总损失参数为类别置信度损失和位置损失的加权和。
[0024]优选地，根据以下公式确定所述总损失参数：
[0025][0026]其中，N为预测框匹配到真实框的数量；L
C
为分类置信度损失；L
L
为位置损失；β用于调整L
C
和L
L
之间的占比；c表示分类置信度，1为默认框的预测值；g为真实框的位置信息。
[0027]优选地，根据以下公式确定类别置信度损失：
[0028][0029][0030]其中，P表示图像边界框的位置；表示概率预测，其预测的是预测框i和真实框j在p类别上的匹配概率；时，代表预测框i匹配到了p类别中的
第j个的真实框；表示目标类置信度，对应包含第p类目标的阳性默认框；M是负样本边界框的位置；表示背景类置信度，对应不包含目标物体的阴性默认框。
[0031]优选地，根据以下公式确定位置损失：
[0032][0033]其中，表示第i个预测框与第j个真实框在第k个类别上是否相同；L
S
是对位置的误差采用平滑L1损失；(c
x
,c
y
)代表边界框的中心；w、h代表预测框的宽、高；代表真实框和默认框之间的相对偏移量；是预测框；为真实框。
[0034]优选地，根据以下公式位置的误差：
[0035][0036]其中，x表示输入样本，即图像信息。
[0037]综上，实施本专利技术的实施例，具有如下的有益效果：
[0038]本专利技术提供的绝缘子故障的识别方法，利用MobileNet
‑
SSD对绝缘子进行精确分类及定位，再结合MobileNetV2
‑
DeeplabV3+语义分割算法对绝缘子自爆图片进行分割；能够快速地识别出绝缘子，并可以对各种复杂背景下的自爆绝缘子进行准确分割，同时具备模型参数量小、效率高、鲁棒性强等特征，可在一定程度上满足无人机的嵌入式应用要求，提高基于无人机对架空输电线路的巡检精度和实时性。
附图说明
[0039]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本专利技术的范畴。
[0040]图1为本专利技术实施例中一种绝缘子故障的识别方法的主流程示意图。
[0041]图2为本专利技术实施例中一种目标检测网络模型的示意图。
[0042]图3为本专利技术实施例中一种图像分割网络的示意图。
具体实施方式
[0043]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合附图对本专利技术作进一步地详细描述。
[0044]如图1所示，为本专利技术提供的一种绝缘子故障的识别方法的一个实施例的示意图。在该实施例中，所述方法包括以下步骤：
[0045]步骤S1，采集目标绝缘子的图像信息，并将所述图像信息作为输入项输入预设的
目标检测网络模型；也就是，使无人机等设备搭载本专利技术中的轻量级模型(目标检测网络模型)对架空输电线路中的绝缘子进行故障识别时，采集对应的图像信息输入模型中进行图像融合、目标检测、图像分割实现绝缘子自爆故障识别、分割方法，从而有效提高基于无人机对架空输电线路的巡检精度和实时性。
[0046]步骤S2，所述目标检测网络模型抽取多个不同尺度的有效的特征图来进行多尺度特征预测，在每个特征图的各个位置生成多个预测框并过滤掉重合度大于预设过滤阈值的预测框，获得最终的预测结果；也就是，在进行融合时，采用了SSD多尺度预测的策略本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子故障的识别方法，其特征在于，包括：采集目标绝缘子的图像信息，并将所述图像信息作为输入项输入预设的目标检测网络模型；所述目标检测网络模型抽取多个不同尺度的有效的特征图来进行多尺度特征预测，在每个特征图的各个位置生成多个预测框并过滤掉重合度大于预设过滤阈值的预测框，获得最终的预测结果；按照预设的图像分割标准对所述最终的预测结果进行分割，并将分割后的图像结果与预设的故障识别标准进行比较，得到最终的绝缘子故障的识别结果。2.如权利要求1所述的方法，其特征在于，所述目标检测网络模型内设置一主干特征提取网络，所述主干特征提取网络内设置至少一个卷积层，所述卷积层后还设置至少八个不同尺度的特征层，所述特征层之间依次连接，其中，依次连接的特征层处理的所述特征图的尺寸依次递减。3.如权利要求2所述的方法，其特征在于，还包括：当进行多尺度特征预测时，从至少六个所述特征层上抽取多个不同尺度的有效的特征图；在每个特征图的各个位置预先生成多个预测框，并根据所述预测框的尺寸确定默认框，所述预测框的尺寸根据所述特征图的数量确定；其中，任意两个特征图之间的分辨率各不相同。4.如权利要求3所述的方法，其特征在于，所述特征层根据以下公式确定所述预测框的尺寸：其中，S
k
表示预测框的大小；S
min
表示预测框的最小值；S
max
表示预测框的最大值；k代表第k个特征图，m表示特征图共有m个。5.如权利要求4所述的方法，其特征在于，所述特征层根据以下公式确定所述默认框的尺寸：尺寸：尺寸：其中，a
r
表示预测框的宽高比；i表示第i个预测框；j表示第j个真实框；f
k
表示第k个特
征图的长或宽；w表示默认框的宽；h表示默认框的高；x、y表示默认...

【专利技术属性】
技术研发人员：田杰，怡勇，李艳，杜进桥，刘子俊，杨帆，谭旭，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：