基于CenterNet的输电设备缺陷识别方法及装置制造方法及图纸

本发明专利技术公开了基于CenterNet的输电设备缺陷识别方法及装置，首先通过基础网络提取特征图，然后经过上采样和3个卷积层分支，分别得到中心点热力、中心点偏移量和对象尺寸，再通过解码模块融合检测结果，实现对巡检图像中输电设备的缺陷智能识别；在精度上满足智能化巡检要求，且算法的网络结构简单、网络运行对内存的需求小，可端到端的训练，易于部署，可实现在线检测。线检测。线检测。

【技术实现步骤摘要】
基于CenterNet的输电设备缺陷识别方法及装置


[0001]本专利技术属于图像处理
，涉及基于CenterNet的输电设备缺陷识别方法，还涉及基于CenterNet的输电设备缺陷识别装置。

技术介绍

[0002]随着数码摄像和计算机视觉技术的快速发展和广泛应用，采用无人机等搭载摄像机等手段实现高效、快速的输电线路巡检得到了迅速的推广。以机巡影像为数据源的电力设备诊断方式已经成为维持电力设备稳定运行的日常手段。现阶段大部分对于输电设备缺陷检测是使用基于锚框的目标检测算法，该类算法会在同一像素点上生成若干个不同大小和比例候选框，并通过NMS等方法对其进行筛选，然后再进行分类和回归。虽然在一定程度上可以解决目标尺度不一和遮挡的问题，提高检测精度，但为了降低漏检率，需要生成大量的锚框，这些锚框大多数被标记为负样本，这会导致正负样本间的不平衡，增加了训练的时长，同时大量的锚框增加了计算的复杂度和占用大量内存。

技术实现思路

[0003]本专利技术的目的是提供一种基于CenterNet的输电设备缺陷识别方法，解决了现有技术中存在的计算复杂度大、占用大量内存的问题。
[0004]本专利技术所采用的技术方案是，基于CenterNet的输电设备缺陷识别方法，包括以下步骤：
[0005]步骤1、获取输电设备的图片；
[0006]步骤2、建立基于CenterNet的输电设备缺陷识别模型；
[0007]步骤3、建立输电设备数据集，并将其分为训练集和测试集，将训练集输入输电设备状态缺陷识别模型进行训练；
[0008]步骤4、利用训练完成的输电设备状态缺陷识别模型进行输电设备状态缺陷识别，输出识别结果。
[0009]本专利技术的特点还在于：
[0010]步骤2输电设备状态缺陷识别模型包括关键点预测Y分支、中心点偏移量O分支、对象尺寸S分支及解码模块。
[0011]输电设备状态缺陷识别模型的识别方法为：将图片经过上采样后，通过关键点预测Y分支、中心点偏移量O分支、对象尺寸S分支，得到中心点热力图、中心点偏移和对象尺寸；中心点热力图、中心点偏移和对象尺寸进入解码模块对齐进行融合后得到目标边界框。
[0012]融合过程为：先根据中心点热力图得到中心点预测坐标再将其与中心点偏移量相加，得到偏移后的中心点坐标最后结合S分支的对象宽高生成目标边界框，公式如下所示：
[0013][0014]步骤3具体包括以下步骤：
[0015]步骤3.1、收集若干张无人机拍摄的高分辨率的电力输送设备缺陷图像，电力输送设备缺陷图像的缺陷类型包括杆塔缺陷和绝缘子缺陷，杆塔缺陷包括杆塔锈蚀和杆塔异物入侵，绝缘子缺陷包括绝缘子套脱落、绝缘子污秽和绝缘子裂纹；
[0016]步骤3.2、按照PASCAL VOC的标记格式对电力输送设备缺陷图像中多个缺陷目标进行标注，生成XML文件，XML文件中包括标记框的坐标、缺陷类型。
[0017]步骤4识别结果为目标边界框、缺陷类型和置信度。
[0018]本专利技术的另一目的是提供一种基于CenterNet的输电设备缺陷识别装置。
[0019]本专利技术所采用的另一技术方案是，基于CenterNet的输电设备缺陷识别装置，包括：
[0020]图片获取模块，用于获取输电设备的图片；
[0021]缺陷识别模型建立模块，用于建立基于CenterNet的输电设备缺陷识别模型；
[0022]模型训练模块，用于建立输电设备数据集，并将其分为训练集和测试集，将训练集输入输电设备状态缺陷识别模型进行训练；
[0023]缺陷识别模块，用于利用训练完成的输电设备状态缺陷识别模型进行输电设备状态缺陷识别，输出识别结果。
[0024]本专利技术的有益效果是：本专利技术基于CenterNet的输电设备缺陷识别方法，采用Anchor Free的目标检测算法，通过对巡检图像中输电设备的中心点和边界信息的检测实现缺陷识别，相比基于锚框的目标检测算法能缩短训练时间；在精度上满足智能化巡检要求，且算法的网络结构简单、网络运行对内存的需求小，可端到端的训练，易于部署，可实现在线检测。
附图说明
[0025]图1是本专利技术基于CenterNet的输电设备缺陷识别方法的流程图；
[0026]图2是本专利技术基于CenterNet的输电设备缺陷识别方法中输电设备状态缺陷识别模型的结构图；
[0027]图3是本专利技术基于CenterNet的输电设备缺陷识别方法对杆塔锈蚀的识别结果；
[0028]图4是本专利技术基于CenterNet的输电设备缺陷识别方法对绝缘子裂纹的识别结果；
[0029]图5是本专利技术基于CenterNet的输电设备缺陷识别方法对绝缘子污秽的识别结果；
[0030]图6是本专利技术基于CenterNet的输电设备缺陷识别方法对杆塔异物的识别结果。
具体实施方式
[0031]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0032]实施例1
[0033]基于CenterNet的输电设备缺陷识别方法，如图1所示，包括以下步骤：
[0034]步骤1、获取输电设备的图片；
[0035]步骤2、建立基于CenterNet的输电设备缺陷识别模型；
[0036]步骤3、建立输电设备数据集，并将其分为训练集和测试集，将训练集输入输电设备状态缺陷识别模型进行训练；
[0037]步骤4、利用训练完成的输电设备状态缺陷识别模型进行输电设备状态缺陷识别，输出识别结果。
[0038]实施例2
[0039]基于CenterNet的输电设备缺陷识别方法，包括以下步骤：
[0040]步骤1、获取输电设备的图片；
[0041]步骤2、建立基于CenterNet的输电设备缺陷识别模型；
[0042]具体的，如图2所示，输电设备状态缺陷识别模型包括关键点预测Y分支、中心点偏移量O分支、对象尺寸S分支及解码模块。输电设备状态缺陷识别模型的识别方法为：输电设备的图片经过上采样后，通过关键点预测Y分支、中心点偏移量O分支及对象尺寸S分支3个卷积层卷积，得到中心点热力图、中心点偏移和对象尺寸；先根据中心点热力图得到中心点预测坐标再将其与中心点偏移量相加，得到偏移后的中心点坐标最后结合S分支的对象宽高生成目标边界框，公式如下所示：
[0043][0044]步骤3、建立输电设备数据集，并将其分为训练集和测试集，将训练集输入输电设备状态缺陷识别模型进行训练；
[0045]步骤3.1、收集1200张无人机拍摄的高分辨率的电力输送设备缺陷图像，电力输送设备缺陷图像的缺陷类型包括杆塔缺陷和绝缘子缺陷，杆塔缺陷图像为500张，杆塔缺陷包括杆塔锈蚀和杆塔异物入侵，绝缘子缺陷图像为700张，绝缘子缺陷包括绝缘子套脱落、绝缘子污秽和绝缘子裂纹；
[0046]步骤3.2、按照PASCAL VOC的标记格式对电力输送设备缺陷图像中超过2800个缺陷目标进行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于CenterNet的输电设备缺陷识别方法，其特征在于，包括以下步骤：步骤1、获取输电设备的图片；步骤2、建立基于CenterNet的输电设备缺陷识别模型；步骤3、建立输电设备数据集，并将其分为训练集和测试集，将所述训练集输入输电设备状态缺陷识别模型进行训练；步骤4、利用训练完成的输电设备状态缺陷识别模型进行输电设备状态缺陷识别，输出识别结果。2.根据权利要求1所述的基于CenterNet的输电设备缺陷识别方法，其特征在于，步骤2所述输电设备状态缺陷识别模型包括关键点预测Y分支、中心点偏移量O分支、对象尺寸S分支及解码模块。3.根据权利要求2所述的基于CenterNet的输电设备缺陷识别方法，其特征在于，所述输电设备状态缺陷识别模型的识别方法为：将所述图片经过上采样后，通过关键点预测Y分支、中心点偏移量O分支、对象尺寸S分支，得到中心点热力图、中心点偏移和对象尺寸；所述中心点热力图、中心点偏移和对象尺寸进入解码模块对齐进行融合后得到目标边界框。4.根据权利要求3所述的基于CenterNet的输电设备缺陷识别方法，其特征在于，所述融合过程为：先根据中心点热力图得到中心点预测坐标再将其与中心点偏移量相加，得到偏移后的中心点坐标最后结合S分支...

【专利技术属性】
技术研发人员：王晶，王琼，周永博，高建勇，刘志远，
申请(专利权)人：国网甘肃省电力公司信息通信公司，
类型：发明
国别省市：