输电工程中带有先验知识的特征融合高精度缺陷检测方法技术

本发明专利技术公开了输电工程中带有先验知识的特征融合高精度缺陷检测方法，包括：获取待检测的输电工程图像；将待检测的输电工程图像，输入到训练后的输电工程缺陷检测模型中，输出第一检测结果和第二检测结果；采用非极大值抑制算法对第一检测结果和第二检测结果进行处理，得到最终的检测框。本发明专利技术对无人机巡检在输电工程上拍摄的缺陷进行先验分析统计，设计了多个多尺度特征金字塔变体的融合方法，融合的多尺度特征金字塔变体包含了特征金字塔网络(FPN)、递归特征金字塔网络(RFPN)，检测出的结果输入到设计的条件非极大值抑制算法中进行优化，大大提升输电工程中缺陷检测的精度。大大提升输电工程中缺陷检测的精度。大大提升输电工程中缺陷检测的精度。

【技术实现步骤摘要】
输电工程中带有先验知识的特征融合高精度缺陷检测方法


[0001]本专利技术涉及图像处理
，特别是涉及输电工程中带有先验知识的特征融合高精度缺陷检测方法。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]在输电工程中，以深度神经网络进行缺陷目标检测日趋成熟，目前二阶段深度神经网络结合多尺度特征金字塔结构在目标检测的精度上取得了较好的结果，目前多尺度特征金字塔的变体结构很多，在进行不同种类的缺陷检测时也各有优势，但是，目前输电工程缺陷检测存在检测精度不高的缺陷。

技术实现思路

[0004]为了解决现有技术的不足，本专利技术提供了输电工程中带有先验知识的特征融合高精度缺陷检测方法；本专利技术对无人机巡检在输电工程上拍摄的缺陷进行先验分析统计，设计了多个多尺度特征金字塔变体的融合方法，融合的多尺度特征金字塔变体包含了特征金字塔网络(FPN)、递归特征金字塔网络(RFPN)，检测出的结果输入到设计的条件非极大值抑制算法中进行优化，大大提升输电工程中缺陷检测的精度。
[0005]输电工程中带有先验知识的特征融合高精度缺陷检测方法，包括：
[0006]获取待检测的输电工程图像；
[0007]将待检测的输电工程图像，输入到训练后的输电工程缺陷检测模型中，输出第一检测结果和第二检测结果；
[0008]采用非极大值抑制算法对第一检测结果和第二检测结果进行处理，得到最终的检测框。
[0009]与现有技术相比，本专利技术的有益效果是：
[0010]基于无人机巡检在输电工程上拍摄的缺陷进行先验分析统计确定权重，设计了两个多尺度特征金字塔变体的融合方法，并设计适用于多个检测变体的条件非极大值抑制算法，大大提升输电工程中缺陷检测的精度。
附图说明
[0011]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0012]图1为方法流程图；
[0013]图2为权重系数流程图。
具体实施方式
[0014]应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另
有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。
[0015]需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0016]在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0017]本实施例提供了输电工程中带有先验知识的特征融合高精度缺陷检测方法；
[0018]如图2所示，输电工程中带有先验知识的特征融合高精度缺陷检测方法，包括：
[0019]S101：获取待检测的输电工程图像；
[0020]S102：将待检测的输电工程图像，输入到训练后的输电工程缺陷检测模型中，输出第一检测结果和第二检测结果；
[0021]S103：采用非极大值抑制算法对第一检测结果和第二检测结果进行处理，得到最终的检测框。
[0022]进一步地，所述获取待检测的输电工程图像，采用无人机对输电工程进行拍摄获取；所述输电工程图像，包括：输电导线图像、输电杆塔图像和输电杆塔上的紧固件图像。其中，输电杆塔上的紧固件，包括：螺母和螺栓。
[0023]进一步地，所述输电工程缺陷检测模型，其网络结构包括：
[0024]特征提取网络，所述特征提取网络的输入端用于输入待检测的输电工程图像；所述特征提取网络的输出端分别与特征金字塔网络FPN的输入端和递归特征金字塔网络RFPN的输入端连接，特征金字塔网络FPN的输出端与第一检测头的输入端连接，递归特征金字塔网络RFPN的输出端与第二检测头的输入端连接，所述第一检测头输出第一检测结果，所述第二检测头输出第二检测结果。
[0025]进一步地，所述特征提取网络，采用Resnet
‑
50网络来实现，所述特征提取网络用于对输入图像进行特征提取。
[0026]进一步地，所述特征金字塔网络FPN和递归特征金字塔网络RFPN，用于对Resnet
‑
50网络输出的特征构建多尺度特征。
[0027]进一步地，所述第一检测头和第二检测头，均采用Faster
‑
RCNN网络的检测头来实现；所述第一检测头和第二检测头用于得到缺陷的种类和类别。
[0028]其中，Faster
‑
RCNN网络的检测头，包括：依次连接的检测头输入端、第一Reshape层、第一softmax层、第二Reshape层、Rroposal层、ROIPooling层，ROIPooling层的输出端分别与第一全连接网络的输入端和第二全连接网络的输入端连接；所述第一全连接网络输出回归结果，所述第二全连接网络输出分类结果，其中，检测头输入端还与Rroposal层的输入端连接；检测头输入端还与ROIPooling层的输入端连接，第二全连接网络包括依次连接的卷积层、全连接层和第二softmax层。
[0029]进一步地，所述训练后的输电工程缺陷检测模型，训练过程包括：
[0030]构建训练集，所述训练集为已知输电工程缺陷检测结果的输电工程图像；
[0031]将训练集，输入到输电工程缺陷检测模型中，对模型进行训练，当模型的总损失函数不再下降时，停止训练，得到训练后的输电工程缺陷检测模型。
[0032]进一步地，所述模型的总损失函数，是指：
[0033]L＝ω1L
RPN
+ω2L
FRPN
(1)
[0034]其中，L表示模型的总损失函数，ω1和ω2设置为1，特征金字塔网络FPN的损失函数L
RPN
和递归特征金字塔网络RFPN的损失函数L
FRPN
，表达式如下：
[0035][0036]L
c
表示分类损失函数，采用交叉熵损失函数，L
bR
和L
bFR
表示位置定位，分别需要结合权重系数进行计算。
[0037]L
bR
表达式如下：
[0038][0039]α
i
是FPN对应第i个权值系数，通过FPN对应检测头输出的检测框A
i
和真值检测框A
g
计算L1损失。
[0040]L
bFR
表达式如下：
[0041][本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，包括：获取待检测的输电工程图像；将待检测的输电工程图像，输入到训练后的输电工程缺陷检测模型中，输出第一检测结果和第二检测结果；采用非极大值抑制算法对第一检测结果和第二检测结果进行处理，得到最终的检测框。2.如权利要求1所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，所述获取待检测的输电工程图像，采用无人机对输电工程进行拍摄获取；所述输电工程图像，包括：输电导线图像、输电杆塔图像和输电杆塔上的紧固件图像。3.如权利要求1所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，所述输电工程缺陷检测模型，其网络结构包括：特征提取网络，所述特征提取网络的输入端用于输入待检测的输电工程图像；所述特征提取网络的输出端分别与特征金字塔网络FPN的输入端和递归特征金字塔网络RFPN的输入端连接，特征金字塔网络FPN的输出端与第一检测头的输入端连接，递归特征金字塔网络RFPN的输出端与第二检测头的输入端连接，所述第一检测头输出第一检测结果，所述第二检测头输出第二检测结果。4.如权利要求3所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，所述特征提取网络，采用Resnet
‑
50网络来实现，所述特征提取网络用于对输入图像进行特征提取；所述特征金字塔网络FPN和递归特征金字塔网络RFPN，用于对Resnet
‑
50网络输出的特征构建多尺度特征。5.如权利要求3所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，所述第一检测头和第二检测头，均采用Faster
‑
RCNN网络的检测头来实现；所述第一检测头和第二检测头用于得到缺陷的种类和类别。6.如权利要求5所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，Faster
‑
RCNN网络的检测头，包括：依次连接的检测头输入端、第一Reshape层、第一softmax层、第二Reshape层、Rroposal层、ROIPooling层，ROIPooling层的输出端分别与第一全连接网络的输入端和第二全连接网络的输入端连接；所述第一全连接网络输出回归结果，所述第二全连接网络输出分类结果，其中，检测头输入端还与Rroposal层的输入端连接；检测头输入端还与ROIPooling层的输入端连接，第二全连接网络包括依次连接的卷积层、全连接层和第二softmax层。7.如权利要求1所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，所述训练后的输电工程缺陷检测模型，训练过程包括：构建训练集，所述训练集为已知输电工程缺陷检测结果的输电工程图像；将训练集，输入到输电工程缺陷检测模型中，对模型进行训练，当模型的总损失函数不再下降时，停止训练，得到训练后的输电工程缺陷检测模型。8.如权利要求7所述的输电工程中带有先验知识的特征融合高精度缺陷检测方法，其特征是，所述模型的总损失函数，是指：L＝ω1L
RPN
+ω2L
FRPN
(1)其中，L表示模型的总损失函数，ω1和ω2设置为1，特征金字塔网络FPN的损失函数L
RPN
和递归特征金字塔网络RFPN的损失函数L
FRPN
，表达式如下：L
c
表示分类损失函数，采用交叉熵损失函数，L
bR
和L
bFR
表示位置定位，分别需要结合权重系数进行计算；L
bR
表达式如下：α
i
是FPN对应第i个权值系数，通过FPN对应检测头输出的检测框A
i
和真值检测框A
g
计算L1损失；L
bFR
表达式如下：β
j
是RFPN对应第j个权值系数，通过RFPN对应检测头输出的检测框B
j
和真值检测框A

【专利技术属性】
技术研发人员：姜兆庆，刘忠声，商志宙，郭峰，陈永辉，安重霖，张兴，王玉鹏，姬晟翔，
申请(专利权)人：国网山东省电力公司建设公司，
类型：发明
国别省市：