【技术实现步骤摘要】
本专利技术涉及图像处理，具体为基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法。
技术介绍
1、随着智能化的发展，无人机巡检逐渐代替低效的人工巡检成为一种新型的配电线路检测方法；无人机巡检利用高分辨率图像记录电线杆塔等结构的状态，进而进行检测和分析；然而，当前针对无人机拍摄的大量高分辨率图像的处理和分析主要依靠人工识别，这导致了处理速度慢且准确性不高的问题。因此，需要高效、准确地分析和处理这些数据，快速、精准地识别和定位配电线路缺陷隐患，以提高配电线路巡检智能化、数字化水平。
2、目前已有的缺陷检测任务通常使用目标检测方法来实现；为了降低网络的计算量，目标检测网络的输入图片尺寸被设置得相对较小，而无人机拍摄的高分辨率图像通常是目标检测网络输入尺寸的数十倍以上，如果经过缩放后直接输入网络之中会导致信息的丢失，这对本身信息较少的小目标影响更为显著，使得网络在小目标检测方面存在困难；同时在实际场景中缺陷数量呈现长尾分布，20％的头部类别占据了80％的数据量，不同缺陷数量分布不平衡，网络在训练和推理时容易偏向于样本数量多的类别，导致尾部数据检测效果不够理想，而使用传统的re-sampling和re-weighting方法，模型又容易对于尾部类别产生过拟合的问题；最后在配电线路缺陷检测任务中还存在缺陷特征不够明显、部分缺陷之间可能存在高度相似等问题，仅仅使用单一目标检测网络很难对所有缺陷进行准确识别。
技术实现思路
1、针对现有技术的不足，本专利技术提供了基于集成学习与多尺度滑
2、现有目标检测算法通常设置较小的网络输入，导致无人机拍摄的高分辨率图像经过缩放后信息丢失，严重影响对小目标的识别效果；
3、缺陷数据呈现长尾分布，不同类别缺陷数量相差过大，数据量少的尾部数据识别效果不佳；
4、仅使用单一目标检测算法难以准确识别全部缺陷，尤其是特征不明显、存在相似特征的缺陷。
5、为实现以上目的，本专利技术通过以下技术方案予以实现：基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，包括以下步骤：
6、s1、获取不同配电线路、不同杆塔的多角度无人机拍摄图像，建立初始数据集；
7、s2、构建基于多尺度滑动窗口的目标检测初始数据集，具体方式为：
8、s201、预先设定好的多个滑动窗口尺寸crop_x，crop_y和滑动步长stride_x，stride_y；其中，stride_x＝0.5×crop_x，stride_y＝0.5×crop_y，通过填充的方式在图片的右侧和下面填充0像素，扩展图片尺寸到滑动窗口尺寸的整数倍，其中new_w和new_h的计算公式分别为：
9、
10、
11、其中imgw，imgh分别是当前图片的宽和高；
12、s202、计算得到每张图片裁切在x方向和y方向上的裁切次数sx和sy，其中sx和sy的计算公式分别为：
13、
14、
15、s203、对当前图片内的标注框进行坐标映射，同时判断映射后的检测框是否完全在滑动窗口内，若检测框被边界截断且存在窗口内的面积小于原始检测框的50％，则在当前滑动窗口内删除该检测框；若当前滑动窗口内不存在任何标注框，则删除当前滑动窗口；
16、用swij表示第i行第j列的滑动窗口，swij滑动窗口坐标范围为：
17、xmin＝j×stride_x
18、ymin＝i×stride_y
19、xmax＝xmin+crop_x
20、ymax＝ymin+c rop_y
21、标注框在swij内的x坐标和y坐标的映射关系为：
22、x＝x-j×stride_x
23、y＝y-i×stride_y；
24、s3、构建基于集成学习的目标检测训练集；
25、s4、构建分类训练集，通过获取初始数据集标注信息可以得到指定类别标注的位置信息，从图片中根据位置信息将单个缺陷或主体裁切后保存到对应类别名的文件夹；
26、s5、根据构建的目标检测训练集训练目标检测网络，具体方式为：
27、s501、将训练集图像按照分组输入网络，得到网络预测的回归结果和分类结果；
28、s502、对不同组内的分类结果分别进行分类边界校准；分类边界校准公式为：
29、clsoutputs＝modelcls(x)
30、clsoutputs＝ω×clsoutputs+β×wnorm
31、其中clsoutputs是网络预测的分类结果，ω和β是网络可学习的参数，wnor m是对线性分类检测头权重归一化的结果；
32、s503、计算损失函数，先在不同组内分别计算softmax，然后计算出各自的交叉熵误差；最终的损失函数形式为：
33、
34、其中，n是组的数量，gn是第n个组的类别集合，pn是模型输出的概率，yj是标签；
35、s504、根据计算得到的损失更新网络模型参数；
36、s505、重复步骤s501-s504，直到损失收敛到最小值且不再下降时，完成目标检测网络模型的训练；
37、s6、根据构建的分类训练集训练分类网络；
38、s7、将待检测图像输入到网络中得到检测结果，本网络包括分类网络以及目标检测网络，具体方式为：
39、s701、将待检测的图像使用多尺度滑动窗口进行预处理后，输入到目标检测网络中得到当前滑动窗口内的预测输出结果[xmin,ymin,w,h,score,cls]，五个参数分别为输出框的左上角坐标(xmin,ymin)、输出框的宽和高、输出框的置信度和输出框内对应物体的类别；
40、s702、将目标检测网络输出的输出框中包含需要二次分类的框筛选出来，并从对应的滑动窗口中根据输出框的位置信息将图片裁切下来送入分类网络，得到进一步的分类结果，更新输出框中的类别cls信息；
41、s703、将所有滑动窗口内的输出结果映射回原始图像，并使用nms非极大值抑制对冗余输出框过滤，得到最终检测结果。
42、本专利技术提供了基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法。与现有技术相比具备以下有益效果：
43、本专利技术设计了一种多尺度滑动窗口的数据处理方法，利用尺寸相对较小的滑动窗口将高分辨率图像裁切后再进行检测，解决了由于图像缩放导致小目标信息大量丢失的问题，同时考虑到实际场景中还存在缺陷尺寸差异较大的情况，单一尺寸的小滑动窗口无法覆盖大目标从而导致大目标无法检测的问题，进一步优化滑动窗口设计，引入多个不同尺寸的滑动窗口，保证覆盖所有尺寸大小的缺陷目标；
44、在目标检测网络中引入了集成学习，减少网络对样本数量多的头部数据的偏向，提高网络对样本数量少的尾部数据的关注本文档来自技高网...
【技术保护点】
1.基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤S1中，建立初始数据集的具体方式为：
3.根据权利要求2所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤S2中，检测初始数据集的具体方式为：
4.根据权利要求3所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤S3中，构建目标检测训练集的具体方式为：
5.根据权利要求4所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤S5中，训练目标检测网络的具体方式为：
6.根据权利要求5所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤S7中，确定检测结果的具体方式为：
【技术特征摘要】
1.基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤s1中，建立初始数据集的具体方式为：
3.根据权利要求2所述的基于集成学习与多尺度滑窗的配电线路主体缺陷检测方法，其特征在于，所述步骤s2中，检测初始数据集的具体方式为：
4.根据权利要求3所...
【专利技术属性】
技术研发人员：陈健梅，李晓洁，王晨程，宋艳枝，王鹏，
申请(专利权)人：安徽威仕达智能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。