[发明专利]基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统

说明书

本发明公开了一种基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统，包括：对原始训练集图像进行模块化预处理，将模块化预处理后的图像送入多层卷积神经网络模型进行训练；对于模块化预处理后的图像，分别选择不同的训练集大小和训练参数，重复步骤2进行多次实验，并将分类准确率和效率进行对比分析，选出最优的训练参数并保存；通过基于环境结构和先验知识所构成的判别器进行过滤，更正误检与漏检信息，得到最终的图像缺陷检测结果。本发明有益效果：通过构建具有多层隐藏层的机器学习模型，从大量的数据中学习有价值的表现型特征，从而提升分类或者预测的准确性。

技术领域

本发明属于模式识别技术领域，具体涉及一种基于多层卷积神经网络的架空输电线路设备图像缺陷检测方法及系统。

背景技术

高压输电线路是电力传输的主要途径，对输电线路定期巡检，及时发现和消除缺陷和隐患，预防重大事故，对电力系统有重要意义。输电线路巡检机器人能够集成最新的机电一体化、数据可视化和识别智能化技术，采用自主或遥控方式，部分替代人接近架空输电线路设备进行可见光或红外等检测，对巡检数据进行对比和趋势分析，及时发现电网运行的事故隐患和故障先兆，如：异物、损伤、发热和结冰等，从而代替人工巡检。而计算机视觉作为巡检机器人自主导航与场景分析的常用方法之一，能够提供丰富、准确的环境信息，且设备价格低廉，易于安装使用，因此，基于视觉的缺陷检测一直是巡检机器人视觉导航系统问题研究的热点。

传统的输电线路巡检系统所集成的视觉缺陷检测方法主要是先通过结构化的线上环境提取线上设备几何基元信息(如直线、圆、椭圆等)，再进行假设检验以便进行进一步分类识别，最终获得可靠的设备类型信息与设备状态。此类方法的优势在于计算复杂度低，实时性较好，并在国内外现场都取得了广泛的应用。但基于结构特征与存在概率基元信息的分类与识别算法相对简单，且受野外作业环境中光照、尺度及部分遮挡等因素的影响较大，这都会对图像信息的进一步理解、分析与深加工带来较大的困难。虽然高性能的特征算子(如梯度直方图HOG等)能够提升识别准确度，但都存在计算量大、速度慢的问题，从而成为了在线识别的瓶颈。综上所述，传统算法面对高清晰度、海量的在线视频文件的低下效率迫切要求高效的面对大规模数据的自动化数据处理技术。

为了加速特征提取和分类，采用基于GPU的并行处理框架(如CUDA等)和大规模多层神经网络结构(如深度学习)的分类器能够在准确率不降低的情况下实现识别速度的提高，因此成为了近年来研究的热门方向。目前基于深度学习的方法在非电力专业的自然图像识别中虽然已有一定的应用，但未见对电力设备图像分类的应用。

需要指出的是，不同于传统自然图像检测，巡检机器人的工作环境恶劣，线上障碍物千差万别，尺度变化极大，光照影响非常明显。尤其是受到一义多图、一图多物、一物多态、异物相似等多重因素的影响，输电线路上的可靠的图像特征提取技术仍存在许多悬而未决的问题，距实际应用仍有很大差距。

在现有的一些基于深度学习的处理平台中，在处理类似于电力设备的大规模图像数据时存在明显局限：即当在一段时间内连续输入相同类型的训练数据时，训练模型将失效。

现有技术公开了基于深度学习的电力图像分类方法，然而该方法只能在图像尺寸固定(32*32)的情况下进行识别，对于千差万别的高清在线图像数据处理而言，该方法的精度将急剧恶化，同时计算量大幅上升。

除此之外，基于计算机视觉的缺陷检测的另外一个难点在于定位出待检测目标之后，如何针对具体目标进行特征选择、描述及匹配的有效性(即是否能够检测出来有没有缺陷)和鲁棒性(即是否稳定)。

现有利用图像特征匹配的方法，一般都需要在帧内阶段(检测阶段)来准确提取缺陷，再进行人工缺陷特征匹配(如局部位置特征信息、几何特征信息和光照、对比度特征信息等)。这种方法具有先天不足的特点：