[发明专利]一种基于深度学习的航拍图像绝缘子实时检测方法

说明书

本发明涉及一种基于深度学习的航拍图像绝缘子实时检测方法。将特征提取的任务交给深度卷积神经网络，提取出更加全面、更能描述绝缘子的深度特征信息，再将其输入检测器中进行预测推理，得到检测结果。整个过程是端到端的快速检测通道，输入图片最终得到目标框，提高了后续自动故障诊断的效率，有助于减轻目前巡线人员面对海量巡线数据时的检索压力与强度。同时，本发明还利用了迁移学习的思想将过去任务所得知识迁移至当前的目标任务中，使得所训练的模型具有了可继承性，每当有新的数据补充进图库时，目标模型可以在源模型的基础上继续训练新的数据，快速达到预期效果，使得旧版本的模型不会因为数据的更新而毫无用处，检测模型会随着时间的推移与数据的增多而变得愈来愈强大。

技术领域

本发明涉及高压输电线路巡线技术、图像识别技术领域，具体涉及一种基于深度学习的航拍图像绝缘子实时检测方法。

背景技术

输电线路巡检是保障电力系统安全可靠运行的重要手段之一，电力部门每年都要投入大量的人力物力进行巡线。传统的人工巡线存在着高风险、高成本、低效率的问题，无人机的出现为电力部门提供了一种新的巡线手段。但目前使用无人机进行巡线工作的方式都是由飞手遥控无人机，飞至输电线路关键部件周围进行拍摄，由地面上的专业人员现场分析，或者将数据带回运检维护中心进行诊断。这种无人机巡线方式产生了大量的巡线图像数据，而从海量的图像数据中判断电力故障需要多名经验丰富的专业人员进行枯燥的图片检索与分析任务，花费数日以上的时间，还有可能出现漏检、误判的情况，增加了巡线成本，降低了巡线效率。

绝缘子作为输电线路中数量最多的电力部件，拥有电气绝缘和机械连接的双重职能，对绝缘子的故障诊断是巡线的重要项目之一。在无人机航拍图像中自动定位并识别出绝缘子，是绝缘子故障诊断的先决条件。输电线路覆盖广泛，沿途地貌复杂多样，在航拍图像中绝缘子与背景的区分度低，同时无人机拍摄时的拍摄角度与环境条件具有较大的随机性，现有算法无法满足绝缘子检测的快速性、准确性需求。

发明内容

本发明的目的在于提供一种基于深度学习的航拍图像绝缘子实时检测方法，利用基于深度学习的目标检测技术和迁移学习技术快速而准确地识别出复杂背景中的绝缘子，其检测速度足以满足实时视频检测的要求，减轻了巡线人员的工作强度和难度，进一步提升了电网巡线的智能化水平，使电力系统能够更加安全可靠地运行。

为实现上述目的，本发明的技术方案是：一种基于深度学习的航拍图像绝缘子实时检测方法，包括如下步骤，

步骤1：建立绝缘子目标检测图像库：具体分为源图像库和目标图像库，其中，源图像库包含各类场景下的不同形态绝缘子，目标图像库中包含山林场景下的完整形态绝缘子，源图像库与目标图像库中的图像文件无交集；

步骤2：建立与绝缘子目标检测图像库对应的图像标签库：目标检测图像库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件，标签文件中的信息包括：图片ID号，图片的像素高度、宽度与深度、图片的路径、图片所包含的目标种类、绝缘子目标所在区域的矩形边界框的坐标（xmin,ymin,xmax,ymax），其中（xmin,ymin）为边界框的左上顶点坐标，（xmax,ymax）为边界框的右下顶点坐标；

步骤3：建立深度学习模型：采用端到端的目标检测网络SSD，具体分为基础特征提取网络和辅助网络，其中基础特征提取网络选用轻量级的CNN网络mobilenet，辅助网络选用以3x3卷积核构成的6层检测器层，辅助网络的输入为所述基础特征提取网络的不同卷积层的特征图输出；

步骤4：数据集生成：将所有参与训练的图像与其对应的标签文件合成一个用于训练的、可以进行高效读取的文件；

步骤5：训练源模型：利用步骤3的SSD模型通过反向传播算法在源图像库上进行训练，得到源模型；