[发明专利]基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法

权利要求书

1.一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于包括以下步骤：

步骤1、从数据源抽取数据，建立训练样本库，对巡检数据标注后分类存储；

步骤2、搭建训练平台，利用BP神经网络技术对样本库数据进行训练，生成训练模型；

步骤3、在检测系统中导入训练模型和待检测图像数据，根据任务需求进行杆塔和通道目标识别和缺陷诊断，生成缺陷报告。

2.根据权利要求1所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：步骤1的具体步骤为：

步骤1.1、从原始数据源抽取数据，建立训练样本库；

步骤1.2、确定类别和标注准则，对样本库数据进行人工标注；

步骤1.3、将标注后的样本数据按照目标类别和层级关系分类存储；

步骤1.4、完成标注样本库的建立，为训练提供数据源。

3.根据权利要求2所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：步骤1.1中原始数据源是通过无人机、有人机或人工拍照方式产生的图像数据。

4.根据权利要求2所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：步骤1.2中进行人工标注时首先根据数据来源将标注分为杆塔巡检本体目标和通道巡检目标两大类，再根据电力巡检数据特有的层次结构，对数据进行处理，又可以分为防鸟特巡、杆塔本体目标和杆塔本体缺陷目标；其中防鸟特巡分为：鸟巢、鸟刺、人造鸟巢、挡板；杆塔本体目标分为：大金具和小金具，大金具包括防震锤、间隔棒、均压环、绝缘子、连接部件，小金具包括销钉、螺母；杆塔本体缺陷目标分为：绝缘子爆片、防震锤损坏、销钉和螺母缺失；通道巡检目标包括：施工外破、施工车辆、违章建筑物、水、毛竹和泡桐树。

5.根据权利要求1所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：步骤2的具体步骤为：

步骤2.1、配置训练环境，采用支持多GPU和分布式训练的mxnet作为训练平台；

步骤2.2、将训练样本库数据上传到服务器；

步骤2.3、建立训练任务，设置训练类别、训练次数和计算资源；

步骤2.4、进行迭代训练：基于Faster RCNN目标检测算法，利用VGG或ResNet网络模型结构提取图像的特征，对特征信息采用区域候选框的方式确定目标区域，采用误差回传方式对网络参数进行调整，实施迭代训练，生成训练模型；

步骤2.5、训练完成，将训练模型下载到本地。

6.根据权利要求1或5所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：训练时进行参数调整时加入先验知识，根据目标尺度的不同，预先改变候选框的大小。

7.根据权利要求1或5所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：训练过程中根据样本量的变化调整网络层数和结构，在训练样本不足时，压缩网络结构。

8.根据权利要求1所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：步骤3的具体步骤为：

步骤3.1、将本地下载的训练模型导入检测系统，同时将拍摄得到的图片以及地理坐标、台账信息导入检测系统；

步骤3.2、对未知图像进行目标识别和缺陷诊断，包括杆塔特定目标识别、杆塔缺陷检测和通道隐患检测；

步骤3.3、按照三维地图中杆塔位置对应的图片或预览图片格式对检测结果进行查看；

步骤3.4、对检测结果生成缺陷列表，进而生成缺陷报告；

步骤3.5、进行缺陷汇总，导出缺陷报告。

9.根据权利要求1或8所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：目标识别时采用高低层语义结合方式，按照大小尺度目标先后检测的层级策略，实现对小目标缺陷的识别。

10.根据权利要求8所述的基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，其特征在于：步骤3.4中，根据需求，选择批量生成缺陷报告或针对某个目标或缺陷单独生成缺陷报告。