[发明专利]一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法

权利要求书

1.一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，其特征在于，包括步骤如下：

1)创建样本集和标签文件

1.1)样本采集：对真实输电线路环境下的绝缘子进行图像采集；

1.2)将绝缘子图像的大小转换为2048×2048，将绝缘子图像构成的样本集按一定比例随机分为训练集和验证集；

1.3)通过数据增强方法扩充样本数量；

1.4)采用标注工具对绝缘子图像中的绝缘子进行标注，得到绝缘子所在的边界框，并生成相应的标签文件其中，为绝缘子所在边界框的中心坐标，分别为边界框的宽和高，class表示目标物体的种类，class＝0代表背景，class＝1代表绝缘子；

2)创建和训练YOLOv3网络模型

具体步骤如下：

2.1)分别创建YOLOv3网络模型的5个层级：卷积层、跳过连接层、上采样层、路由层、YOLOv3检测层，并设置网络参数；

2.2)输入所述训练集进行目标预测；具体过程包括：

a1)输入训练集，将图像分为16×16个网格，每个网格预测一个概率值和3个边界框，每个边界框预测五个回归值，包括边界框的中心点坐标、边界框的宽度和高度、边界框包含绝缘子的概率和边界框位置的准确度；

a2)利用置信度和非极大值抑制筛选边界框：置信度Pr(Object)∈(0，1)，为边界框包含绝缘子的概率；a1是预测的边界框与人工标注的边界框之间重叠部分的面积，a2是预测的边界框与人工标注的边界框两者并集的面积；

步骤a1)预测得到多个边界框，每个边界框对应一个置信度，通过设置置信度阈值，执行非极大值抑制，去除置信度低于阈值的边界框，并取置信度高于阈值的边界框的并集作为预测结果；

2.3)更新YOLOv3网络模型参数：使用预测的边界框信息和人工标注的边界框信息的均方和误差作为损失函数优化YOLOv3网络模型参数；损失函数如下定义：

其中,(x_i，y_i)，w_i，h_i，C_i，p_i(c)分别代表经过YOLOv3网络预测得到的边界框的中心坐标、宽度、高度、IoU值、边界框中目标物体为绝缘子的概率，分别对应人工标注的值，默认人工标注的绝缘子的值和为1，背景的为0；λ_coord为坐标误差权重，λ_noobj为IoU误差权重；和用来判断网格i的第j个边界框是否负责预测目标物体，用来判断目标物体的中心是否在网格i中，具体定义如下：

将上述损失函数计算得到的误差进行反向传播，完成一次训练；调整网络参数，重复步骤2.2)-2.3)，直至网络收敛；

2.4)将验证集输入训练完成的YOLOv3网络模型，将输出的参数与验证集中标注的参数进行比较，观察是否正确检测出绝缘子；所得YOLOv3网络模型的精确率和查全率定义如下：

如果YOLOv3网络模型的精确率和查全率达到指标，则进行后续步骤；否则，添加新的训练集对YOLOv3网络模型进行训练，直至YOLOv3网络模型的精确率和查全率达到指标；

3)绝缘子提取

输入待检测的巡检图像，利用训练好的YOLOv3网络模型检测绝缘子，得到绝缘子的边界框信息；接着，通过上述得到的边界框信息从巡检图像中截取出绝缘子所在的边界框，得到子图像；

4)绝缘子特征提取

4.1)选取绝缘子的颜色样本，将颜色样本和所述子图像转换到HSV色彩空间；

4.2)采用颜色直方图比较的方法对子图像进行阈值分割处理，具体步骤如下：

b1)分别计算颜色样本中H、S、V三通道的直方图H1、H2、H3，并将H1、H2、H3归一化，以便与子图像对应的直方图进行对比；

b2)将子图像分割成小区域I，对每个小区域I分别计算H、S、V三通道的直方图h1、h2、h3，并将h1、h2、h3归一化处理；

b3)采用欧氏距离的标准，对H1、H2、H3和h1、h2、h3进行相似度S比较，相似度S的数值越大表示相似度越大；S定义如下：

b4)设置相似度阈值，高于相似度阈值的区域内的像素点置255，低于相似度阈值的区域内的像素点置0；

4.3)对图像进行膨胀操作，将绝缘子串连接成连通区域；

4.4)获取绝缘子所在连通区域的最小外接矩形信息：中心点坐标(x₀，y₀)，x轴正方向与外接矩形长边的夹角θ；

4.5)将步骤4.4)中的最小外接矩形以点(x₀,y₀)为中心旋转，旋转角度为θ，其旋转变换矩阵定义如下：

利用仿射变换对绝缘子位置进行矫正，仿射变换实现二维坐标到二维坐标之间的线性变换，根据旋转变换矩阵，原坐标(x₀，y₀)转换为新坐标(x′，y′)；

5)绝缘子缺陷识别

采用粒子滤波对绝缘子缺陷进行识别和定位，具体步骤如下：

5.1)对于大小为n×m的子图像，以过子图像中心的水平线y＝n/2为基准线，在子图像的每列散布100个呈高斯分布的粒子；结合阈值分割后的图像判断散布的粒子是否位于绝缘子上，如果粒子对应阈值分割后图像中的非零像素点，则判定该粒子位于绝缘子上，并称为有效粒子，否则判定该粒子不在绝缘子上，并称为无效粒子；

5.2)计算子图像每行有效粒子数目占所有散布粒子总数目的概率p_n(v)，如下：

其中，v_nm为第n行第m列的有效粒子数目；

5.3)根据p_n(v)进行重采样；

5.4)从左到右统计子图像每列有效粒子的数目v_m，记v_m对应的第一个山谷值为x₁，v_m对应的第二个山谷值为x₂，则绝缘子对的宽度为：Δx＝x₂-x₁；接着，统计x₁～x₂范围内有效粒子中纵坐标最大值y_max和最小值y_min，则绝缘子对的高度为：Δy＝y_max-y_min；由此，绝缘子对的中心点坐标为(Δx/2，Δy/2)；绝缘子对的宽度、高度和中心点坐标构成绝缘子对的位置信息；

5.5)以Δx为宽，Δy为高，为中心点坐标设置矩形框；统计该矩形框内有效粒子的总数目；建立观测数组保存绝缘子对的状态信息，所述状态信息包括该绝缘子对的位置信息和对应矩形框内有效粒子的总数目；

5.6)根据所述状态信息预测右侧邻近绝缘子对的状态信息，并存入预测数组内；

5.7)根据预测的右侧邻近对绝缘子对的位置信息，检测该绝缘子对的状态信息；

5.8)采用预测和检测得到的绝缘子对的状态信息的均方和误差判断绝缘子对的异常情况；如误差大于设定的阈值，则判定该绝缘子出现异常，并标出异常位置；否则，更新观测数组内的状态信息，即完成一个绝缘子对的检测；

5.9)重复步骤5.6)-5.8)，依次对每对绝缘对进行检测，检测异常绝缘子对，并标出异常情况位置。