[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

说明书

本发明涉及一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法。本发明所述基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，基于YOLOv3网络和粒子滤波算法，对真实环境下的包含复杂背景的巡检图像中的绝缘子进行缺陷识别，大大提高绝缘子缺陷识别的效率，为电网维修部门提供可靠的技术支持。

技术领域

本发明涉及一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，属于智能电网线路维修的技术领域。

背景技术

随着国民经济的飞速发展，人们对于电能的依赖和需求也越来越大，由此带来的电力巡检任务也在不断增大。近年来，科技水平的提高使得无人机巡线、机器人巡线等方式逐步替代了传统的人工巡线方式，这些新兴的巡线方式在一定程度上提高了工作效率和安全性能。然而，海量的背景复杂、缺陷种类繁多的巡检图像，仍然给相关检修部门带来了极大的挑战。随着人工智能和图像技术不断发展和成熟，对不同类型的缺陷定制实用的智能识别算法成为可能。

其中，绝缘子是输电线路中用量庞大且极其重要的部件，起到电气绝缘及机械支撑作用。由于绝缘子长期暴露在野外环境中，极易出现各种缺陷和隐患，据统计，由绝缘子缺陷引起的事故目前已成为电力系统故障中所占比例最高的。因此，对此缺陷进行智能和精确检测，及时完成缺陷或隐患诊断尤为重要。

目前，基于巡检图像的绝缘子缺陷识别算法大多是通过基本图像处理或模式识别方法检测绝缘子缺陷，该类算法要求图像背景较纯净、绝缘子与背景对比度高；近几年，也有研究人员将人工智能引入绝缘子的检测过程中，但大多停留在绝缘子的识别阶段，直接采用深度学习检测绝缘子的缺陷存在两个问题：一是缺陷样本严重不足，难以支撑网络的训练；二是缺陷类型多样，难以达到较高的鲁棒性。

YOLOv3对于大分辨率、小目标的检测鲁棒性较强，相比其他算法更符合工业界对目标检测算法实时性的要求，简单易实现，对于嵌入式很友好。YOLOv3使用Darknet-53网络来实现特征提取，DarkNet-53主要由3×3和1×1的卷积核以及类似残差网络(ResNet)中的跳过连接构成，相比其他特征提取网络速度更快、准确率更高。

在Redmon J,Farhadi A.YOLOv3:An Incremental Improvement[J].2018文中详细阐述了YOLOv3的快速性、对较小目标检测的准确性，其中，2.1部分公开了边界框预测的方式。在绝缘子缺陷检测领域，机巡图像中的绝缘子本身属于较小目标检测，可以使用YOLOv3进行识别。但对于绝缘子中的缺陷，往往非常的小，而且目前绝缘子缺陷样本较少，单独使用YOLOv3还无法完成高准确率检测。

粒子滤波是指通过寻找一组在状态空间传播的随机样本对概率密度函数进行近似，以样本均值代替积分运算，从而获得状态最小方差分布的过程。粒子滤波以其在非线性、非高斯系统上的优越性和多模态处理的能力，广泛应用于无线通讯、金融数据预测、机器人定位、目标跟踪等领域；尤其是在目标跟踪领域，表现出了极高的鲁棒性。

发明内容

针对现有技术的不足，本发明提供一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法。

本发明的技术方案为：

一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法，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；训练集用来建立所需YOLOv3网络模型，验证集用来测试所训练出模型的性能；

1.3)通过数据增强方法扩充样本数量；