[发明专利]一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法

说明书

一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法，该方法包括以下步骤：收集输电线路的鸟巢缺陷图像，并在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像；对人工标注图像进行样本量的扩充得到训练样本集；通过卷积神经网络构建用于识别鸟巢缺陷的CNN网络模型，并以该训练样本集为训练数据对该CNN网络模型进行训练；将训练完成的该CNN网络模型部署在CPU或GPU上用于对待检测图像进行识别；采用无人机对输电线路进行拍摄获取该待检测图像；将该待检测图像输入该CNN网络模型，该CNN网络模型识别该待测图像中的鸟巢缺陷，并计算出鸟巢缺陷在该待测图像中的位置坐标。该方法可以识别输电线路上的鸟巢缺陷，而且还可标注出鸟巢缺陷的准确位置。

技术领域

本发明涉及输电线路缺陷检测的技术领域，具体涉及一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法。

背景技术

目前无人机应用于输电线路缺陷巡检已经大量应用，然而针对无人机采集的大量图像图片数据中的缺陷分析却还存在困难。不仅工作量巨大、效率低，同时存在准确度不高的特点。多数情况下，需要人工干预甄别才能准确识别图像中存在的缺陷。而鸟巢作为输电线路缺陷中典型的“异物悬挂”缺陷，较为常见，其对输电安全影响较大。以往的缺陷分析手段，对鸟巢的识别大多基于图像处理中的模板匹配的方式。该方法需要预先准备缺陷模板，再读入待检测图片数据，与已有模板做比对得到其中的差异，确认数据中是否存在缺陷。这种模板匹配的方式，存在检测准确度低、适用范围窄、多适用于定点监控检测的特点。对不存在模板的鸟巢、复杂背景的图像多无法准确检测。

本发明基于近年来发展成熟的深度神经网络技术，主要解决了已有的鸟巢缺陷检测方法中准确度低、位置定点受限、复杂背景图片检测问题。实现了更为通用的鸟巢缺陷检测技术，使用时原始待检测数据不再需要额外的数据处理手段，直接输入神经网络模型，则可以检测其中是否存在鸟巢。具备更高的准确度和适用应，待检数据采集不再受限于天气、位置、设备等因素的影响。具备更高的通用性和准确度，以及更低的实用难度。

发明内容

本发明要解决的技术问题在于，针对现有技术的缺点，提供一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法，实现了更为通用的鸟巢缺陷检测技术，使用时原始待检测数据不再需要额外的数据处理手段，直接输入神经网络模型，则可以检测其中是否存在鸟巢；具备更高的准确度和适用应，待检数据采集不再受限于天气、位置、设备等因素的影响；具备更高的通用性和准确度，以及更低的实用难度。

为解决上述技术问题，本发明提供一种基于卷积神经网络的识别输电线路上鸟巢缺陷的方法，所述方法包括以下步骤：

步骤S1，收集输电线路的鸟巢缺陷图像，并在鸟巢缺陷图像上人工标注鸟巢位置得到人工标注图像；

步骤S2，对人工标注图像进行样本量的扩充得到训练样本集；

步骤S3，通过卷积神经网络构建用于识别鸟巢缺陷的CNN网络模型，并以所述训练样本集为训练数据对所述CNN网络模型进行训练；

步骤S4，将训练完成的所述CNN网络模型部署在CPU或GPU上用于对待检测图像进行识别；

步骤S5，采用无人机对输电线路进行拍摄获取所述待检测图像；

步骤S6，将所述待检测图像输入所述CNN网络模型，所述CNN网络模型识别所述待测图像中的鸟巢缺陷，并计算出鸟巢缺陷在所述待测图像中的位置坐标。