[发明专利]基于卷积神经网络的导线分股缺陷图像识别方法

权利要求书

1.基于卷积神经网络的导线分股缺陷图像识别方法，其特征在于包括以下步骤：

(1)基于卷积神经网络构建用于识别导线分股缺陷图像的图像缺陷识别模型；

(2)获取多个待测的输电线路导线图；

(3)将获取的待测的输电线路导线图输入图像缺陷识别模型，得到具有导线分股的缺陷图像；

(4)对步骤(2)获取的待测的输电线路导线图进行如下处理；将获取待测的输电线路导线图转化为灰度图，并利用Retinex算法进行图像增强，然后采用3次样条插值对灰度图进行缩放；接着，对图像进行图像分割，分离导线和背景区域；接着对导线特征进行提取，最后对导线进行分股识别得到具有导线分股的缺陷图像；

(5)将步骤(3)得到的具有导线分股的缺陷图像和步骤(4)得到的具有导线分股的缺陷图像进行并集运算，得到最终的导线分股缺陷图像集。

2.如权利要求1所述的基于卷积神经网络的导线分股缺陷图像识别方法，其特征在于：所述图像缺陷识别模型采用如下方法构建：

A、获取历史纪录的输电线路的导线图像集；

B、将获取的输电线路的导线图像集分成两部分，其中一部分图像为训练图像集，另一部分为测试图像集，将训练图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的缺陷类别，并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图，将切割图和与之对应的电力线路器件图像以及切割图所对应的类别保存为XML文件得到训练集；将测试图像集中的图像分别使用图像分割标记工具得到电力线路器件图像的轮廓图以及轮廓图所对应的类别，并使用VOC标记格式将得到电力线路器件图像的轮廓图保存为切割图并得到其相应的缺陷类别，将切割图和与之对应的电力线路器件图像以及切割图所对应的缺陷类别保存为XML文件得到测试集；

C、构建训练网络的网络结构，构建训练网络的过程包括如下步骤：

步骤S10，构建所述训练网络的第零层；其中，第零层为输入层；

步骤S20，构建所述训练网络的第一层；其中，所述第一层包括conv1_1、relu1_1、conv1_2、relu1_2、pool1；所述conv1_1、relu1_1、conv1_2、relu1_2依次对所述第零层输入的图像进行卷积处理，接着利用pool1进行池化处理得到多个第一特征图；

步骤S30，构建所述训练网络的第二层；其中，所述第二层包括conv2_1、relu2_1、conv2_2、relu2_2、pool2；所述conv2_1、relu2_1、conv2_2、relu2_2依次对所述第一特征图进行卷积处理，接着利用pool2进行池化处理得到多个第二特征图；

步骤S40，构建所述训练网络的第三层；其中，所述第三层包括conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3、pool3；所述conv3_1、relu3_1、conv3_2、relu3_2、conv3_3、relu3_3依次对所述第二特征图进行卷积处理，接着利用pool3进行池化处理得到多个第一特征图；

步骤S50，构建所述训练网络的第四层；其中，所述第四层包括conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3、pool4；所述conv4_1、relu4_1、conv4_2、relu4_2、conv4_3、relu4_3依次对所述第三特征图进行卷积处理，接着利用pool4进行池化处理得到多个第一特征图；

步骤S60，构建所述训练网络的第五层；其中，所述第五层包括conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3、pool5；所述conv5_1、relu5_1、conv5_2、relu5_2、conv5_3、relu5_3依次对所述第四特征图进行卷积处理，接着利用pool5进行池化处理得到多个第五特征图；

步骤S70，构建所述训练网络的第六层；其中，所述第六层包括fc6、relu6、drop6，所述fc6、relu6对所述第五特征图进行反卷积处理，接着利用drop6进行防过度拟合处理得到多个第六特征图；

步骤S80，构构建所述训练网络的第七层；其中，所述第七层包括fc7、relu7、drop7，所述fc7、relu7对所述第六特征图进行反卷积处理，接着利用drop7进行防过度拟合处理得到多个第七特征图；

步骤S90，构建所述训练网络的第八层；其中，所述第八层包括score_fr、upscore2、score_pool4、score_pool4c、fuse_pool4，具体的将第七特征图依次进行score_fr、upscore2处理得到第八特征图，接着将第四特征图进行score_pool4处理得到的特征图与第八特征图进行score_pool4c得到第九特征图,然后将第九特征图与第八特征图进行fuse_pool4处理得到第十特征图；

步骤S100，构建所述训练网络的第九层；其中，所述第九层包括upscore_pool4、score_pool3、score_pool3c，所述score_pool3，具体的将第十特征图进行upscore_pool4处理得到第十一特征图，接着将第三特征图进行score_pool3处理得到的特征图与第十一特征图进行score_pool3c得到第十二特征图,然后将第十二特征图与第十一特征图进行fuse_pool4处理得到第十三特征图；

步骤S110，构建所述训练网络的第十层；其中，所述第十层包括upscore8、CropMask，具体的将第十三特征图进行upscore8处理得到的特征图与第零层输入的图像进行CropMask得到第十四特征图；

步骤S120，构建所述训练网络的第十一层；其中，所述第十一层包括SoftmaxWithloss，具体的将第十四特征图与第零层输入的图像进行SoftmaxWithloss处理；

D、使用SGD优化训练网络的网络参数，使用dropout和Batch-Norm方法优化训练网络的模型；

E、将训练集和测试集用于训练网络，查看训练误差和测试误差，如果训练误差和测试误差都下降，则表示合理收敛，得到最优的图像缺陷识别模型。