[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

说明书

本发明公开了一种识别效率较高、不会漏检的基于卷积神经网络的导线分股缺陷图像识别方法。该方法先通过基于卷积神经网络构建的用于识别导线分股缺陷图像的图像缺陷识别模型对待测的输电线路导线图进行识别得到具有导线分股的缺陷图像；然后再对待测的输电线路导线图进行一系列图像处理得到具有导线分股的缺陷图像；将先得到的具有导线分股的缺陷图像和后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，使得待测得输电线路导线图中导线分股缺陷都能够被检测出来，识别率较高且避免了导线分股缺陷被漏检得情况发生。适合电力输运系统缺陷检测技术领域推广应用。

技术领域

本发明涉及电力输运系统缺陷检测技术领域，尤其是一种基于卷积神经网络的导线分股缺陷图像识别方法。

背景技术

近年来，随着电网的快速发展，电网的规模越来越大，输电线路设备数量快速增加，线路设备的老旧程度日趋严重，恶劣气候和微气象条件增多，造成设备缺陷的概率增大，影响输电系统的运行可靠性。输电线路是输送电能的重要纽带，大多数电网设备都是暴露在野外环境中，在自然环境的长期作用下,线路易出现断股、破损等缺陷,需要不断地去监测与维护。而传统的人工巡视检查线路，不仅工作环境艰苦,劳动强度大、工作效率低、准确性低，而且复杂的野外环境可能给巡线人员的人身安全带来风险。

输电线路图像缺陷识别技术主要对输电线路中导线进行缺陷识别，通过图像识别技术自动识别线路缺陷，避免了人眼识别缺陷的偏差与失误，提升了巡检的效率。现有技术中，由于电力输运系统中的器件挂载位置特别(远离地面)，器件分布离散，导致线路检修成本较高，因此线路电路器件的破损检测技术越来越重要。

目前图像缺陷识别检测技术是基于传统的特征提取方法，如hog(方向梯度直方图)、lbp(局部二值模式)等特征识别方法，而通过传统的特征提取方法的描述生成过程冗长，导致速度慢、实时性差、对噪点敏感以及检测准确度和查全率低等特点。

发明内容

本发明所要解决的技术问题是提供一种识别效率较高、不会漏检的基于卷积神经网络的导线分股缺陷图像识别方法。

本发明解决其技术问题所采用的技术方案为：该基于卷积神经网络的导线分股缺陷图像识别方法，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。

进一步的是，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；