[发明专利]一种基于可见光图像数据的多尺度输电线路缺陷检测方法

说明书

本发明公开了一种基于可见光图像数据的多尺度输电线路缺陷检测方法，通过无人机搭载的高清相机获取可见光图像数据，使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库，以及多尺度物体检测算法。本发明使用了尺度归一化思想有效的防止了在迁移学习过程域漂移现象的出现；在实时检测缺陷阶段采用图像金字塔技术和滑动窗口裁剪技术有效的解决了神经网络模型不能直接检测高分辨率巡检图像的矛盾，提高了输电线路巡检的自动化程度和巡检的效率，降低了巡检人员的劳动强度，进而降低了整个电网系统的运营成本。

技术领域

本发明属于电力系统运维技术领域，具体涉及一种基于可见光图像数据的多尺度输电线路缺陷检测方法。

背景技术

电力的应用已经渗透到了我们生活中的各个方面，而电力资源主要集中在人迹罕至的区域，要将电力资源充分的利用就需要进行远距离输电，故输电线路在电力系统中具有十分重要的作用。输电线路长期暴露在野外自然环境中各种部件比热出现老化严重威胁电网系统的稳定运行，所以需要电网维护人员密集的对线路进行巡检，这样大大的增加了电力系统运营成本。随着无人机和计算机技术的飞速发展，我们可以通过无人机搭载的成像设备获取到输电线路的图像数据，进而通过图像处理技术分析出输电线路上的安全隐患和存在的故障。

目前在基于图像数据的物体检测系统都是基于卷积神经网络技术，不管是单步检测的方法(SSD，YOLO)还是二步检测的方法(RCNN，Fast-RCNN，Faster-RCNN)都智能处理低分辨率的图像，在生产环境下必须将拍摄到的高分辨率图像转化成低费率来适应检测模型，这样处理后由于图像分辨率的下降信息量降低导致模型的识别效率较低不能满足实际的生产要求。此外，目前使用的预训练模型几乎都是在imageNet数据集上进行训练等到的，这个数据集的分辨率较低而输电线路巡检图像时高分辨率图像，如果在这两个数据集上进行迁移学习必然出现域漂移现象。

发明内容

本发明在训练神经网络的时候使用了尺度归一化思想，有效的避免了域漂移现象出现，进而提高了物体检测模型的检测精度。

本发明是通过如下技术方案来实现的。

一种基于可见光图像数据的多尺度输电线路缺陷检测方法，包括如下步骤：

步骤一：可见光图像数据的获取

通过深度学习技术检测出输电线路上部件存在的缺陷；采用无人机搭载的高清相机获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；

步骤二：输电线路部件缺陷样本库的获取

通过使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库；

步骤三：多尺度物体检测算法

在实际基于图像数据的物体检测场景中，使用了以Faster-RCNN模型为代表的两步检测框架和以YOLOv3为代表的一步检测框架。它们在多尺度的数据集上的识别率(mAp)非常的低；而在单一尺度数据集上的识别率(mAp)非常的高，出现这个现象的原因是训练数据和测试数据之间存在域漂移。从这个对比上可以得出以下结论：深度学习模型不具备感知图像尺度的能力，如果要提高模型的识别率和识别精度就必须设计出具有尺度感知的深度学习模型。为了使深度学习模型具有尺度感知的能力，本发明设计了两种解决方案：

方案一：通过单一尺度的数据集训练模型，在检测的时候对图像进行缩放和裁剪，以达到使测试图像的尺度与训练图像的尺度相匹配的目的；

方案二：在深度学习模型的训练过程中，只允许尺度在指定范围内的目标回传损失(这个范围需要接近预训练模型的训练数据的尺度)，也就是说训练过程只是针对于尺度在特定范围内的目标进行，这样就可以有效的减少域漂移现象的出现。

1)尺度归一化训练算法