[发明专利]一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法

说明书

本发明提供了一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，步骤为：步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据；步骤2，对绝缘子图像进行处理；步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型；步骤4，将由4个并行maxpool层组成的的SPPnet模块引入到剪枝后的YOLOv3中；步骤5，将处理好的绝缘子图像和修改后的TXT标签数据转换成训练数据；步骤6，得到绝缘子识别模型；步骤7，得到每张图片中检测出的绝缘子图框信息；步骤8，判断绝缘子故障。优点是：在不减少平均精度的情况下，减少了训练时间、降低了对图片质量的要求，同时降低了对车载服务器的计算力要求，提高了绝缘子巡检智能化水平。

技术领域

本发明涉及电网巡检维护技术，具体涉及一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法。

背景技术

随着经济快速地发展，智能电网建设的日益进步，对输电线路巡检的智能化、快速化提出了更高的要求。众所周知，绝缘子是一种特殊的绝缘控件，能够在架空输电线路中起到重要作用，其主要功能是实现电气绝缘和机械固定，为此规定有各种电气和机械性能的要求。但是，人工维护和检修的过程也极为繁琐且危险系数很高，据调查统计，因绝缘子缺陷造成的安全事故次数较多。所以，定期巡检杆塔绝缘子对电力巡检来说是一件非常必要的工作。

近年来电力巡检的技术发展迅速，多开始使用无人机对输电线路进行定航巡检，然后人工观察、筛选无人机所拍图片来检查缺陷所在。此方法虽然解决了人工检修的危险性但后期的筛选工作依旧繁琐庞杂，且因为图片质量和清晰度等问题人工检查图片会造成许多漏判误判的结果。后来开始逐步使用基于深度学习模型的人工智能算法来进行图片识别筛选工作，但不同巡检现场特征不同，不能总使用同一套学习结果，现场样本量少、有效样本更少变成了不可避免的问题。

发明内容

为解决上述问题，本发明公开了一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，在不减少平均精度的情况下，减少了训练速度、降低了对图片质量的要求，同时降低了对车载服务器的计算力要求，提高了绝缘子巡检智能化水平。

为了达到以上目的，本发明提供如下技术方案：

一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法，具体步骤为：

步骤1，根据无人机巡检实时传输图片数据，获取绝缘子图像与对应XML标签数据，并根据Darknet-53的文件特性将其改为TXT格式；

步骤2，对绝缘子图像进行初步处理，得到处理后的绝缘子图像，并修改TXT标签数据中的标示框位置对应的像素信息，得到修改后的TXT标签数据；

步骤3，以YOLOv3为基本框架，进行剪枝修改操作后建立深度学习模型，包括以下步骤：

步骤301，使用Darknet-53作为一种新的基础主干框架网，进行神经网络特征提取，Darknet-53添加了更多连续的3×3和1×1的卷积层，并将它们组成基础计算模块，相较于YOLOv2中的Darknet-19，功能强大许多；

步骤302，进行稀疏训练，给每个通道分配相应的比例因子，其绝对值表示通道的重要性，从而利于进行通道剪枝；

步骤303，进行通道修剪，直接抛弃与通道号无关的maxpool层，并引入全局阈值来控制剪枝率，同时设置局部安全阈值以保证模型的完整性；

步骤304，输出层仅保留8*8的输出尺度以减少模型的大小及训练计算量；

步骤4，将由4个并行maxpool层（1×1,5×5,9×9和13×13）组成的的SPPnet模块引入到剪枝后的YOLOv3中；

步骤5，将处理好的绝缘子图像和步骤3修改后的TXT标签数据转换成用于深度学习网络模型训练的训练数据；