[发明专利]一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法

权利要求书

1.一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，其特征在于，包括以下步骤：

1)通过无人机采集输电线路上的图像，并通过网络传输到远程的服务器端；

2)采用深层Mask R-CNN网络对图像中的玻璃绝缘子串进行分割并获取二值化掩膜图像；

3)基于不变矩计算玻璃绝缘子串的质心以及倾斜角度，根据质心、倾斜角度拟合长轴的直线方程；

4)裁剪玻璃绝缘子串图像并进行等比例填充，再采用浅层Mask R-CNN网络对填充后的图像中的玻璃绝缘子片进行分割，获得每个玻璃绝缘子片的二值化掩膜图像；

5)基于不变矩计算每个绝缘子片的质心位置，并计算所有玻璃绝缘子片的质心与玻璃绝缘子串长轴拟合的直线方程的欧式距离之和；基于该距离与设定距离阈值判断玻璃绝缘子串类型；若该距离小于设定距离阈值，则判定该绝缘子串为单串玻璃绝缘子，跳至步骤6)；若该距离大于设定距离阈值，则判定该绝缘子串为双串玻璃绝缘子，跳至步骤7)；

6)对于单串玻璃绝缘子，根据玻璃绝缘子串的倾斜角度对所有质心进行排序，然后计算相邻质心的距离，以最小相邻质心距离作为间隔阈值，计算所有相邻质心距离与间隔阈值的比例，若某相邻质心比例大于设定阈值，则判定该相邻质心间存在自爆缺陷，从而定位该串玻璃绝缘子的自爆缺陷位置；

7)对于双串玻璃绝缘子串，根据玻璃绝缘子串长轴拟合的直线方程将质心分为两组，即为左串和右串的绝缘子片质心，分别对每组质心进行步骤6)操作，从而定位双串玻璃绝缘子的自爆缺陷位置。

2.根据权利要求1所述的一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，其特征在于：在步骤2)中，采用pytorch构建深层Mask R-CNN网络，Mask R-CNN网络主要由基网络、区域建议网络RPN、RoIAlign模块、分类分支、坐标回归分支以及Mask分支组成；Mask R-CNN网络推导包括以下步骤：

2.1)输入图像先通过基网络提取特征，获得不同尺度的特征图；

2.2)RPN进行区域建议，其在特征图上每个点生成不同尺度的候选框，并通过网络进行粗分类和粗定位，基于置信度和非极大抑制思想筛除大量候选框，将剩余候选框送入后续网络中；

2.3)将不同大小和尺度的候选框所在的特征图区域通过RoIAlign模块输出得到固定尺寸的特征图，RoIAlign先将候选框分割成固定个数个单元，每个单元的边界不进行量化，在每个单元中计算固定四个坐标位置，然后采用双线性内插的方法计算这四个位置的值，并基于这四个位置的值进行最大池化操作；

2.4)将固定大小的特征图作为分类分支、坐标回归分支和Mask分支的输入；其中，分类分支是以热编码形式输出特征图类别，坐标回归分支为预测候选框与真实目标区域的坐标、宽高偏差值，Mask分支输出以0、1值表述的目标的二值化掩膜图像；

此处的深层体现在基网络与Mask分支均采用深层的卷积神经网络，采用ResNet-50作为基网络和Mask分支的主网络结构。

3.根据权利要求1所述的一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，其特征在于，在步骤4)中，所述浅层Mask R-CNN网络与深层Mask R-CNN网络的区别在于，其特征提取的基网络和Mask分支的主网络采用浅层的卷积神经网络，由于深层Mask R-CNN网络已经分割了玻璃绝缘子串的区域图像，故而浅层Mask R-CNN专注于玻璃绝缘子串区域的分割是否完全满足实际需求，再采用训练所得的浅层Mask R-CNN网络的预测模型对裁剪后的新输入图像进一步分割，分割获得每个玻璃绝缘子片的二值化掩膜图像。

4.根据权利要求1所述的一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，其特征在于，在步骤5)中，基于所有质心到长轴拟合直线的欧式距离之和判断绝缘子串为单串或是双串，其中，单串玻璃绝缘子的所有质心近似在一条直线上，即所有质心到长轴拟合的直线的欧氏距离小，而双串玻璃绝缘子的长轴拟合直线平行双串玻璃绝缘子的两个单串，并位于两串的中心位置，故而所有质心到该直线的欧式距离之和大，通过此方法能精准判断玻璃绝缘子的类型，并且在两串存在大量重叠时也具备高精度。