[发明专利]一种输电线路细粒度螺栓缺陷诊断方法及系统

权利要求书

1.一种输电线路细粒度螺栓缺陷诊断方法及系统，其特征在于，包括：

对于获取到的待识别图像，对螺栓所在的区域进行定位，得到螺栓所在区域的局部区域图像；

提取局部区域图像的深度学习特征；

提取局部区域图片的SIFT特征，并计算SIFT特征的热力图；

将深度学习特征与SIFT特征的热力图进行融合；根据融合后的特征实现对螺栓缺陷的细粒度分类诊断。

2.如权利要求1所述的一种输电线路细粒度螺栓缺陷诊断方法，其特征在于，对设定目标所在的区域进行定位，得到所述目标所在区域的局部区域图像，具体过程包括：

对获取到的待识别图像进行预处理，将处理后的图像输入训练好的深度学习网络，输出对设定目标所在的区域的定位结果。

3.如权利要求1所述的一种输电线路细粒度螺栓缺陷诊断方法，其特征在于，提取局部区域图像的深度学习特征的过程包括：

将局部区域图像输入到训练好的深度学习网络；通过所述深度学习网络的各卷积网络层实现深度学习特征的提取，利用特征金字塔式结构实现特征横向融合，得到局部区域图像的深度学习特征。

4.如权利要求1所述的一种输电线路细粒度螺栓缺陷诊断方法，其特征在于，计算SIFT特征的热力图的过程包括：

SIFT特征为离散点集，对每个离散点设定一个半径，创建一个缓冲区；

对每个离散点的缓冲区，使用渐进的灰度带从内而外，由浅至深地填充；

对于有缓冲区交叉的区域，将其灰度值进行叠加；

对叠加后的灰度值进行归一化处理，得到SIFT特征的热力图。

5.如权利要求1所述的一种输电线路细粒度螺栓缺陷诊断方法，其特征在于，将深度学习特征与SIFT特征的热力图进行融合，具体包括：

其中，F表示深度学习网络结构获取的特征图，H_sift表示SIFT特征热图，F_forward为融合图；表示将特征图的不同通道分别与热度图进行逐像素的融合后按照通道连接起来。

6.如权利要求1所述的一种输电线路细粒度螺栓缺陷诊断方法，其特征在于，根据融合后的特征实现对待识别设备缺陷的细粒度分类的过程包括：

对于融合后的特征，通过卷积实现特征的降维；

降维后的特征图输入平均池化层，进行特征的横向融合；

融合后的特征经过全连接层，最终输入特征分类层进行分类，得到待识别设备缺陷的细粒度分类结果。

7.一种输电线路细粒度螺栓缺陷诊断系统，其特征在于，包括：

局部区域定位模块，用于对于获取到的待识别图像，对螺栓所在的区域进行定位，得到螺栓所在区域的局部区域图像；

深度学习特征提取模块，提取局部区域图像的深度学习特征；

SIFT特征提取模块，用于提取局部区域图片的SIFT特征，并计算SIFT特征的热力图；

特征融合模块，用于将深度学习特征与SIFT特征的热力图进行融合；

螺栓缺陷细粒度分类模块，用于根据融合后的特征实现对螺栓缺陷的细粒度分类。

8.一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行权利要求1-6任一项所述的输电线路细粒度螺栓缺陷诊断方法。

9.一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行权利要求1-6任一项所述的输电线路细粒度螺栓缺陷诊断方法。

10.一种电力巡检设备，其特征在于，采用权利要求1-6任一项所述的输电线路细粒度螺栓缺陷诊断方法，实现输电线路细粒度螺栓缺陷分类诊断。