[发明专利]一种输电线路细粒度螺栓缺陷诊断方法及系统

说明书

本发明公开了一种输电线路细粒度螺栓缺陷诊断方法及系统，包括：对于获取到的待识别图像，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；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，并计算各特征的热力图；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待识别设备缺陷的细粒度分类。本发明有益效果：可实现更全面的局部细节信息提取，从而有效提升了细粒度图像识别方法的识别准确率。在一定程度上解决了传统的图像分类网络中，无论图像中的重要判别区域占整个图像的比重有多大，都只会对整张图片一视同仁提取特征的问题。

技术领域

本发明涉及模式识别技术领域，尤其涉及一种输电线路细粒度螺栓缺陷诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

为保证电力设备的安全稳定工作，人工智能技术中的“引擎”技术，深度学习技术已经在电力巡检工作中引入，面对具体场景下如何准确的将所感兴趣的目标对象识别出对应的种类是近期行业领域关注的研究热点，所以利用机器学习或深度学习实现精细化图像的识别显得尤为重要。

在输电线路领域，螺栓缺陷的识别是尤为关键的，通常其出现缺陷后大概率下为高危缺陷，并且螺栓级别的目标分类属于细粒度图像分类任务，不同子类别的特征是非常相似的。其中目标块的尺寸大小在10x10到200x200像素之间，并且分类样本极度分布不均。如何获取螺栓图像细节特征实现不同缺陷种类的分类即是实际场景下的迫切需求。

发明内容

有鉴于此，本发明提出了一种输电线路细粒度螺栓缺陷诊断方法及系统，将热度图特征与深度学习特征横向融合，并实现高层的输出特征融合低层特征，实现前向网络的横向特征融合再训练的方法，获取特征更强的表达能力，从而实现精细化的特征分类。

根据本发明实施例的第一个方面，提供了一种输电线路细粒度螺栓缺陷诊断方法，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。

根据本发明实施例的第二个方面，提供了一种输电线路细粒度螺栓缺陷诊断系统，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。

根据本发明实施例的第三个方面，提供了一种终端设备，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，所述指令适于由处理器加载并执行上述的输电线路细粒度螺栓缺陷诊断方法。

根据本发明实施例的第四个方面，提供了一种计算机可读存储介质，其中存储有多条指令，所述指令适于由终端设备的处理器加载并执行上述的输电线路细粒度螺栓缺陷诊断方法。

根据本发明实施例的第五个方面，提供了一种电力巡检设备，采用上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。