[发明专利]一种输电线路图像缺陷检测方法、装置、设备及介质

权利要求书

1.一种输电线路图像缺陷检测方法，其特征在于，包括以下步骤：

获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；

构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；

将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；

将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。

2.根据权利要求1所述的输电线路图像缺陷检测方法，其特征在于，获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集，具体步骤为：

获取输电线路图像的样本集，将所述样本集中每一个图像的大小统一调整为224*224；

对调整后的样本集中的每一个图像进行预处理，得到所述图像中输电线路的具体位置，并保存对应的图片块；

按照预设的比例将经过预处理后的样本集分为训练集、验证集和测试集。

3.根据权利要求1所述的输电线路图像缺陷检测方法，其特征在于，将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，具体为：

将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中，结合交叉熵损失函数，得到所述双通道CNN图像分类模型的交叉熵损失函数的值，再根据所述交叉熵损失函数的值，采用随机梯度下降法对所述双通道CNN图像分类模型进行训练，得到训练好的双通道CNN图像分类模型。

4.根据权利要求3所述的输电线路图像缺陷检测方法，所述交叉熵损失函数的公式为：

其中，M为所述训练集和所述验证集中的图像的总类别数，N为所述训练集和所述验证集中的图像的总数，a_ki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的真实概率值，y_ki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的预测概率值。

5.一种输电线路缺陷检测装置，其特征在于，包括：

样本处理模块，用于获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；

模型构建模块，用于构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；

模型训练模块，用于将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；

缺陷检测模块，用于将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。

6.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的输电线路图像缺陷检测方法。

7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-4中任一项所述的输电线路图像缺陷检测方法。