[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

说明书

本发明涉及计算机图像分类技术领域，公开了一种输电线路图像缺陷检测方法、装置、设备及介质，通过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，然后构建双通道CNN图像分类模型，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，最后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。能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率，从而能够及时发现并处理输电线路的故障，减少不必要的经济损失。

技术领域

本发明涉及计算机图像分类技术领域，尤其涉及一种输电线路图像缺陷检测方法、装置、设备及介质。

背景技术

电力系统作为一种涉及民生的基础资源，对社会的正常生产以及民众的日常生活具有极其重要的意义。但是电气线路大多运行在偏远地区，周围环境地形复杂，暴露在室外难免会受到雷电、强风、鸟害等外界因素影响，一旦发现问题却没有即时处理，很容易造成大面积停电，进而造成大量的经济损失等严重后果。因此，对输电线路图像的缺陷识别是输配电线路中必不可少的环节。

目前最常见的输电线路缺陷识别包括鸟巢缺陷识别与绝缘子缺陷识别，鉴于输电线路缺陷背景复杂，缺陷不明显，数量巨大等因素，在没有丰富经验的情况下，仅凭肉眼不易高效的分辨出缺陷图像。因此，自动化识别输电线路的缺陷就显得十分重要。

目前，深度学习已经成为解决图像分类问题的一种重要方法，尤其是基于卷积神经网络(Convolutional Neural Network，CNN)的深度学习，该方法能够更加准确的接近图像的高级语义特征，并已在图像分类方面取得了突破性进展。在现有研究中，出现了利用AlexNet网络提取第六和第七个连接层的全连接层的特征图对绝缘子图像进行分类，或者采用Faster R-CNN算法为基础，利用ZF-NET网络提取鸟巢特征图，修正后输出矩阵候选区域并利用检测窗口完成有无鸟巢的检测等针对缺陷图像进行分类的研究，但是上述这些研究都面临着分类精度不高的问题。

发明内容

本发明的目的是提供一种输电线路图像缺陷检测方法、装置、设备及介质，能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率，从而能够及时发现并处理输电线路的故障，减少不必要的经济损失。

为实现上述目的，本发明实施例提供了一种输电线路图像缺陷检测方法，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。

进一步的，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；