[发明专利]基于CNN的绝缘子串挂点三角板的姿态估计与缺陷识别方法

说明书

本发明公开了基于CNN的绝缘子串挂点三角板的姿态估计与缺陷识别方法，包括以下步骤：数据处理，采集挂点三角板数据，并将数据进行标注，随机将数据按照总数的80％、20％进行分组，通过统计得到的三角板的一个通用3D关键点模型；模型构建工作，构建三个卷积神经网络，分别用来检测三角板在视场中的位置、精确分割三角板，找到三角板轮廓、准确识别关键点，如三个处于拐角处的螺钉、螺帽；目标对齐，与上述3D通用关键点模型联合计算三角板姿态，并做对齐；缺陷识别，通过对边缘的线性估计，判断三角板的边缘腐蚀缺陷。本发明使得对缺陷的识别从宏观和微观两个角度都能得到识别和分析，实现了端到端的全方位分析，并能达到识别率高、误报低的效果。

技术领域

本发明涉及深度学习与图像识别技术领域，具体为基于CNN的绝缘子串 挂点三角板的姿态估计与缺陷识别方法。

背景技术

特高压输电技术近年来在中国得到了突飞猛进的发展，该技术解决了煤 炭在矿产地转化成电能之后的远距离传输问题。我国幅员辽阔，并且用电需 求大，用电区域广，因此在特高压输电线路的基础建设上投入巨大，并且像 高铁一样，建成了四通八达的输电网络，每基杆塔都需要进行例行巡视，以 确保居民、生产等方面的电力供应稳定；按照巡检一次来计算，总数据量约 1.5亿～3亿张照片。如此海量数据是无法通过人眼判图的方式来进行缺陷识 别的。

因此，使用人工智能技术，准确高效，能够真正取代人眼判图的缺陷识 别方法是具有重要价值的，输电线路图像缺陷识别技术主要对输电线路中绝 缘子以及导线进行缺陷识别，通过图像识别技术自动识别线路缺陷，避免了 人眼识别缺陷的偏差与失误，提升了巡检的效率。现有技术中，由于电力输 运系统中的器件挂载位置特别(远离地面)，器件分布离散，导致线路检修成 本较高，因此线路电路器件如绝缘子等的破损检测技术越来越重要。

目前图像缺陷识别检测技术是基于传统的特征提取方法，如hog(方向梯 度直方图)、lbp(局部二值模式)等特征识别方法，而通过传统的特征提取方 法的描述生成过程冗长，导致速度慢、实时性差、对噪点敏感以及检测准确 度和查全率低等特点，为此提出基于CNN的绝缘子串挂点三角板的姿态估计 与缺陷识别方法。

发明内容

本发明的目的在于提供基于CNN的绝缘子串挂点三角板的姿态估计与缺 陷识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

基于CNN的绝缘子串挂点三角板的姿态估计与缺陷识别方法，包括以下 步骤：

步骤S1，数据处理，采集挂点三角板数据，并将数据进行标注，随机将 数据按照总数的80％、20％进行分组，其中占80％的一组作为训练集，占20％ 的数据作为测试集；将所有数据集中，符合正视规则三角板图像划出，然后 通过统计得到的三角板的一个通用3D关键点模型；

步骤S2，模型构建工作，构建三个卷积神经网络，分别用来检测三角板 在视场中的位置、精确分割三角板，找到三角板轮廓、准确识别关键点，如 三个处于拐角处的螺钉、螺帽；构建特征提取与比对模型，训练符合情况的 螺钉的特征；

步骤S3，目标对齐，检测到三角板关键点以后，与上述3D通用关键点模 型联合计算三角板姿态，并做对齐；

步骤S4，缺陷识别，通过对边缘的线性估计，判断三角板的边缘腐蚀缺 陷；通过对三角板平面的棋盘式色彩分析，判断三角板的表面腐蚀；通过对 螺钉、螺帽的特征提取与比对，检测螺帽脱落，螺钉脱销等缺陷；

进一步的，所述步骤S1数据处理中，数据预处理，用于生成神经网络训 练过程中的正例和反例，比例分别为80％和20％。