[发明专利]一种基于级联检测模型的绝缘子掉串故障检测方法

权利要求书

1.一种基于级联检测模型的绝缘子掉串故障检测方法，其特征在于，包括以下步骤：

S1、采集输电线路巡检图像，建立绝缘子图像集和绝缘子故障图像集；

S2、遍历绝缘子图像集和绝缘子故障图像集，对图像中绝缘子位置及绝缘子故障位置进行标注，制得绝缘子数据集和绝缘子故障数据集；

S3、将绝缘子数据集划分为绝缘子训练集和绝缘子测试集，将绝缘子故障数据集划分为绝缘子故障训练集和绝缘子故障测试集；

S4、建立基于深度学习的绝缘子定位检测模型，所述绝缘子定位检测模型具体包含依次连接的骨干网络、金字塔池化网络、特征融合网络、目标检测网络；建立三尺度预测的YOLOv4-tiny绝缘子故障检测模型；

S5、分别利用绝缘子训练集和绝缘子故障训练集训练绝缘子定位检测模型和绝缘子故障检测模型，得到训练好的绝缘子定位检测模型和绝缘子故障检测模型；

S6、将绝缘子测试集图像和绝缘子故障测试集图像输入步骤S5所述的绝缘子定位检测模型，先利用绝缘子定位检测模型检测绝缘子的位置，并将绝缘子位置作为感兴趣区域，再利用绝缘子故障检测模型对感兴趣区域内的绝缘子进行故障检测，最后在绝缘子测试集图像上输出检测结果；

所述骨干网络包括依次连接的第一过渡卷积层、第一CSP模块、第二CSP模块、第三CSP模块、第四CSP模块、第五CSP模块，所述第一过渡卷积层为3×3×32的卷积层提取图像特征，得到416×416×32的特征图，所述第一CSP模块提取图像特征，得到208×208×64的特征图，所述第二CSP模块提取图像特征，得到104×104×128的特征图，所述第三CSP模块提取图像特征，得到52×52×256的特征图，所述第四CSP模块提取图像特征，得到26×26×512的特征图，所述第五CSP模块提取图像特征，得到13×13×1024的特征图；所述第三CSP模块、第四CSP模块、第五CSP模块的输出分别通过金字塔池化网络池化操作后，利用特征融合网络进行三尺度特征融合，输出52×52、26×26、13×13特征经过残差网络后对图像中绝缘子位置及绝缘子故障位置进行预测；

所述第一CSP模块包括第一降采样层、第一旁路卷积层、残差单元，所述第一降采样层为3×3×64步长为2的卷积层，所述第一旁路卷积层为3×3×64的卷积层，所述残差单元由1×1×32卷积层、3×3×64卷积层、shortcut连接组成，所述残差单元的输出与第一旁路卷积层输出融合得到特征208×208×64；

所述第二CSP模块包括第二降采样层、第二旁路卷积层、2个残差单元，所述第二降采样层为3×3×128步长为2的卷积层，所述第二旁路卷积层为3×3×128的卷积层，所述残差单元由1×1×64卷积层、3×3×128卷积层、shortcut连接组成，所述残差单元的输出与第二旁路卷积层输出融合得到特征104×104×128；

所述第三CSP模块包括第三降采样层、第二过渡卷积层、第三旁路卷积层、4个Dense单元、4个残差单元，所述第三降采样层为3×3×256步长为2的卷积层，所述第三旁路卷积层为3×3×256的卷积层，第二过渡卷积层为1×1×128卷积层，第三降采样层的输出分别与第三旁路卷积层、第二过渡卷积层相连，第二过渡卷积层的输出与4个依次连接的Dense单元相连，所述Dense单元由1×1×32卷积层、3×3×32卷积层和Concat连接组成，Dense单元输出与4个依次连接的残差单元相连，所述残差单元由1×1×128卷积层、3×3×256卷积层、shortcut连接组成，所述残差单元的输出与第三旁路卷积层输出融合得到特征52×52×256。

2.如权利要求1所述的一种基于级联检测模型的绝缘子掉串故障检测方法，其特征在于，所述第四CSP模块包括第四降采样层、第三过渡卷积层、第四旁路卷积层、4个Dense单元、4个残差单元，所述第四降采样层为3×3×512步长为2的卷积层，所述第四旁路卷积层为3×3×512的卷积层，第三过渡卷积层为1×1×256卷积层，第四降采样层的输出分别与第四旁路卷积层、第三过渡卷积层相连，第三过渡卷积层的输出与4个依次连接的Dense单元相连，所述Dense单元由1×1×64卷积层、3×3×64卷积层和Concat连接组成，Dense单元输出与4个依次连接的残差单元相连，所述残差单元由1×1×256卷积层、3×3×512卷积层、shortcut连接组成，所述残差单元的输出与第四旁路卷积层输出融合得到特征26×26×512。