[发明专利]基于改进ResNeSt-RPN的绝缘子缺陷检测方法

说明书

本发明涉及绝缘子缺陷检测技术，具体涉及基于改进ResNeSt‑RPN的绝缘子缺陷检测方法，包括确定数据集；基于无人机采集的一个缺陷绝缘子数据集，将其数据集图片数量增加；建立数据集的图像标签库；利用LabelImg图像标注工具对绝缘子以及绝缘子上的缺陷进行标注；建立改进ResNeSt以及改进多尺度RPN的绝缘子缺陷检测网络模型：训练检测模型；在PyTorch1.5.1在python3.7下实现的，PyTorch是一种专门为深度学习模型构建的库；将测试集放到训练好的模型中进行测试。该方法能更好地检测绝缘子上的微小缺陷，提高了在复杂环境下绝缘子检测的准确性和检测图像的快速性，以确保供电系统的安全。

技术领域

本发明属于绝缘子缺陷检测和深度学习技术领域，尤其涉及基于改进ResNeSt-RPN的绝缘子缺陷检测方法。

背景技术

绝缘子是输电线路的重要组成部分，其主要功能是电气绝缘和线路支撑。当绝缘子出现断裂、裂纹、污垢等问题时，绝缘子极易击穿，导致绝缘子串两端绝缘电阻为零。绝缘子绝缘丧失，造成供电中断，造成停电。因此，为了定期检查和维护绝缘子，确保可靠供电系统的安全，必须准确识别出绝缘子的缺陷。

常见的绝缘子缺陷有断裂、裂纹和脏污，然而，由于实际中的绝缘子往往处于复杂的环境中，极易受到光和噪声的影响，很多方法在实际应用中效果不佳，很容易将阴影识别为缺陷。其次，不同类型的绝缘子在不同缺陷上表现出不同的特征，包括颜色特征、形状特征和区域特征。因此，需要根据这些特性设计出合理的缺陷检测方法。

发明内容

针对背景技术存在的问题，本发明提供一种基于改进ResNeSt以及改进多尺度RPN(Region Proposal Network)的绝缘子缺陷检测网络。

为解决上述技术问题，本发明采用如下技术方案：基于改进ResNeSt-RPN的绝缘子缺陷检测方法，包括以下步骤：

步骤1、确定数据集：基于无人机采集的一个缺陷绝缘子数据集，去除图像不清晰以及有歧义的图片，通过旋转、亮度调整、平移的数据增强技术，将其数据集图片数量增加；

步骤2、建立数据集的图像标签库：利用LabelImg图像标注工具对绝缘子以及绝缘子上的缺陷进行标注；

步骤3、建立改进ResNeSt以及改进多尺度RPN的绝缘子缺陷检测网络模型：将ResNeSt和多尺度RPN进行改进，形成使用backbone为ResNet50和ResNet101的ResNeSt作为特征提取基础网络，定义Conv3、Conv4、Conv5代表基础网络结构中每个阶段的最后一个残差块ResNet_3d、ResNet_4f、ResNet_5c；

步骤4、训练检测模型：利用PyTorch1.5.1在python3.7进行训练；

步骤5、将测试集放到训练好的模型中进行测试：将测试的训练集输入到已经训练好的网络中进行绝缘子缺陷检测，得到绝缘子缺失检测框，以及性能评估数值。

在上述基于改进ResNeSt-RPN的绝缘子缺陷检测方法中，步骤1的实现包括：将数据集图片数量增加至48000张，其中每种绝缘子共计12000张，每种绝缘子包含4320张缺陷绝缘子图片，7680张正常绝缘子图片，数据集分辨率均为224×224；且该绝缘子数据集上每种绝缘子共有3种绝缘子缺陷，分别是裂纹、破损和污秽，对于每一种绝缘子3种缺陷各有1440张图片。

在上述基于改进ResNeSt-RPN的绝缘子缺陷检测方法中，步骤2所述图像标注工具将生成一个xml文件，每个xml文件与每一张图片一一对应，每个xml文件内包含绝缘子位置的边界框坐标、绝缘子的种类、缺陷位置的边界框坐标和缺陷的种类。

在上述基于改进ResNeSt-RPN的绝缘子缺陷检测方法中，步骤3的实现包括：