[发明专利]基于改进YOLOv3的输电线缺陷多目标检测方法

说明书

本发明公开了一种基于改进YOLOv3的输电线缺陷多目标检测方法，包括以下步骤：步骤一数据集图像筛选，原始图片进行的筛检，选择符合要求的目标图片；步骤二对步骤一得到的图片进行图像增广，得到目标数据集；步骤三步骤二完成数据增广后需要对目标数据集的部分照片进行图像预处理操作，使用分段线性变换灰度变换方法、直方图均衡化方法、同态滤波方法以及平滑去噪方法对图像进行处理；步骤四对步骤三预处理过的目标数据集进行整理与标注，得到目标数据集；步骤五将特征注意力机制和融合两者“结合”对YOLOv3进行改进；步骤六使用目标数据集在改进后的算法中进行训练，检测图片，本发明可以完成复杂环境条件下的输电线路缺陷多目标检测任务。

技术领域

本发明涉及目标检测与识别技术领域，特别涉及一种基于改进YOLOv3 的输电线缺陷多目标检测方法。

背景技术

输电线路分为架空输电线路和电缆线路，架空输电线路由线路杆塔、导 线、线路金具、绝缘子、拉线、接地装置等构成，分布广阔，遍布田野、城 区、沙漠、湖泊等各种地形。由于长期运行在野外，经历狂风暴雨曝晒等极 端天气的冲击，导线、金具、绝缘子等部件容易出现锈蚀、破损、断股等缺 陷，同时，部件安装不规范也为输电线路安全运行带来隐患。

随着输电线路结合无人机目标缺陷识别方案的发展和应用，通过无人机 巡检方式获取的图片数据量呈指数式增长，传统的人工巡检方式弊端逐渐显 露。而利用计算机对巡检图片进行缺陷智能识别，对人员的专业素质要求进 一步提高。目前，无人机在电力巡检作业中所占比例愈来愈高，随着无人机 巡检越来越智能化、自动化，未来电力巡检发展方向应是实现可无人机巡检 作业场景全覆盖。

电力计算机视觉(Power CV)作为电力人工智能的一个子领域，是一种 利用机器学习、模式识别、数字图像处理等技术并结合电力专业领域知识解 决电力系统各环节中视觉问题的电力人工智能技术，涉及整个电力系统的“发 输变配用”各个环节。线路安装各种摄像头监控设备，利用无人机进行巡检 工作，对线路巡视内容进行拍照，产生大量视频和图像，需要结合电力系统 相关知识，才能更好的对其进行分析处理。在海量图像自动识别缺陷方面， 由于输电线路拍摄图像具有显著的多尺度结构特征，一方面近距离无人机拍摄的图像背景复杂，受光线的影响会造成较高的误判；另一方面，无人机是 在不同的拍摄角度拍摄可能存在大量的遮挡情况，分离其局部轮廓结构是一 件困难的任务。

直升机巡检方法，起初利用超红色法，对用直升机在空中人为拍摄的图 像运用最小二乘拟合和几何特识别锈蚀部件。但该方法识别精度有限，检测 速度较慢。后来借助直升机搭载红外热像仪拍摄的实时红外视频序列，利用 Hough变换、Otsu自适应阈值算法和SIFT特征匹配等方法来确定图像中的缺 陷区域。随着科技不断提升，直升机巡检这种半人工的巡检方式并不能满足 智能电网发展需求。

近年来，依靠以深度学习为代表的新一代人工智能技术，巡检图像缺陷 识别算法不断创新，并逐步在架空输电线路无人机智能巡检项目中应用。随 着RCNN、Fater-RCNN和YOLO等基于CNN的目标检测算法应用越来越成熟， 以及硬件运算水平的进一步提高，其在电力计算机视觉领域也发挥着特有的 优势。有人提出改进的Fater-RCNN算法，使用自建的设备样本库进行模型训 练，对电力巡检图像进行目标检测，提高了模型的检测精度和检测速度，但 对小目标的识别准确率不高，实时性得不到保证。

相比较于上述的方法，以基于深度学习中卷积神经网络(Convolutional NeuralNetworks,CNN)的YOLO算法为代表的one-stage目标检测算法在保 持较高识别准确率的前提下，其检测速度明显快于Fater-RCNN等基于RoI (Region of Interest)的two-stage目标检测算法，能够满足系统实时性 需求，因此更适合在工业现场中应用。

发明内容