[发明专利]基于样本偏移网络的输电线路设备缺陷检测方法

权利要求书

1.一种基于样本偏移网络的输电线路设备缺陷检测方法，其特征在于：包括如下步骤：

将数据集送入到设计好的卷积神经网络模型中进行训练，完善卷积神经网络模型的自身参数；

将训练好的卷积神经网络模型部署到检测设备上，输电线路设备缺陷进行检测；

所述设计好的卷积神经网络模型，包括：特征提取网络，候选框提取网络、定位分类网络；

所述特征提取网络包括：残差网络和特征金字塔网络；残差网络使用Resnet101，该网络输入图像大小为(1666，1000)，输出通道为2048；特征金字塔网络使用FPN，该网络输入为残差网络的C2、C3、C4、C5特征，输出通道为256；

所述候选框提取网络，使用RPN网络，RPN网络采用比例为1:1、1:2、2:1的三种锚框，特征通道为256，损失计算采用交叉熵损失和L1范数损失；

所述定位分类网络，采用样本偏移模块和共用检测头的并行结构，样本偏移模块包括：第一定位分支、第一分类分支，第一定位分支采用一层卷积层和两层全连接层共同构成，卷积层卷积核大小为(3*3)，每层的输出为{128，128，2}，输出为1*1*2大小的偏移矩阵；第一分类分支采用三层全连接层每层的输出为{128，128，2}，输出为1*1*2大小的偏移矩阵；共用检测头包括两层全连接层、第二定位分支、第二分类分支，两层全连接层为共用的通道为1024的全连接层，第二分类分支为通道为1024的全连接层，并采用softmax进行分类，第二定位分支是通道为4的全连接层，网络损失采用交叉熵损失和L1范数损失。

2.根据权利要求1所述的基于样本偏移网络的输电线路设备缺陷检测方法，其特征在于：所述数据集获取步骤如下：

收集输电线路设备缺陷相关图像，并对收集的相关图像进行标注和马赛克图像数据增强后制作成数据集，按照一定的比例把数据集分成测试集和训练集。

3.根据权利要求2所述的基于样本偏移网络的输电线路设备缺陷检测方法，其特征在于：收集的相关图像应当满足以下要求：(1)图片清晰可辨，焦距正确；(2)缺陷目标在图像中完整，主要特征不被遮挡；(3)图片采用RGB三通道色彩模式；(4)对于影响目标检测的无关背景进行图像预处理。

4.根据权利要求2所述的基于样本偏移网络的输电线路设备缺陷检测方法，其特征在于：所述对收集的相关图像进行标注的方法，包括如下步骤：

4.1采用最小正外接矩形框标注缺陷目标；

4.2设备缺陷图像中对所有的缺陷类型进行标注，除非出现以下情况：

a)缺陷目标可见区域像素小于30px*30px；

b)缺陷目标可见区域无法表征缺陷特征；

4.3标记缺陷目标的可见区域，检测框包含缺陷对象全部像素；

4.4标注标签命名方式为“缺陷描述的拼音首字母”加“_”加“缺陷分类的拼音首字母”；

4.5设备巡检图像标注文件名称与原图像文件名称保持一致；

4.6标注文件采用符合VOC标准的.xml文件。

5.根据权利要求2所述的基于样本偏移网络的输电线路设备缺陷检测方法，其特征在于：所述马赛克图像数据增强，包括如下步骤：

从收集的相关图像中取出一个batch的数据；

随机抽取4张图片，进行随机位置的裁剪拼接，合成新图片；

重复batch size次，最后得到batch size个经过了马赛克数据增强后图片；

每一个batch的新数据再作为补充数据加入到训练集。

6.根据权利要求1所述的基于样本偏移网络的输电线路设备缺陷检测方法，其特征在于：所述定位分类网络处理候选框方法，包括如下步骤：

对于每一个候选框P叠加了定位偏移量ΔL之后，分别计算定位损失和分类损失；

对于每一个候选框P叠加了分类偏移量ΔC之后，分别计算定位损失和分类损失；

对于每一个候选框P直接经过两个全连接层，分别计算定位损失和分类损失。