[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

说明书

本发明公开了一种基于样本偏移网络的输电线路设备缺陷检测方法，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。本发明利用马赛克数据增强的方法来处理数据，可以补充样本缺少的图像，同时丰富缺陷类别的背景信息，减少网络过拟合的情况。通过特征提取和特征融合模块，丰富输入图像的多样性，使得网络能够准确判断感兴趣区域，增强网络的检测能力。通过修正候选框的位置，让分类任务和回归任务获得不同的候选区域。识别方法识别的动作数量具有可扩展性，且扩展操作简单，易于开发人员操作。

技术领域

本发明涉及一种基于样本偏移网络的输电线路设备缺陷检测方法，属于人工智能领域的图像数据处理和神经网络技术领域。

背景技术

由于我国电网规模日益增大，电力现场巡检数量和质量都对电力人员有了更高的要求，而输电电力现场环境复杂，分布多种设备，设备之间通过各种架空线路连接难以准确观测，要确保输电线路能够稳定运行，则需要所有设备正常协同工作。初期的故障巡检方式主要依靠现场工作人员凭借人工检测经验进行人工分析诊断，这种方式对工作人员的专业要求水平较高，且常常伴随着停机检测，消耗大量人力物力财力，时间长，危险性高，容易受到个人经验的影响。所以急需将先进的视觉技术引入到行业中来，提高工作人员的工作效率。目标检测是当前计算机视觉领域的一个重点研究的问题，同时，也是当前的一个研究热点。例如在电力工作现场，施工环境等难以观测的环境下，采用搭载目标检测技术的无人机或者巡检机器人能够更加有效的对环境进行勘测。

近年来，伴随着大数据技术的发展和计算机视觉领域的技术革新，越来越多的学者将研究方向转为深度学习(Deep Learning)。深度学习技术模仿人类神经结构建立出神经网络，学习人脑对现实中各类数据的分析处理方法，同时根据实际情况自动进行调整与更新，所以多数行业的学者专家开始探索利用其解决工业系统故障诊断所面临的实际问题。

由于卷积神经网络通过增加网络深度能够提取到检测图像的多层特征，提高了特征多样性，同时卷积神经网络通过一种端到端的架构将特征提取、选择和分类融合在一起，从整体上优化网络参数，增强了特征的表达能力。而且与经典的人工调参方法相比，深度神经网络在检测速度精度等多方面都取得了巨大的突破，因此，大量学者将深度神经网络运用在计算机视觉领域。在多类别图像数据集的验证下，随着网络结构的优化，深度学习在目标检测领域取得了巨大的进步，深度学习方法由于检测速度快，检测准确率好，自学习能力强等优点被推广和应用。

因此，如何使用卷积神经网络对输电线路设备缺陷进行检测是本领域技术人员急需要解决的技术问题。

发明内容

目的：为了克服现有技术中存在的不足，本发明提供一种基于样本偏移网络的输电线路设备缺陷检测方法，该方法识别精度高，能够识别多种类型的缺陷。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

一种基于样本偏移网络的输电线路设备缺陷检测方法，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。

作为优选方案，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。

作为优选方案，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。

作为优选方案，所述对收集的相关图像进行标注的方法，包括如下步骤：