[发明专利]一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法

说明书

本发明公开了一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，该方法首先通过电网巡检图像、公共数据集与图像样本扩充方法构建输电线路绝缘子图像数据库，并对绝缘子图像进行标签制作；采用基于非锐化掩模的锐化算法对绝缘子图像进行预处理，以突出绝缘子目标；构建基于MobileNet轻量级卷积神经网络的改进YOLOv4检测模型，并优化原YOLOv4中的PANet网络结构，然后通过模型训练与验证，获得其最优检测模型，对输电线路绝缘子缺陷进行检测。本发明能够克服电网巡检图像中绝缘子缺陷尺寸太小、不显著、模型参数量大、检测速度低等问题，能够实现输电线路绝缘子的定位与其缺陷的快速、精确检测，为输电线路智能化巡检提供技术参考。

技术领域

本发明属于输电线路技术领域，具体涉及一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法。

背景技术

绝缘子作为输电线路中基础的电力元件，不仅要承受线路的垂直、水平荷载和导线张力，还要承受工作电压与过电压，因此绝缘子必须具有良好的绝缘性与机械性。在实际情况中，绝缘子长期运行在复杂多样的自然环境当中，不可避免地出现自爆、掉串、裂纹、侵蚀、异物等故障；并且故障绝缘子导致的电压降低和泄漏电流将严重影响系统的性能。因此，准确、迅速地检测出绝缘子的缺陷才能避免停电事故的发生，减少电力系统的损失。

我国电网输电线路巡检方式包括人工巡检、直升机巡检、无人机巡检等方式，其中无人机巡检凭借成本低、操作性和灵活性好、效率高等优点，逐渐成为电力巡检中的发展趋势。无人机巡检会产生大量的图像影视信息，单纯依靠检查人员的视觉判断显然不合适，而深度学习刚好能够满足巡检中海量图像智能化处理与分析的需求，为运维人员提供自动化缺陷识别工具。目前，深度学习在国内外输电线路巡检方面得到了广泛研究与应用，但输电线路绝缘子缺陷检测的研究大多数都注重识别精度的提升，没有结合巡检中实时性的需求，导致训练得到的网络检测出缺陷后运维人员无法及时反馈与处理。

发明内容

针对现有技术中的不足与难题，本发明旨在提供一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，用于精准并迅速检测出输电线路绝缘子及其缺陷目标的位置，为运维人员开展绝缘子检测工作提供技术参考。

为达到此发明目的，本发明通过以下技术方案予以实现：

一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法，包括如下步骤：

S1：根据电网无人机航拍绝缘子图像与公共数据集，构建真实输电线路绝缘子图像数据库；

S2：基于真实的输电线路绝缘子图像，采用分割算法提取绝缘子目标，将其与电网运行背景图像进行融合，生成新的绝缘子图像，并利用MRLabeler标注真实与扩充的绝缘子图像；

S3：采用基于非锐化掩模的锐化算法对图像进行锐化处理，将图像从RGB颜色空间转换为YCbCr颜色空间，利用高斯低通滤波器对绝缘子图像进行滤波，在Y分量提取低频分量，将原图减去低频部分以提取图像中的高频分量，再将高频分量与原图叠加，实现绝缘子图像的锐化增强，提高图像中绝缘子目标的细节；将预处理后的图像划分训练集和测试集；

S4：利用构建的MobileNet网络替换YOLOv4检测模型中的CSPDarkNet53特征提取网络，并且利用深度可分离卷积替换PANet网络中所有3×3的普通卷积，将PANet网络中的输入与输出通道乘以宽度乘数α，α取值范围为[0，1]，得到改进YOLOv4算法模型；

S5：先利用ImageNet公共数据集对改进YOLOv4模型进行预训练，结合多阶段迁移学习等方法，采用真实与扩充后的绝缘子图像训练集对改进YOLOv4模型进行重新训练；在训练时，将整体损失值除以所有正样本个数，对损失进行归一化，得到最优模型；