[发明专利]绝缘子检测方法及装置

说明书

本发明提供一种绝缘子检测方法及装置，包括：将待检测绝缘子图像输入到多任务深度学习网络中，输出每个锚点的概率分布图和相邻两个锚点之间的连接信息分布图；根据每个锚点对应的概率分布图，获取每个锚点的候选位置，根据相邻两个锚点之间的连接信息分布图和相邻两个锚点之间任意候选位置的两两组合，计算每个组合对应的连接信息置信度；根据所有相邻两个锚点之间对于每个组合的连接信息置信度确定每条绝缘子上每个锚点的最终位置，根据每条绝缘子上各锚点的最终位置确定每条绝缘子的倾斜矩形框。本实施例避免检测结果中其它无用信息的干扰，使检测结果更精准。

技术领域

本发明涉及图像检测技术领域，尤其涉及一种绝缘子检测方法及装置。

背景技术

绝缘子是输电线路的重要组成部件之一，是保障电力系统安全运行不可缺失的一部分，有着支撑线路、电气绝缘、增加爬电距离等重要作用。绝缘子出现缺陷会导致输电线路停止工作，造成巨大损失。为减少因绝缘子故障导致的输电事故，需要在事故发生前做出预防措施，规避事故的发生。而检修绝缘子的首要步骤就是确定绝缘子的位置。

之前，绝缘子巡检方式主要是人工巡检。这种巡检方式效率低，并且需要工人攀爬电塔，劳动强度太大，安全系数低。这种方式已逐渐被淘汰。随着计算机的兴起，利用计算机图像处理技术对绝缘子进行检测定位成为电网巡检的主要内容。目前主要的检测算法可以分为基于传统方法和基于深度学习的方法两种。

基于传统方法主要通过轮廓、纹理、颜色等特征来对绝缘子进行分割。传统方法由于不需要大量数据训练，因此，在理想背景下优势明显，但是此类方法在面对复杂背景时误检、漏检率较高，难以投入实际应用。

基于深度学习的方法以卷积神经网络作为图像的主要特征描述手段，在绝缘子可能出现的所有区域进行学习。目前通常基于Faster RCNN、YOLO v3、YOLO v4和SSD等框架。虽然这些方法在鲁棒性和检测精度方面相比传统方法有明显提高，但是对绝缘子位置的描述上并不严谨。主要原因是此类方法通常基于轴向矩形，即矩形框的边垂直或平行于X和Y坐标轴，如图1中的白色矩形。当绝缘子倾斜时，轴向矩形的检测结果中包含了大量无用背景，因此现有的深度学习方法不适合对绝缘子这类具有方向姿态的条形物体进行标注和检测。

综上所述，深度学习方法虽然克服了传统方法存在的问题，但是使用轴向矩形导致对绝缘子的空间位置和姿态描述能力较差，从而导致对绝缘子的检测效果较差。

发明内容

本发明提供一种绝缘子检测方法及装置，用以解决现有技术中深度学习方法对绝缘子的检测效果较差的缺陷，达到提高对绝缘子检测精度的目的。

本发明提供一种绝缘子检测方法，包括：

将待检测绝缘子图像输入到多任务深度学习网络中，输出所述待检测绝缘子图像中的像素属于绝缘子上每个锚点的概率分布图，以及所述像素位于任意相邻两个锚点之间的连接线上时所述相邻两个锚点之间的连接信息分布图；

根据每个锚点对应的概率分布图，获取每个锚点在所述待检测绝缘子图像中的一个或多个候选位置，根据所述相邻两个锚点之间的连接信息分布图和所述相邻两个锚点之间任意候选位置的两两组合，计算所述相邻两个锚点之间对于每个组合的连接信息置信度；

根据所有相邻两个锚点之间对于每个组合的连接信息置信度确定每条绝缘子上每个锚点的最终位置，根据每条绝缘子上各锚点的最终位置确定每条绝缘子的倾斜矩形框；

其中，所述多任务深度学习网络通过以绝缘子图像样本作为样本，以所述绝缘子图像样本中绝缘子上每个锚点的实际位置作为标签进行训练获取。

根据本发明提供一种的绝缘子检测方法，所述多任务深度学习网络包括主干网络以及多个阶段网络；

每个阶段网络包括第一卷积网络和第二卷积网络；