[发明专利]基于Faster R-CNN的电力线异物检测方法

说明书

本发明涉及计算机视觉电网应用技术，具体涉及基于Faster R‑CNN的电力线异物检测方法，包括训练模式和诊断模式；训练模式通过训练数据集中的图片，返回迭代损失，得到一个稳定可用的模型；诊断模式通过输入待测试图像，得到电力线上面是否存在风筝异物以及风筝异物位置的诊断结果。可以有效利用无人机航拍图像，提高图片的利用率；成本低廉，只需要在现有的系统中增加基于aster R‑CNN算法的电力线风筝异物检测模块，不需要增加其他硬件；训练好的模型对于不同背景环境下的电力线风筝异物都有良好的预测效果。

技术领域

本发明属于计算机视觉电网应用技术领域，特别涉及基于Faster R-CNN的电力线异物检测方法。

背景技术

随着交流输电电力线路行业规模的发展不断扩大，对输电线路的维护所耗费的人力资源和财物资源也不断的增加。许多输电线路都架设在检测人员不易到达的地方，并且在自然环境中的输电线路，非常容易受到“异物”的损害，如悬挂在电力线上的塑料袋、风筝、鸟窝等，倘若不能很快的发现这些“异物”，将有可能造成电力事故，影响到居民的生活用电和工业用电。

目前对于输电线路的巡视检查方法，主要是工作人员顺着电力线的方向逐步检视。但是现在所架设的输电网络跨度大，且所在的地势崎岖，会给工作人员的巡检工作带来极大的困难和危险。无人机巡检的出现使得巡检工作能在安全、不受地理条件、天气条件影响下进行。智能无人机巡检相较于人工巡检以及直升机巡检，优势为：①安全：可以免于将工作人员暴露在不良的巡检条件下，并且也降低了工作人员直接接触高压电路巡检的触电危险。②效率高：直接避免了人工巡检电路的效率低下的问题并大大降低了巡检时间。③便宜：直接减少了人力以及财力的投入，减少开销。④精确度高：由人力直接巡检时，可能会因为人眼大量使用而导致注意力下降，判断力不足，从而降低判断的精确度，而智能无人机巡检可以实时采集巡检图像并进行故障的判断，极大地提高了精确性和客观性。

现阶段大部分无人机采集图像的处理采用YOLO系列算法。YOLO系列是一种一阶段的目标检测算法，对于输入的图像，在回归思想的影响下，利用一个深度卷积神经网络便可以得到所需检测目标的位置以及种类信息。这种算法因为只有一阶段，所以检测速度很高，在各种需要实时检测的环境中经常得到应用。现在的YOLO系列算法中主要是YOLOv3以及YOLOv4。

YOLO算法的背景误检率低，通用性强，但是对比于R-CNN系列算法，YOLO对于物体的识别位置精准度较小且召回率低，但是此次对于电力线上的异物检测，首先我们需要对电力线上存在的异物种类进行检测，并能精确的标注出电力线上异物所在的位置，而YOLO系列算法并不能满足此类要求；同时，YOLO系列算法对于深度学习时所用的训练集大小有着一定的要求，目前无人机对电力线巡检时获得的图片非常的少，同时在电力线上有异物或者电力线断股等电力线异常状态出现的情况也十分少，此时使用对训练集大小有着比较苛刻要求的YOLO系列算法就会存在着训练效果不好、检测目标的效果也不好的情况。

首先选择CNN系列技术，但发现CNN对GPU的负荷太大，于是对图像进行Sobel算子边缘提取、Hough变换直线检测等预处理技术，使得漏检率大大降低，并且减轻了对GPU的消耗，同时改进的Epoch和学习率大小使得检测效率更高。

发明内容

针对背景技术存在的问题，本发明提供一种基于Faster R-CNN算法的电力线风筝异物检测方法，能够在复杂背景的图像中定位识别电力线并判断是否存在风筝等异物。

为解决上述技术问题，本发明采用如下技术方案：基于Faster R-CNN的电力线异物检测方法，包括训练模式和诊断模式；包括以下步骤：

步骤1、对巡检图像进行图像预处理，包括图像灰度化、图像灰度均衡化、对图像进行高斯滤波，去除在图像采集时出现的高斯噪声；

步骤2、对预处理后的图像利用Sobel算子进行边缘提取、然后对提取的边缘二值图像进行膨胀填充处理或腐蚀处理，利用Hough变换进行直线检测；