[发明专利]一种改进CenterNet的输电线路绝缘子缺陷检测方法

权利要求书

1.一种改进CenterNet的输电线路绝缘子缺陷检测方法，其特征在于，所述方法包括下述步骤：

(1)采用高分辨率摄像机搭载在无人机上，拍摄绝缘子的图片，获取不同类型、不同角度的图片；

(2)从拍摄的绝缘子图片中抽取图片样本并对其进行预处理：

(2a)对获取到的数据进行筛选，去掉模糊以及图片质量太差的样本；

(2b)对绝缘子缺陷图像进行扩充操作。通过对图片进行随机左右翻转、上下翻转、比例放缩以及改变光线处理，增加数据数量，扩充不同角度下的缺陷样本；

(2c)采用高斯滤波去除噪声，平滑图像；

(2d)对图片进行直方图均衡化提高对比度，以增强图像突出缺陷的特征，提高图像的清晰度；

(3)对绝缘子的不同大小、不同角度和不同类型的图像采集800张，选取600张图片作为本文网络的训练样本，将每张图片样本的图片名与绝缘子的状态相对应，本实验绝缘子的状态仅两种，正常的Normal和有缺陷的Defective，并保存到train.txt文件中，训练样本和train.txt文件构成了训练数据集。同理，选取剩下的200张和text.txt文件构成了测试数据集；

(4)构建本算法改进的CenterNet网络并用训练数据集进行训练。CenterNet网络由编码，解码以及预测网络三部分组成，编码网络选用Resnet50作为主干网络，conv1采用3*3的动态卷积，3*3的Max pool，并且添加了ESCA注意力机制。将原来convblock中3*3卷积替换为即插即用的Ghost Module。每个残差块都由1个3×3卷积层、2个1×1卷积层、3个BN层和3个ReLU单元构成。解码网络利用GCNet对不同尺寸的特征图进行全局上下文特征聚合，选取Resnet50中输出特征图，传入GCNet中聚合上下文信息，分别记为{C2,C3,C4,C5}。其次采用反卷积将C5变成与C4相同尺寸的特征图P5，在反卷积后跟上一个1×1的卷积调整通道数。接着将P5与C4相加得到P4，依次执行相同操作，得到输出特征图P2。最后将得到的特征图传入分支预测网络中得到三个输出。网络构建完成后，使用训练数据集进行训练，训练步骤如下：

(4a)随机初始化CenterNet中各层所有的权重值(w)和偏移值(b)；

(4b)向CenterNet输入层中输入图片样本；

(4c)通过网络进行逐步计算得到三个输出判断值

(4d)计算损失函数，本算法损失函数包含了中心点预测损失(L_k)、中心点偏置损失(L_o)以及宽高损失(L_s)。为使本算法构建的模型在反向传播时参数收敛更快，根据各个分支的重要程度对分支损失函数设置了权重，分别是λ_s＝0.1，λ_o＝1，总体的损失函数为：L_det＝L_k+λ_sL_s+λ_oL_o。

L_k中心点损失函数为：

其中N为当前检测图片中目标个数，xyc表示热力图xy位置上当前类别为c，将α，β分别设置为2和4，可以好地提高算法检测精度。

L_s偏置损失函数为：其中，k代表当前检测目标，是预测出来的宽高信息，S_k是真实宽高信息。经过特征提取网络之后对图像进行了下采样，将得到的热力图映射到原始图像上时中心点位置会有微小的误差，为了消除误差就引入了L_o偏置损失：其中，P代表目标中心点坐标，是预测出来的中心点坐标，R为下采样因子。

(4e)使用反向传播算法计算出网络各层权重值w和偏移值b以及变化值Δw和Δb，

(4f)使用lr、Δw和Δb的值更新网络中w和b，w^[i]＝w^[i]-lr*Δw^[i]，b^[i]＝b^[i]-lr*Δb^[i]；

(4g)判断是否为训练数据集中最后1个样本，若不是最后1个样本，则选择下1个样本，并跳转到(4b)；若是最后1个样本，则跳转到(4h)；

(4h)判断迭代是否结束，若没有结束，则重新选择训练样本，迭代数S＝S+1，跳到(4b)；若S＝100迭代结束，则跳转到(4i)；

(4i)将网络中的所有权重值w和偏移值b固定并保存，训练结束；

(5)用步骤(3)中得到的200张测试数据集对训练好的网络进行评估,将测试数据集中所有图片样本依次输入到网络中,记录下每张图片样本的输出判断值并将这三个输出判断值与test.txt文件中包含的对应标签值Y_xyc、S_k、P进行比较，在测试数据集中所有图片样本全部判断完成后，计算出判断准确率。