[发明专利]一种改进CenterNet的输电线路绝缘子缺陷检测方法

说明书

本发明公开了一种改进CenterNet的输电线路绝缘子缺陷检测方法。其包括：输电线路绝缘子图片的拍摄，从采集的图像中抽取图片样本并进行预处理，将预处理后的图片划分为训练数据集和测试数据集，构建改进的CenterNet网络并用训练数据集进行训练，用测试数据集对网络性能进行评估。该方法通过图像的目标检测实现绝缘子缺陷的检测，相对于传统的人工检查作业方式或者传统图像检测技术，避免了时间、人力和物力的浪费，节约了成本；使用改进的CenterNet网络提高了网络训练的精度，减小了识别的错误率。

技术领域

本发明属于图像识别应用领域，具体涉及一种改进CenterNet的输电线路绝缘子缺陷检测方法。

背景技术

目标检测，是一种从静态图像或动态视频中检测出感兴趣目标，并同时预测出它们的位置和大小的重要技术。有效的图像识别方法是实现目标跟踪、场景解析、环境感知等智能识别任务的前提和基础。在实际生活中，图像识别技术有十分广泛的应用，如自动驾驶领域的行人/车辆检测技术、安防领域的人脸识别技术等，都是以图像识别为基础而实现的。

绝缘子作为输配电网重要保护器件，被广泛使用在电力传输场合。由于长期经受机电负荷、大气污染、冷热变化等作用，绝缘子本身会出现磨损、老化、缺损等，使其绝缘性能和机械性能会下降。进而影响电力输送的可靠性和稳定性，给电网造成安全隐患，甚至会出现放电、故障停电等事故。早期传统的绝缘子检测主要是采用人工巡检方式，就是利用工人对绝缘子进行质量检测查看其是否存在缺陷，但是采用人工检测的方法存在着缺点，如绝缘子使用数量庞大需耗费大量时间和人力，高空作业加上恶劣天气影响使检测精确度低且存在许多安全隐患等问题。由于传统人工巡检存在诸多弊端，研究人员提出并尝试图像处理实现对绝缘子的检测，基于深度学习模型检测绝缘子可以达到良好的检测效果。其中YOLO模型在目标检测领域得到了广泛应用，然而由于YOLO需要候选区域设置多个锚框并且网络层数较多，模型训练后的权重文件在实际应用在占用较大的内存资源，检测速度受限，在复杂的背景下难以准确地、快速地检测绝缘子。

发明内容

针对上述问题，本发明的目的是提供一种改进的CenterNet目标检测方法，用来检测输电线路绝缘子的缺陷。相对于传统的人工检查作业方式或者基于传统图像处理技术的方法，本方法不再使用锚框，而是通过确定关键点来回归目标的宽高类别和位置，减少了网络超参数的数量。利用改进的CenterNet目标检测方法对绝缘子图像进行检测一方面可以提高检测的速度、准确度、稳定性；另一方面可以进一步提高缺陷基础信息的收集、分析和管理功能。

为了达到上述目的，本发明所采用的技术方案为：

一种基于改进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；