[发明专利]一种基于可变形卷积的输电塔销钉缺陷检测方法

说明书

本发明涉及电气设备状态监测领域，特别涉及一种基于可变形卷积的输电塔销钉缺陷检测方法，其包含基于ResNet50与特征金字塔的目标初始检测网络、整流模块和基于可变形卷积的目标二次检测网络；引入ResNet50特征提取方式能获得目标更多的特征，同时引入特征金字塔能更好地适应目标大小变化，且采用激活函数Sigmoid，在测试图像时，降低阈值，使得更多的目标感兴趣区域作为目标初始检测区域，降低目标的漏检情况；采用整流模块对目标初始检测区域进行图像矫正，并在四个卷积层的基础上引入可变形卷积，使得目标二次检测网络能适应销钉缺陷在不同视角中的形变，准确识别形变的目标，去除目标初始检测结果中的虚警。

技术领域

本发明涉及电气设备状态监测领域，特别涉及一种基于可变形卷积的输电塔销钉缺陷检测方法。

背景技术

基于深度学习的现有目标检测方法主要分为以下几类或几个典型阶段：

1、RCNN系列，包括RCNN、Fast RCNN、Mask RCNN等，使用卷积神经网络提取候选区域的特征，并进行分类，属于目标检测的经典算法；

2、YOLO系列，包括YOLO v1、YOLO v2、YOLO v3、YOLO v4、YOLO v5、YOLO X等，YOLO系列针对与目标形状匹配的目标框计算特征，将目标分类与目标定位统一起来，算法具有高效、灵活和泛化性能好的特点；

3、SSD系列，采用多尺度特征图对多个先验框进行分析判断；

4、特征提取优化，包括FPN、RestinaNet等，FPN对不同分辨率特征进行融合，RestinaNet解决特征提取中网络层数增加产生的梯度消失、爆炸和网络退化问题。

由于输电塔螺钉相对于输电塔而言，存在目标小、背景复杂的难点，同时螺钉上的销钉缺陷样本较少，导致现有目标检测方法在输电塔的销钉缺陷智能检测方面识别存在准确率低、漏检率高的问题。

对于销钉缺陷而言，自身的形态不会发生变化，变化的是销钉缺陷的颜色、背景、拍摄角度等,现有目标检测方法对于颜色变化的适应性较好，但受限于样本少，对于拍摄角度导致的形变缺乏一定的适应性,对一些形变目标的识别，难于智能识别。

发明内容

为了克服上述所述的不足，本发明的目的是提供一种基于可变形卷积的输电塔销钉缺陷检测方法，其引入ResNet50特征提取方式能获得目标更多的特征，同时引入特征金字塔能更好地适应目标大小变化，且采用激活函数Sigmoid，在测试图像时，降低阈值，使得更多的目标感兴趣区域作为目标初始检测结果，降低目标的漏检情况，并进一步针对矫正后的目标初始检测结果，即包含销钉缺陷的局部区域，在卷积层的基础上引入可变形卷积，使得目标二次检测网络能适应销钉缺陷在不同视角中的形变，准确识别形变的目标，去除目标初始检测结果中的虚警。

本发明解决其技术问题的技术方案是：

一种基于可变形卷积的输电塔销钉缺陷检测方法，其中，包括如下步骤：

步骤S1、建立基于ResNet50与特征金字塔的目标初始检测网络，使用样本数据集对目标初始检测网络进行训练，得到目标初始检测网络的参数以及激活函数Sigmoid的基准阈值λ，且设定所述目标初始检测网络对测试图像进行销钉缺陷检测时的激活函数Sigmoid的实际阈值为λ＇，且λ＇≤λ；

步骤S2、所述目标初始检测网络得到的目标初始检测区域，即包含销钉缺陷的局部区域，输入整流模块内进行矫正，再输出矫正后的图像；