[发明专利]一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法

权利要求书

1.一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法，其特征在于，包括如下步骤：

S1、耐张线夹X光图像数据集构建与预处理：构建含有“多压”、“C区漏压”、“弯曲”、“欠压”、“A区漏压”及“飞边”六类缺陷的耐张线夹数据集；采用先裁剪缺陷区域再旋转的方法进行样本扩充；利用对比度拉伸、Gamma校正、拉普拉斯算子增强、高斯滤波以及限制对比度直方图均衡化CLAHE对耐张线夹X光图像进行对比度增强处理；

S2、构建改进的YOLOv4耐张线夹X光图像缺陷检测模型：在原始YOLOv4模型的PANet网络嵌入CBAM注意力机制模块构建YOLOv4+CBAM模型；对YOLOv4主干网络CSPDarknet53中的SPP结构进行改进，在原SPP结构基础上加入CBAM注意力机制、全局平均池化和扩张率r分别为6、12和18的空洞卷积构建ASPP结构，并替换YOLOv4主干网络中的SPP结构，从而构建YOLOv4+ASPP模型；以YOLOv4+ASPP模型为基础，在YOLOv4+ASPP模型的PANet网络嵌入CBAM注意力机制模块构建YOLOv4+ASPP+CBAM模型；

S3、利用数据集对改进的YOLOv4模型与原模型进行训练与检测：预处理后的耐张线夹X光图像数据集按8：2分为训练集与测试集，再从训练集中提取10％作为验证集一并输入各模型进行训练；各模型均采用多阶段迁移学习的方式对缺陷检测模型进行训练，先冻结主干网络前200层参数训练80轮后，再解冻训练220轮，训练过程中将余弦退火衰减算法与Adam优化器相结合，对网络中各层参数进行更新，并采用早停法防止模型过拟合；此外，YOLOv4模型与YOLOv4+CBAM载入COCO数据集预训练的YOLOv4权重进行辅助训练，YOLOv4+ASPP模型与YOLOv4+ASPP+CBAM模型中的部分层并没有对应的预训练权重，训练时该部分层的参数采用随机初始化；

训练结束后取各模型损失值最小的训练权重输入各自模型中，利用测试集图像测试各模型的训练效果，获得各模型对测试集图像缺陷的第一次检测结果；

S4、融合各网络的检测结果对耐张线夹缺陷进行判定：各模型经第一次检测后，测试集中每张图像都将出现一个预测框；对同一张检测图片，将各模型检测出的预测框进行直接融合；融合后的图像采用NMS算法对新的预测框集合再次进行冗余框剔除，形成最终的预测框，依据此预测框的检测结果对耐张线夹的缺陷进行判定。

2.根据权利要求1所述的一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S1中关于缺陷的定义，其中“多压”是指铝管压接区发生形变，但变形区域超出凹凸槽范围到达非压区；“C区漏压”是指铝管与铝绞线连接处存在没有压接或未完全压接的区域；“弯曲”是指压接过程中液压机未保持水平状态，或是由于导线扭矩力作用导致每次改变压接位置时已压面与未压面发生错位导致钢锚弯曲；“欠压”是指由于压接过程中液压机出力不足或线夹放置的位置偏差，可能导致钢锚凹槽处欠压；“A区漏压”是指铝管与钢锚压接不到位；“飞边”是指钢锚管表面存在裂纹。

3.根据权利要求1所述的一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法，其特征在于，所述步骤S1中利用对比度拉伸、Gamma校正、拉普拉斯算子增强、高斯滤波以及限制对比度直方图均衡化CLAHE对耐张线夹X光图像进行对比度增强处理，其具体操作为：对输入图像先进行对比度拉伸，然后进行Gamma校正，参数γ的大小设置为0.8；对Gamma校正后的图像利用拉普拉斯算子增强耐张线夹X光图像中的边缘、纹理细节部分信息，然后采用CLAHE提升图中过暗或过亮区域的对比度；最后利用高斯滤波算法对图像进行滤波处理。