[发明专利]一种基于深度学习的输配电线路图像识别方法及设备

权利要求书

1.一种基于深度学习的输配电线路图像识别方法，其特征在于：包括：

预先建立第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型；

获取待识别输配电线路图像，将所述待识别输配电线路图像分别输入至所述第一输配电线路图像缺陷识别模型与第二输配电线路图像缺陷识别模型中，生成第一识别结果与第二识别结果；

利用目标检测后处理算法对所述第一识别结果与第二识别结果进行融合判别，生成第三识别结果。

2.如权利要求1所述的基于深度学习的输配电线路图像识别方法，其特征在于：所述目标检测后处理算法为NMS、Soft NMS、Softer NMS、Adaptive NMS、IoUNet中的一种。

3.如权利要求1所述的基于深度学习的输配电线路图像识别方法，其特征在于：基于Faster R-CNN网络预先建立所述第一输配电线路图像缺陷识别模型。

4.如权利要求3所述的基于深度学习的输配电线路图像识别方法，其特征在于：所述基于Faster R-CNN网络预先建立所述第一输配电线路图像缺陷识别模型，包括：

采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第一输配电线路图像数据集；

采用第一图像数据增广方法，对所述第一输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；

基于所述扩充后的输配电线路图像数据集对所述Faster R-CNN网络进行训练，直到网络满足条件收敛，得到所述第一输配电线路图像缺陷识别模型。

5.如权利要求4所述的基于深度学习的输配电线路图像识别方法，其特征在于：所述第一图像数据增广方法为像镜像、平移、缩放、旋转、裁剪、高斯噪声中的一种或多种。

6.如权利要求1-5任一所述的基于深度学习的输配电线路图像识别方法，其特征在于：基于改进型YOLOX网络预先建立所述第二输配电线路图像缺陷识别模型；其中，利用RandomHorizontal Flip、Color Jitter和多尺度数据扩大模块替换所述YOLOX网络的RandomResized Crop模块，得到所述改进型YOLOX网络。

7.如权利要求6所述的基于深度学习的输配电线路图像识别方法，其特征在于：所述基于YOLOX网络预先建立所述第二输配电线路图像缺陷识别模型，包括：

采集多张输配电线路图像，并对采集到的输配电线路图像进行标注，标注图像中线路缺陷的边界框与类别，得到第二输配电线路图像数据集；

采用第二图像数据增广方法，对所述第二输配电线路图像数据集进行数据集扩充，得到扩充后的输配电线路图像数据集；

基于所述扩充后的输配电线路图像数据集，引入EMA权值更新和/或余弦函数学习率机制对所述改进型YOLOX网络进行训练，直到网络满足条件收敛，得到所述第二输配电线路图像缺陷识别模型。

8.如权利要求7所述的基于深度学习的输配电线路图像识别方法，其特征在于：所述第二图像数据增广方法为Moaic数据增强算法、和/或Mizup数据增强算法。

9.如权利要求7所述的基于深度学习的输配电线路图像识别方法，其特征在于：在对所述改进型YOLOX网络的Reg分支进行训练时，以IOU损失函数为所述Reg分支的损失函数。

10.一种电子设备，其特征在于：包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的基于深度学习的输配电线路图像识别方法。