[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

说明书

本发明实施例公开了一种基于深度学习的输配电线路图像识别方法及设备，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；通过利用第一识别网络和第二识别网络两个不同的网络在输配电线路机巡图像数据集上进行训练，得到输电线路设备缺陷的特征提取模型；随后在模型中引入非极大值抑制判别器，对二个网络的特征提取结果进行分析最终得到巡检图片中缺陷的类型和位置，增强了模型对于复杂环境的适应能力。

技术领域

本发明涉及输配电线路缺陷识别技术领域，尤其涉及一种基于深度学习的输配电线路图像识别方法及设备。

背景技术

随着输配电线路的不断延伸，巡线工作量的增加与巡线人员不足的矛盾日益凸显。传统的人工巡检方式效率低下﹐难以适应山地、跨越河流等区域的输配电线路巡检，不能形成结构化﹑精细化、智能化的巡线体系。近年来，无人机巡检以其效率高、能适应复杂环境、操作简便、成本低等众多优点引起了广泛关注，众多电力研究机构投入了大量人力物力进行无人机或机器人电力巡检的研究。通过搭载图像采集装置，无人机或机器人能够快速采集输配电线路的图像和视频数据，大大减少巡检工作量，降低巡线的危险性。传统方法，在得到巡检图像数据后，采用人工判读大量的无人机巡线图片和视频，但是人工判别需要花费较多的人力和时间，而且巡检图像背景复杂，容易造成人工无法判别、导致巡视不到位等问题。

近年来，随着人工智能技术的发展，现有技术中已经有将深度学习模型引入到输配电线路的图像识别领域，例如：采用YOLOv5卷积神经网络模型构建相应的识别模型。但是应根据深度学习模型的原理可知，深度学习的学习能力完全取决于训练样本的准确度，如果训练样本存在瑕疵，那么可能会训练得到的模型也存在一定的识别盲区，同时输电线路的巡检图像背景复杂、在训练样本的准确构建上存在一定的难度，因此现有技术在采用单一模型进行识别时，可能会存在识别准确度不高、检测不全面的问题，难以实现工程应用价值的问题。

发明内容

有鉴于此，本发明提出一种基于深度学习的输配电线路图像识别方法，用于解决现有输配电线路图像缺陷识别方法准确度不高、识别不全面的问题。为达上述之一或部分或全部目的或是其他目的，本发明提出一种基于深度学习的输配电线路图像识别方法，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。

根据一种具体的实施方式，上述基于深度学习的输配电线路图像识别方法中，采用NMS非极大值抑制算法作为所述目标检测后处理算法。

根据一种具体的实施方式，上述基于深度学习的输配电线路图像识别方法中，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。

根据一种具体的实施方式，上述基于深度学习的输配电线路图像识别方法中，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。