[发明专利]一种接触网绝缘子可见光图像检测方法

说明书

本发明公开了一种接触网绝缘子可见光图像检测方法，属于接触网绝缘子检测领域，该方法包括根据接触网绝缘子可见光图像，得到接触网绝缘子图像集，并构建接触网绝缘子数据集；根据接触网绝缘子数据集，构建并训练基于改进RetinaNet的绝缘子目标检测模型，得到最优绝缘子检测模型；利用最优绝缘子检测模型，对待测图像进行检测，得到种类预测结果和锚框位置参数调整结果；根据种类预测结果和锚框位置参数调整结果，对含有接触网绝缘子目标的预设锚框进行调整，输出带有预测框的接触网绝缘子目标检测结果图像，完成对接触网绝缘子可见光图像的检测。本发明解决了接触网绝缘子目标检测效果不佳，定位精准度低的问题。

技术领域

本发明属于接触网绝缘子检测领域，尤其涉及一种接触网绝缘子可见光图像检测方法。

背景技术

接触网系统是电气化铁路的重要组成，其状态优劣直接影响牵引供电质量及铁路运行，保证接触网系统的可靠与稳定是铁路检修与运维的重要一环。绝缘子作为接触网牵引供电系统中的关键部件，同时起电气绝缘与结构支撑作用，其长期工作于自然环境中，易受外部因素影响而发生破损、脏污及老化等各类故障，影响铁路系统的正常运行。因此，需要定期对绝缘子进行检修与维护，及时检测到绝缘子异常状态，可有效降低事故发生的概率，减少由此带来的经济损失。

人工检测方法由于工作效率低、危险性高等特点，已被自动化识别检测方法广泛取代。目前，对绝缘子的检测方法主要分为两大类：

1、传统图像处理方法：使用人工设计的特征描述子提取图像的纹理、边缘、颜色等特征，而后通过模板匹配等方式进行特征的匹配与定位。

2、深度学习方法：基于卷积神经网络的深度学习方法通过自动抓取图像较为抽象的高维特征来代替手工低维特征，使学习到的特征更具有代表性，包含更多语义信息，使得绝缘子目标定位的精度与鲁棒性有了很大提高。

目前基于深度学习的绝缘子检测研究较少，且主流思路为直接使用经典深度学习检测模型，通过调整预设检测框大小和参数进行优化，大多未考虑绝缘子数据集自身长宽比较大等特点及实际检测场景，实际检测效果一般。

发明内容

针对现有技术中的上述不足，本发明提供的一种接触网绝缘子可见光图像检测方法解决了接触网绝缘子目标检测效果不佳，定位精准度低的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种接触网绝缘子可见光图像检测方法，包括以下步骤：

S1、获取接触网绝缘子可见光图像，并对所述接触网绝缘子可见光图像进行预处理，得到接触网绝缘子图像集；

S2、根据所述接触网绝缘子图像集，构建接触网绝缘子数据集；

S3、构建基于改进RetinaNet的绝缘子目标检测模型；

S4、根据所述接触网绝缘子数据集，训练基于改进RetinaNet的绝缘子目标检测模型，得到最优绝缘子检测模型；

S5、根据所述最优绝缘子检测模型，对待测图像进行检测，得到种类预测结果和锚框位置参数调整结果；

S6、根据所述种类预测结果和锚框位置参数调整结果，对含有接触网绝缘子目标的预设锚框进行调整，输出带有预测框的接触网绝缘子目标检测结果图像，完成对接触网绝缘子可见光图像的检测。