[发明专利]一种基于深度学习的航拍图像绝缘子实时检测方法

摘要

本发明涉及一种基于深度学习的航拍图像绝缘子实时检测方法。将特征提取的任务交给深度卷积神经网络，提取出更加全面、更能描述绝缘子的深度特征信息，再将其输入检测器中进行预测推理，得到检测结果。整个过程是端到端的快速检测通道，输入图片最终得到目标框，提高了后续自动故障诊断的效率，有助于减轻目前巡线人员面对海量巡线数据时的检索压力与强度。同时，本发明还利用了迁移学习的思想将过去任务所得知识迁移至当前的目标任务中，使得所训练的模型具有了可继承性，每当有新的数据补充进图库时，目标模型可以在源模型的基础上继续训练新的数据，快速达到预期效果，使得旧版本的模型不会因为数据的更新而毫无用处，检测模型会随着时间的推移与数据的增多而变得愈来愈强大。

主权项

1.一种基于深度学习的航拍图像绝缘子实时检测方法，其特征在于，包括如下步骤，步骤1：建立绝缘子目标检测图像库：具体分为源图像库和目标图像库，其中，源图像库包含各类场景下的不同形态绝缘子，目标图像库中包含山林场景下的完整形态绝缘子，源图像库与目标图像库中的图像文件无交集；步骤2：建立与绝缘子目标检测图像库对应的图像标签库：目标检测图像库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件，标签文件中的信息包括：图片ID号，图片的像素高度、宽度与深度、图片的路径、图片所包含的目标种类、绝缘子目标所在区域的矩形边界框的坐标（xmin,ymin,xmax,ymax），其中（xmin,ymin）为边界框的左上顶点坐标，（xmax,ymax）为边界框的右下顶点坐标；步骤3：建立深度学习模型：采用端到端的目标检测网络SSD，具体分为基础特征提取网络和辅助网络，其中基础特征提取网络选用轻量级的CNN网络mobilenet，辅助网络选用以3x3卷积核构成的6层检测器层，辅助网络的输入为所述基础特征提取网络的不同卷积层的特征图输出；步骤4：数据集生成：将所有参与训练的图像与其对应的标签文件合成一个用于训练的、可以进行高效读取的文件；步骤5：训练源模型：利用步骤3的SSD模型通过反向传播算法在源图像库上进行训练，得到源模型；步骤6：训练目标模型：利用步骤3的SSD模型通过反向传播算法在目标图像库上进行训练，得到最终的目标模型，其中，训练所用的初始化模型为源模型，利用迁移学习的思想将源模型中部分学习所得的知识迁移至目标模型，使目标模型不但具有目标图库中山林场景下的绝缘子特征知识，还拥有源图库中不同背景、不同绝缘子形态的特征知识，其中，以目标图库为主要特征库，源图库为辅助特征库；步骤7：固化模型用于实时检测：将模型中所含的训练变量剔除，只保留前向传播的神经元权重与偏置的常量，缩小模型体积；步骤8：模型测试：将待检测的图片或者视频输入到固化后的目标模型中，用矩形边界框在原图像或者视频中标注出检测到的绝缘子目标，以及目标框中包含绝缘子的置信度得分。