[发明专利]基于深度学习的电力绝缘端子缺陷检测方法在审
| 申请号： | 201811134295.6 | 申请日： | 2018-09-27 |
| 公开（公告）号： | CN109389160A | 公开（公告）日： | 2019-02-26 |
| 发明（设计）人： | 李胜;胥安东;茅耀斌;郭健;陆亚涵;李萌;王天野 | 申请（专利权）人： | 南京理工大学 |
| 主分类号： | G06K9/62 | 分类号： | G06K9/62;G06N3/04 |
| 代理公司： | 南京理工大学专利中心 32203 | 代理人： | 马鲁晋 |
| 地址： | 210094 江*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的电力绝缘端子缺陷检测方法。本发明主要分为4个步骤：(1)利用巡检机器人采集的含有绝缘端子的图像集依次对小型卷积神经网络、中型卷积神经网络以及大型卷积神经网络进行训练；(2)巡检机器人到达指定位置获取图片，利用小型全卷积网络生成候选窗,使用边界框回归的方法校正候选窗，使用非极大值抑制(NMS)合并重叠的候选窗，并输入到中型全卷积网络；(3)利用中型全卷积网络改善候选窗，拒绝掉大部分生成的误分类窗口，继续使用边界框回归的方法和NMS合并，并将筛选后的候选窗输入到大型全卷积网络；(4)利用大型全卷积网络拒绝掉中型卷积网络生成的误分类窗口，输出分类结果。 | ||
| 搜索关键词： | 卷积 候选窗 绝缘端子 卷积神经网络 巡检机器人 缺陷检测 网络生成 边界框 网络 非极大值抑制 分类结果 神经网络 位置获取 大型卷 图像集 合并 分类 回归 校正 采集 筛选 输出 学习 图片 | ||
【主权项】：
1.一种基于深度学习的电力绝缘端子缺陷检测方法，其特征在于，具体步骤为：步骤1、利用巡检机器人采集的含有绝缘端子的图像集依次对小型卷积神经网络、中型卷积神经网络以及大型卷积神经网络进行训练；步骤2、巡检机器人到达指定巡检点获取图片，利用训练过的小型卷积神经网络以及获取的图片生成多个绝缘端子候选窗,使用非极大值抑制NMS算法合并重叠的候选窗，并将输入到中型卷积神经网络；步骤3、利用中型卷积神经网络改善步骤2中生成的绝缘端子候选窗，去除步骤2中生成的误分类候选窗，继续使用非极大值抑制NMS算法合并候选窗，并将筛选后的候选窗输入到大型卷积神经网络；步骤4、利用大型卷积神经网络改善步骤3中生成的绝缘端子候选窗，去除步骤3中生成的误分类候选窗，使用非极大值抑制NMS算法合并候选窗，同时把大型卷积神经网络的底层特征连接到分类网络进一步提取特征，对绝缘端子的缺陷类型进行分类并输出缺陷分类结果。
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京理工大学，未经南京理工大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201811134295.6/，转载请声明来源钻瓜专利网。
