[发明专利]一种基于可见光图像数据的多尺度输电线路缺陷检测方法

摘要

本发明公开了一种基于可见光图像数据的多尺度输电线路缺陷检测方法，通过无人机搭载的高清相机获取可见光图像数据，使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库，以及多尺度物体检测算法。本发明使用了尺度归一化思想有效的防止了在迁移学习过程域漂移现象的出现；在实时检测缺陷阶段采用图像金字塔技术和滑动窗口裁剪技术有效的解决了神经网络模型不能直接检测高分辨率巡检图像的矛盾，提高了输电线路巡检的自动化程度和巡检的效率，降低了巡检人员的劳动强度，进而降低了整个电网系统的运营成本。

主权项

1.一种基于可见光图像数据的多尺度输电线路缺陷检测方法，其特征在于，所述方法包括如下步骤：步骤一：可见光图像数据的获取通过深度学习技术检测出输电线路上部件存在的缺陷；采用无人机搭载的高清相机获取影像，通过在无人机平台上搭载多台影像采集传感器，同时从垂直和东南西北四个倾斜方向，采集到五个不同角度的图像数据；步骤二：输电线路部件缺陷样本库的获取通过使用人工标注或机器自动标注、人工校正的方法获取输电线路部件缺陷的样本库；步骤三：多尺度物体检测算法1)尺度归一化训练算法a.首先使用高斯滤波器对初始输入的图像进行平滑降采样构造图像金字塔；b.将图像金字塔的每一层输入到区域推荐网络中，在每个分辨率上产生anchor box；c.选中指定范围内的推荐框和实例目标；d.将选出的有效边框输入到物体检测的网络模型中进行梯度下降训练；e.对输出的边框进行非极大值抑制；2)实时多尺度缺陷检测首先，定义R为目标物体在图像中所占的面积与原始图像面积的比，其公式如下：上式中，Area(object)为目标物体在图像中所占的面积，Area(image)为原始图像面积；当R大于等于0.1时，直接对原始图像进行缩放；在缩放时采用均值滤波器对图像进行平滑处理，最终构建出图像金字塔并将金字塔上的每一层输入到检测模型进行检测；只要在金字塔的任何一层上检测到物体实例，就认为检测到了一个物体实例，最终将检测到的坐标映射回到原始图像中的坐标；当R小于0.1，且图像的分辨大于1000万像素时，采用对高分辨的图像进行切分，再用深度学习的模型对每一个切块进行检测，其分为分割和合并两个部分；a.分割在使用深度学习模型对图像进行实时检测时，把任意尺寸的图像切分成模型可以处理的图像块，并将每个图像块传递给事先训练好的模型进行识别；切分图像的工作是通过用户预先定义好的窗口大小和重叠的程度的滑动窗口来实现；b.合并在大尺度的航拍输电线路图像中能够呈现出大尺度的空间结构，在对图像进行切分识别后，需要将识别出来的坐标还原成原来图像中的坐标；把图像块的坐标信息记录为filename_rows_column_height_width，假设识别出的目标物体相对于图像块的坐标为x，y，w，h，那么目标物体相对于原始图像的绝对坐标为：x_obj＝column+xy_obj＝rows+y上式中，filename代表初始图像文件的文件名；rows，column代表的是当前图像子块左上顶点相对原始图像左上顶点的偏移量；x_obj,y_obj代表的是当前图像子块中检测到的物体相对于原始图像左上顶点的偏移量。