絕緣子缺陷檢測模型訓練方法、檢測方法及相關設備技術

本申請公開了絕緣子缺陷檢測模型訓練方法、檢測方法及相關設備，方法包括：獲取無人機拍攝的絕緣子航拍圖像，并對所述絕緣子航拍圖像中存在的絕緣子缺陷部分進行人工標注；通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，形成訓練絕緣子圖像集；以所述訓練絕緣子圖像集為訓練數據，以IC損失算法檢測的總損失小于預設值為訓練目標，對絕緣子缺陷檢測模型的參數進行調整，得到訓練完成的絕緣子缺陷檢測模型。通過擴增仿射變換算法克服了航拍圖像不足和訓練圖像正常與含缺陷的圖像比例不均導致的檢測精度低困難，通過絕緣子缺陷檢測模型自身攜帶的分類器，實現了在雜亂的背景和植被區域，依舊保留原有模型的高精性能。高精性能。高精性能。

【技術實現步驟摘要】
絕緣子缺陷檢測模型訓練方法、檢測方法及相關設備


[0001]本申請涉及缺陷檢測領域，更具體地說，涉及絕緣子缺陷檢測模型訓練方法、檢測方法及相關設備。

技術介紹

[0002]我國地理面積廣闊，輸電線路規模大，且隨著經濟快速發展，輸電線路將繼續擴建。輸電線路所在環境復雜，一般位于茂密叢林、水庫、崇山峻嶺等偏僻危險區域。輸電線路在電力系統中處于支柱地位，必須要定時進行巡檢。
[0003]以往的絕緣子缺陷故障排查主要依靠人工，然而人工巡檢的方式有諸多缺點，如效率低下、人力成本髙等，并且輸電線路多分布在環境惡劣的荒郊野外，人工難以做到全方位的巡檢，輸電線路的高壓環境也威脅著前線工人的生命安全。
[0004]隨著航拍技術的不斷發展，現在航拍已經能夠提供高質量的穩定畫面，甚至在長焦距鏡頭下也非常穩定，可被運用于軍事、交通建設、水利工程、生態研究、城市規劃等方面。因此，考慮通過航拍技術結合智能識別檢測代替人工作業現場視察，以規避人工巡檢危險程度高、檢測效率低等問題。由于采集的絕緣子圖像一般正常狀態的絕緣子，而有缺陷的絕緣子圖像樣本數量較小，存在航拍的絕緣子缺陷圖像不足和每類樣本不均衡的問題，而卷積神經網絡又需要大量的絕緣子圖像進行訓練，以確保模型的檢測正確率，從而影響模型的實際應用。
[0005]同時在測試狀態下，大多采用簡單的背景作為絕緣子圖像的檢測環境，這導致原本在理想數據集中檢測精度高的模型，在戶外實際使用時，檢測效果遠遠達不到電網運維的正常需要，這導致技術落地效果并不理想。

技術實現思路
/>[0006]有鑒于此，本申請提供了絕緣子缺陷檢測模型訓練方法、檢測方法及相關設備，克服了航拍圖像不足和訓練圖像正常與含缺陷的圖像比例不均導致的檢測精度低困難，實現了在雜亂復雜的地區環境下，依舊保留模型檢測的高精性能。
[0007]一種絕緣子缺陷檢測模型的訓練方法，包括：
[0008]獲取無人機拍攝的絕緣子航拍圖像，并對所述絕緣子航拍圖像中存在的絕緣子缺陷部分進行人工標注；
[0009]通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，形成訓練絕緣子圖像集；
[0010]以所述訓練絕緣子圖像集為訓練數據，以IC損失算法檢測的總損失小于預設值為訓練目標，對絕緣子缺陷檢測模型的參數進行調整，得到訓練完成的絕緣子缺陷檢測模型。
[0011]可選的，所述絕緣子缺陷檢測模型由6個依次連接的VGG
?
16網絡、一個CLASS分類器以及一個NMS算法層組成；
[0012]所述VGG
?
16網絡通過卷積操作生成特征矩陣，并提取出特征值；
[0013]所述CLASS分類器基于各個所述VGG
?
16網絡提取出的特征值，生成若干候選缺陷部分預測框；
[0014]所述NMS算法層篩選出所述候選缺陷部分預測框中的最優預測框，并作為輸出結果。
[0015]可選的，以IC損失算法檢測總損失，包括：
[0016]根據所述絕緣子缺陷檢測模型輸出的缺陷部分預測框的位置與所述人工標注的絕緣子缺陷框的位置偏差，確定定位損失；
[0017]根據所述絕緣子缺陷檢測模型輸出的缺陷部分預測的正確性，確定置信度損失；
[0018]基于所述定位損失和所述置信度損失計算得到總損失。
[0019]可選的，基于所述定位損失和所述置信度損失計算得到總損失的計算公式為：
[0020][0021]其中，L
total
為總損失，N為缺陷部分預測正確的預測框數量，L
conf
為置信度損失，L
loc
為定位損失，為定位損失的加權系數。
[0022]可選的，通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，形成訓練絕緣子圖像集，包括：
[0023]將所述人工標注的絕緣子航拍圖像轉換為對應的原始二維矩陣；
[0024]結合預置的圖像像素矩陣以及預設的變換超參數，對所述二維區域矩陣進行矩陣變換，生成擴增二維矩陣；
[0025]根據所述原始二維矩陣和所述擴增二維矩陣還原的圖像，形成訓練絕緣子圖像集。
[0026]可選的，結合預置的圖像像素矩陣以及預設的變換超參數，對所述二維區域矩陣進行矩陣變換，生成擴增二維矩陣的計算公式為：
[0027][0028][0029]h＝[p,q,1]T
[0030]其中，Y為原始二維矩陣，y
11
、y
12
、y
21
和y
22
分別為原始二維矩陣四分部分矩陣，t1和t2為變換超參數，p和q分別為圖像像素矩陣對應的齊次矩陣的系數和余數。
[0031]一種絕緣子缺陷檢測方法，包括：
[0032]獲取無人機拍攝的待檢測絕緣子航拍圖像；
[0033]將所述絕緣子航拍圖像輸入如上述任一項所述的絕緣子缺陷檢測模型的訓練方法訓練得到的絕緣子缺陷檢測模型中，生成標注有缺陷部分預測框的絕緣子航拍圖像。
[0034]一種絕緣子缺陷檢測模型的訓練裝置，包括：
[0035]圖像獲取單元，用于獲取無人機拍攝的絕緣子航拍圖像，并對所述絕緣子航拍圖像中存在的絕緣子缺陷部分進行人工標注；
[0036]仿射變換單元，用于通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進
行數據增強，形成訓練絕緣子圖像集；
[0037]模型訓練單元，用于以所述訓練絕緣子圖像集為訓練數據，以IC損失算法檢測的總損失小于預設值為訓練目標，對絕緣子缺陷檢測模型的參數進行調整，得到訓練完成的絕緣子缺陷檢測模型。
[0038]一種絕緣子缺陷檢測模型的訓練設備，包括存儲器和處理器；
[0039]所述存儲器，用于存儲程序；
[0040]所述處理器，用于執行所述程序，實現如上述任一項所述的絕緣子缺陷檢測模型的訓練方法的各個步驟。
[0041]一種可讀存儲介質，其上存儲有計算機程序，所述計算機程序被處理器執行時，實現如上述任一項所述的絕緣子缺陷檢測模型的訓練方法的各個步驟。
[0042]從上述的技術方案可以看出，本申請實施例提供的絕緣子缺陷檢測模型訓練方法、檢測方法及相關設備，獲取無人機拍攝的絕緣子航拍圖像，并對所述絕緣子航拍圖像中存在的絕緣子缺陷部分進行人工標注，通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，形成訓練絕緣子圖像集。以所述訓練絕緣子圖像集為訓練數據，以IC損失算法檢測的總損失小于預設值為訓練目標，對絕緣子缺陷檢測模型的參數進行調整，得到訓練完成的絕緣子缺陷檢測模型。
[0043]本申請提出的緣子缺陷檢測模型訓練方法采用擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，克服了航拍圖像不足和訓練圖像正常與含缺陷的圖像比例不均導致的檢測精度低困難。絕緣子缺陷檢測方法通過絕緣子缺陷檢測模型自身攜帶的CLASS分類器，實現了在雜亂的背景和本文檔來自技高網...

【技術保護點】

【技術特征摘要】
1.一種絕緣子缺陷檢測模型的訓練方法，其特征在于，包括：獲取無人機拍攝的絕緣子航拍圖像，并對所述絕緣子航拍圖像中存在的絕緣子缺陷部分進行人工標注；通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，形成訓練絕緣子圖像集；以所述訓練絕緣子圖像集為訓練數據，以IC損失算法檢測的總損失小于預設值為訓練目標，對絕緣子缺陷檢測模型的參數進行調整，得到訓練完成的絕緣子缺陷檢測模型。2.根據權利要求1所述的方法，其特征在于，所述絕緣子缺陷檢測模型由6個依次連接的VGG
?
16網絡、一個CLASS分類器以及一個NMS算法層組成；所述VGG
?
16網絡通過卷積操作生成特征矩陣，并提取出特征值；所述CLASS分類器基于各個所述VGG
?
16網絡提取出的特征值，生成若干候選缺陷部分預測框；所述NMS算法層篩選出所述候選缺陷部分預測框中的最優預測框，并作為輸出結果。3.根據權利要求1所述的方法，其特征在于，以IC損失算法檢測總損失，包括：根據所述絕緣子缺陷檢測模型輸出的缺陷部分預測框的位置與所述人工標注的絕緣子缺陷框的位置偏差，確定定位損失；根據所述絕緣子缺陷檢測模型輸出的缺陷部分預測的正確性，確定置信度損失；基于所述定位損失和所述置信度損失計算得到總損失。4.根據權利要求3所述的方法，其特征在于，基于所述定位損失和所述置信度損失計算得到總損失的計算公式為：其中，L
total
為總損失，N為缺陷部分預測正確的預測框數量，L
conf
為置信度損失，L
loc
為定位損失，為定位損失的加權系數。5.根據權利要求1所述的方法，其特征在于，通過擴增仿射變換算法對所述人工標注的絕緣子航拍圖像進行數據增強，形成訓練絕緣子圖像集，包括：將所述人工標注的絕緣子航拍圖像轉換為對應的原始二維矩陣；結合預置的圖像像素矩陣以及預設的變換超參數，對所述二維區域矩陣進行矩陣變換，生成擴增二維矩陣；根據所述原始...

【專利技術屬性】
技術研發人員：劉芹，劉國特，丁澤俊，文湧華，
申請(專利權)人：廣東雙電科技有限公司，
類型：發明
國別省市：