[發明專利]基于深度學習的電力絕緣端子缺陷檢測方法

在審

• 申請號: 201811134295.6
• 申請日: 2018-09-27
• 公開（公告）號: CN109389160A
• 公開（公告）日: 2019-02-26
• 發明（設計）人: 李勝;胥安東;茅耀斌;郭健;陸亞涵;李萌;王天野
• 申請（專利權）人: 南京理工大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 馬魯晉

本發明公開了一種基于深度學習的電力絕緣端子缺陷檢測方法。本發明主要分為4個步驟：(1)利用巡檢機器人采集的含有絕緣端子的圖像集依次對小型卷積神經網絡、中型卷積神經網絡以及大型卷積神經網絡進行訓練；(2)巡檢機器人到達指定位置獲取圖片，利用小型全卷積網絡生成候選窗,使用邊界框回歸的方法校正候選窗，使用非極大值抑制(NMS)合并重疊的候選窗，并輸入到中型全卷積網絡；(3)利用中型全卷積網絡改善候選窗，拒絕掉大部分生成的誤分類窗口，繼續使用邊界框回歸的方法和NMS合并，并將篩選后的候選窗輸入到大型全卷積網絡；(4)利用大型全卷積網絡拒絕掉中型卷積網絡生成的誤分類窗口，輸出分類結果。

技術領域

本發明涉及到目標檢測方法技術，具體涉及一種基于深度學習的電力絕緣端子缺陷檢測方法。

背景技術

電力巡檢機器人需要實現變電站內自主定位與導航、電力設備缺陷檢測、自動充電等基本功能。其中核心的功能之一就是檢測現場電力設備的狀態，如絕緣端子，絕緣端子需要機器人依靠視覺傳感器進行檢測狀態。在變電站中大多數絕緣端子存在于高電壓輸線段的中，由于承受著高壓，絕緣端子可能會被擊穿、出現裂縫，此外還有常見的漏油風險。而檢測絕緣端子缺陷的前提是準確檢測到視覺圖像中有缺陷的絕緣端子位置，但大多數儀表在室外，天氣變化、光照影響是影響檢測的主要因素。利用傳統的圖像處理手段(例如SIFT特征或者HOG特征)進行檢測和識別，在光照條件變化的情況下，檢測效果不好。

發明內容

本發明的目的在于提供一種基于深度學習的電力絕緣端子缺陷檢測方法，解決現有絕緣端子檢測技術中機器人位置不定時，目標尺度、角度變化大；目標受光照影響大，檢測不準確的問題。

實現本發明目的的技術方案為：一種基于深度學習的電力絕緣端子缺陷檢測方法，具體步驟為：

步驟1、利用巡檢機器人采集的含有絕緣端子的圖像集依次對小型卷積神經網絡、中型卷積神經網絡以及大型卷積神經網絡進行訓練；

步驟2、巡檢機器人到達指定巡檢點獲取圖片，利用訓練過的小型卷積神經網絡以及獲取的圖片生成多個絕緣端子候選窗,使用非極大值抑制NMS算法合并重疊的候選窗，并將輸入到中型卷積神經網絡；

步驟3、利用中型卷積神經網絡改善步驟2中生成的絕緣端子候選窗，去除步驟2中生成的誤分類候選窗，繼續使用非極大值抑制NMS算法合并候選窗，并將篩選后的候選窗輸入到大型卷積神經網絡；

步驟4、利用大型卷積神經網絡改善步驟3中生成的絕緣端子候選窗，去除步驟3中生成的誤分類候選窗，使用非極大值抑制NMS算法合并候選窗，同時把大型卷積神經網絡的底層特征連接到分類網絡進一步提取特征，對絕緣端子的缺陷類型進行分類并輸出缺陷分類結果。

優選地，步驟1中利用巡檢機器人采集的含有絕緣端子的圖像集依次對小型卷積神經網絡、中型卷積神經網絡以及大型卷積神經網絡進行訓練的具體步驟為：

步驟1.1、從巡檢機器人采集的現場巡檢點的圖片中提取含有絕緣端子的圖像制作成數據集，并對圖像中絕緣端子進行標注；

步驟1.2、在標注好的數據集上截取絕緣端子圖片和非絕緣端子圖片，將兩類圖片送入小型卷積神經網絡進行訓練；

步驟1.3、使用步驟1.2訓練好的小型卷積神經網絡對數據集進行檢測，從檢測結果中取出被誤分類為絕緣端子的圖片作為負樣本，并取絕緣端子圖片作為正樣本，將兩類圖片送入中型卷積神經網絡進行訓練；

步驟1.4、使用步驟1.2和步驟1.3訓練好的卷積神經網絡對數據集再次檢測，從檢測結果中取出被誤分類為絕緣端子的圖片和無缺陷的絕緣端子作為一類以及有缺陷的絕緣端子K個類別，將K+1類圖片送入大型卷積神經網絡進行訓練，對絕緣端子的缺陷類型進行分類。

優選地，卷積神經網絡包括絕緣端子分類器和邊界框回歸兩個描述子，分別具體為：