[發明專利]基于深度學習的輸電設備缺陷檢測方法及系統

在審

• 申請號: 201811547326.0
• 申請日: 2018-12-17
• 公開（公告）號: CN109785288A
• 公開（公告）日: 2019-05-21
• 發明（設計）人: 胡金磊;蘇超;劉章浚;汪林生;鄺振星;羅建軍;阮偉聰;歐陽業;黃紹川;張峰;陳浩;歐銳明;唐小亮;尹祖春
• 申請（專利權）人: 廣東電網有限責任公司;廣東電網有限責任公司清遠供電局
• 主分類號: G06T7/00
• 分類號: G06T7/00;G01N21/88
• 代理公司: 北京超凡志成知識產權代理事務所(普通合伙) 11371
• 代理人: 李強

1.一種基于深度學習的輸電設備缺陷檢測方法，其特征在于，包括：

獲取輸電設備現場圖像，并根據所述輸電設備現場圖像構建樣本數據庫；

建立深度學習的檢測模型，所述檢測模型的輸入為所述樣本數據庫中的原始圖像，所述檢測模型的輸出為缺陷圖像；

將所述樣本數據庫中的圖像輸入所述檢測模型進行迭代訓練，直至達到預設的訓練次數閾值或達到預設的訓練準確度；

獲取帶有輸電設備的圖像以形成驗證集，將所述驗證集中的圖像輸入所述訓練完成后的檢測模型進行驗證，直至達到預設的驗證次數閾值或達到預設的驗證準確度；

獲取帶有輸電設備缺陷的圖像以形成測試集，將所述測試集中的圖像輸入所述驗證完成后的檢測模型進行測試，直至達到預設的測試次數閾值或達到預設的測試準確度；

將待檢測圖像輸入所述測試完成后的檢測模型進行檢測，以輸出目標缺陷圖像。

2.根據權利要求1所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述根據所述輸電設備現場圖像構建樣本數據庫的步驟，包括：

利用數據增強技術對所述輸電設備現場圖像進行變換處理，得到處理后的圖像；

根據所述輸電設備現場圖像和所述處理后的圖像共同構建樣本數據庫。

3.根據權利要求2所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述數據增強技術包括旋轉變換、反射變換、翻轉變換、縮放變換、平移變換、尺度變換和噪聲擾動中的一種或多種。

4.根據權利要求1所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，在所述檢測模型進行迭代訓練、驗證和測試時，還包括：

通過深度學習技術進行目標檢測。

5.根據權利要求4所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述通過深度學習技術進行目標檢測的步驟，包括：

對圖像進行區域選擇，并遍歷整幅圖像，選擇目標區域，定位目標的位置；

提取所述目標區域的特征信息；

通過分類器對所述特征信息進行分類。

6.根據權利要求5所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述遍歷整幅圖像的步驟，包括：

采用滑動窗口策略遍歷整幅圖像。

7.根據權利要求5所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述提取所述目標區域的特征信息的步驟，包括：

對所述目標區域進行基礎特征提取，所述基礎特征包括輪廓特征和顏色特征；

對提取的所述基礎特征進行多層復雜特征提取，所述多層復雜特征包括輪廓分層特征和灰度圖像特征；

對提取的所述多層復雜特征進行權重學習，輸出權重較大的特征，以預測輸出結果。

8.根據權利要求5所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述分類器為SVM分類器或Adaboost分類器。

9.根據權利要求1所述的基于深度學習的輸電設備缺陷檢測方法，其特征在于，所述訓練次數閾值為20萬次，所述訓練準確度為90％；

所述驗證次數閾值為12萬次，所述驗證準確度為95％；

所述測試次數閾值為10萬次，所述測試準確度為99％。

10.一種基于深度學習的輸電設備缺陷檢測系統，其特征在于，包括：

樣本數據庫建立模塊，用于獲取輸電設備現場圖像，并根據所述輸電設備現場圖像構建樣本數據庫；

檢測模型建立模塊，用于建立深度學習的檢測模型，所述檢測模型的輸入為所述樣本數據庫中的原始圖像，所述檢測模型的輸出為缺陷圖像；

訓練模塊，用于將所述樣本數據庫中的圖像輸入所述檢測模型進行迭代訓練，直至達到預設的訓練次數閾值或達到預設的訓練準確度；

驗證模塊，用于獲取帶有輸電設備的圖像以形成驗證集，將所述驗證集中的圖像輸入所述訓練完成后的檢測模型進行驗證，直至達到預設的驗證次數閾值或達到預設的驗證準確度；

測試模塊，用于獲取帶有輸電設備缺陷的圖像以形成測試集，將所述測試集中的圖像輸入所述驗證完成后的檢測模型進行測試，直至達到預設的測試次數閾值或達到預設的測試準確度；

檢測輸出模塊，用于將待檢測圖像輸入所述測試完成后的檢測模型進行檢測，以輸出目標缺陷圖像。