[發明專利]一種輸電線路圖像缺陷檢測方法、裝置、設備及介質

在審

• 申請號: 202011322962.0
• 申請日: 2020-11-23
• 公開（公告）號: CN112419268A
• 公開（公告）日: 2021-02-26
• 發明（設計）人: 張顯聰;楊玨;范旭娟;陳雁;何錦強;廖永力;朱登杰;黃增浩
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局;南方電網科學研究院有限責任公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環專利商標代理有限公司 44202
• 代理人: 麥小嬋;郝傳鑫

本發明涉及計算機圖像分類技術領域，公開了一種輸電線路圖像缺陷檢測方法、裝置、設備及介質，通過獲取輸電線路圖像的樣本集，對所述樣本集進行預處理，并將經過預處理后的樣本集分為訓練集、驗證集和測試集，然后構建雙通道CNN圖像分類模型，將所述訓練集和所述驗證集輸入到所述雙通道CNN圖像分類模型中進行訓練，得到訓練好的雙通道CNN圖像分類模型，最后將所述測試集輸入到所述訓練好的雙通道CNN圖像分類模型中，對所述測試集中的每一個圖像進行檢測，獲得所述圖像的缺陷檢測結果。能夠對輸電線路圖像的缺陷進行準確檢測，進一步提高對輸電線路圖像的缺陷進行分類的準確率，從而能夠及時發現并處理輸電線路的故障，減少不必要的經濟損失。

技術領域

本發明涉及計算機圖像分類技術領域，尤其涉及一種輸電線路圖像缺陷檢測方法、裝置、設備及介質。

背景技術

電力系統作為一種涉及民生的基礎資源，對社會的正常生產以及民眾的日常生活具有極其重要的意義。但是電氣線路大多運行在偏遠地區，周圍環境地形復雜，暴露在室外難免會受到雷電、強風、鳥害等外界因素影響，一旦發現問題卻沒有即時處理，很容易造成大面積停電，進而造成大量的經濟損失等嚴重后果。因此，對輸電線路圖像的缺陷識別是輸配電線路中必不可少的環節。

目前最常見的輸電線路缺陷識別包括鳥巢缺陷識別與絕緣子缺陷識別，鑒于輸電線路缺陷背景復雜，缺陷不明顯，數量巨大等因素，在沒有豐富經驗的情況下，僅憑肉眼不易高效的分辨出缺陷圖像。因此，自動化識別輸電線路的缺陷就顯得十分重要。

目前，深度學習已經成為解決圖像分類問題的一種重要方法，尤其是基于卷積神經網絡(Convolutional Neural Network，CNN)的深度學習，該方法能夠更加準確的接近圖像的高級語義特征，并已在圖像分類方面取得了突破性進展。在現有研究中，出現了利用AlexNet網絡提取第六和第七個連接層的全連接層的特征圖對絕緣子圖像進行分類，或者采用Faster R-CNN算法為基礎，利用ZF-NET網絡提取鳥巢特征圖，修正后輸出矩陣候選區域并利用檢測窗口完成有無鳥巢的檢測等針對缺陷圖像進行分類的研究，但是上述這些研究都面臨著分類精度不高的問題。

發明內容

本發明的目的是提供一種輸電線路圖像缺陷檢測方法、裝置、設備及介質，能夠對輸電線路圖像的缺陷進行準確檢測，進一步提高對輸電線路圖像的缺陷進行分類的準確率，從而能夠及時發現并處理輸電線路的故障，減少不必要的經濟損失。

為實現上述目的，本發明實施例提供了一種輸電線路圖像缺陷檢測方法，包括以下步驟：

獲取輸電線路圖像的樣本集，對所述樣本集進行預處理，并將經過預處理后的樣本集分為訓練集、驗證集和測試集；其中，所述輸電線路圖像包括輸電線路絕緣子圖像和輸電線路鳥巢圖像；

構建雙通道CNN圖像分類模型；其中，所述雙通道CNN圖像分類模型由特征提取層、特征融合層和圖像分類層組成，所述特征提取層由基于殘差網絡結構的兩個并行分支構成，所述兩個并行分支分別用于提取所述樣本集中的每一個圖像的全局特征和局部特征，所述特征融合層用于對所述全局特征和所述局部特征進行融合，得到所述樣本集中的每一個圖像對應的特征向量，所述圖像分類層用于通過對融合后的特征向量進行分類，判斷所述樣本集中的每一個圖像是否為缺陷圖像；

將所述訓練集和所述驗證集輸入到所述雙通道CNN圖像分類模型中進行訓練，得到訓練好的雙通道CNN圖像分類模型；

將所述測試集輸入到所述訓練好的雙通道CNN圖像分類模型中，對所述測試集中的每一個圖像進行檢測，獲得所述圖像的缺陷檢測結果。

進一步的，獲取輸電線路圖像的樣本集，對所述樣本集進行預處理，并將經過預處理后的樣本集分為訓練集、驗證集和測試集，具體步驟為：

獲取輸電線路圖像的樣本集，將所述樣本集中每一個圖像的大小統一調整為224*224；