[發明專利]基于Faster R-CNN的電力線異物檢測方法

在審

• 申請號: 202111228906.5
• 申請日: 2021-10-21
• 公開（公告）號: CN113989209A
• 公開（公告）日: 2022-01-28
• 發明（設計）人: 饒佳豪;田猛;王少飛;鄭涵;姚鴻泰;李博文;龔立;王先培
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/13;G06T5/30;G06T1/60;G06N3/04;G06N3/08;G06K9/62;G06V10/25;G06V10/774;G06V10/82
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 彭艷君

本發明涉及計算機視覺電網應用技術，具體涉及基于Faster R?CNN的電力線異物檢測方法，包括訓練模式和診斷模式；訓練模式通過訓練數據集中的圖片，返回迭代損失，得到一個穩定可用的模型；診斷模式通過輸入待測試圖像，得到電力線上面是否存在風箏異物以及風箏異物位置的診斷結果?？梢杂行Ю脽o人機航拍圖像，提高圖片的利用率；成本低廉，只需要在現有的系統中增加基于aster R?CNN算法的電力線風箏異物檢測模塊，不需要增加其他硬件；訓練好的模型對于不同背景環境下的電力線風箏異物都有良好的預測效果。

技術領域

本發明屬于計算機視覺電網應用技術領域，特別涉及基于Faster R-CNN的電力線異物檢測方法。

背景技術

隨著交流輸電電力線路行業規模的發展不斷擴大，對輸電線路的維護所耗費的人力資源和財物資源也不斷的增加。許多輸電線路都架設在檢測人員不易到達的地方，并且在自然環境中的輸電線路，非常容易受到“異物”的損害，如懸掛在電力線上的塑料袋、風箏、鳥窩等，倘若不能很快的發現這些“異物”，將有可能造成電力事故，影響到居民的生活用電和工業用電。

目前對于輸電線路的巡視檢查方法，主要是工作人員順著電力線的方向逐步檢視。但是現在所架設的輸電網絡跨度大，且所在的地勢崎嶇，會給工作人員的巡檢工作帶來極大的困難和危險。無人機巡檢的出現使得巡檢工作能在安全、不受地理條件、天氣條件影響下進行。智能無人機巡檢相較于人工巡檢以及直升機巡檢，優勢為：①安全：可以免于將工作人員暴露在不良的巡檢條件下，并且也降低了工作人員直接接觸高壓電路巡檢的觸電危險。②效率高：直接避免了人工巡檢電路的效率低下的問題并大大降低了巡檢時間。③便宜：直接減少了人力以及財力的投入，減少開銷。④精確度高：由人力直接巡檢時，可能會因為人眼大量使用而導致注意力下降，判斷力不足，從而降低判斷的精確度，而智能無人機巡檢可以實時采集巡檢圖像并進行故障的判斷，極大地提高了精確性和客觀性。

現階段大部分無人機采集圖像的處理采用YOLO系列算法。YOLO系列是一種一階段的目標檢測算法，對于輸入的圖像，在回歸思想的影響下，利用一個深度卷積神經網絡便可以得到所需檢測目標的位置以及種類信息。這種算法因為只有一階段，所以檢測速度很高，在各種需要實時檢測的環境中經常得到應用?，F在的YOLO系列算法中主要是YOLOv3以及YOLOv4。

YOLO算法的背景誤檢率低，通用性強，但是對比于R-CNN系列算法，YOLO對于物體的識別位置精準度較小且召回率低，但是此次對于電力線上的異物檢測，首先我們需要對電力線上存在的異物種類進行檢測，并能精確的標注出電力線上異物所在的位置，而YOLO系列算法并不能滿足此類要求；同時，YOLO系列算法對于深度學習時所用的訓練集大小有著一定的要求，目前無人機對電力線巡檢時獲得的圖片非常的少，同時在電力線上有異物或者電力線斷股等電力線異常狀態出現的情況也十分少，此時使用對訓練集大小有著比較苛刻要求的YOLO系列算法就會存在著訓練效果不好、檢測目標的效果也不好的情況。

首先選擇CNN系列技術，但發現CNN對GPU的負荷太大，于是對圖像進行Sobel算子邊緣提取、Hough變換直線檢測等預處理技術，使得漏檢率大大降低，并且減輕了對GPU的消耗，同時改進的Epoch和學習率大小使得檢測效率更高。

發明內容

針對背景技術存在的問題，本發明提供一種基于Faster R-CNN算法的電力線風箏異物檢測方法，能夠在復雜背景的圖像中定位識別電力線并判斷是否存在風箏等異物。

為解決上述技術問題，本發明采用如下技術方案：基于Faster R-CNN的電力線異物檢測方法，包括訓練模式和診斷模式；包括以下步驟：

步驟1、對巡檢圖像進行圖像預處理，包括圖像灰度化、圖像灰度均衡化、對圖像進行高斯濾波，去除在圖像采集時出現的高斯噪聲；

步驟2、對預處理后的圖像利用Sobel算子進行邊緣提取、然后對提取的邊緣二值圖像進行膨脹填充處理或腐蝕處理，利用Hough變換進行直線檢測；