[发明专利]基于共享卷积神经网络的绝缘子检测方法及装置

说明书

技术领域

本发明涉及电力设备关键电力设备目标检测领域，更具体地，涉及一种基于共享卷积神经网络的绝缘子检测方法及装置。

背景技术

近几年，保障输电线路的可靠性及运行情况成为建设智能电网的重要内容。变电设备的安全运行是保障电力系统稳定和安全的前提。绝缘子作为电力输电线路不可缺少的绝缘元件，它的运行状况直接影响电网的可靠性和安全性。同时绝缘子在输电线路中起到电气绝缘及支撑的作用；而且它表面的污秽、裂纹、破损等问题严重威胁输电线路的安全运行。根据统计，目前电力系统故障中所占比例最高的事故是由绝缘子缺陷引起的。因此对绝缘子的状况进行监测，及时完成故障诊断尤为重要。

目前，巡检机器人和无人机已经成为电力巡检的重要方式，利用平台上装载的摄像头获取了大量的绝缘子图像信息，如果对这些海量图像采用工作人员肉眼判读，不仅工作量大，容易发生漏判和误判现象，而且难以准确发现绝缘子存在的安全隐患。而实现故障自动检测的重要前提是识别和定位图像中的绝缘子，因此研究绝缘子的自动检测方法是非常必要的。

由于巡检机器人和无人机拍摄的绝缘子图片背景复杂，传统检测绝缘子的方法大多需要人工逐个检测，这样不仅耗费大量人力物力而且还容易引起人员伤亡，容易出现漏判和误判等现象。

目前，虽然出现了一些有关绝缘子的自动识别方法，但是这些方法要么因为变电站图像背景复杂，图像中存在和绝缘子形状相似的其他电力设备，如电流互感器和避雷器等，容易产生误识别的结果；要么当数据量增大时，会大大增加计算复杂度和计算时间，达不到实时检测的要求。

发明内容

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于共享卷积神经网络的绝缘子检测方法及装置。

根据本发明的一个方面，提供一种基于共享卷积神经网络的绝缘子检测方法，包括：

利用巡检机器人拍摄变电站的输电线路图像；

利用RPN网络和Fast R-CNN网络训练的共享卷积神经网络获取输电线路图像中绝缘子的最佳位置。

本发明提出一种基于共享卷积神经网络的绝缘子检测方法，利用共享部分卷积层和池化层的RPN网络和Fast R-CNN网络进行训练得到的共享卷积神经网络，检测输电线路图像中的绝缘子；相对于现有技术可以减小计算复杂度，达到对复杂背景下绝缘子的实时检测，实现了机器人巡检图像中绝缘子的精确识别和定位。

进一步，所述共享卷积神经网络通过以下步骤得到：

S1，利用输电线路图像训练样本集对RPN网络进行迭代训练，采用不同比例和不同大小的映射机制，获取第一粗候选区域及初始RPN网络；

S2，利用所述第一粗候选区域对Fast R-CNN网络进行迭代训练，获取初始Fast R-CNN网络；

S3，保持所述初始Fast R-CNN网络的卷积层参数不变，利用所述训练样本集对所述初始RPN网络进行第一参数微调，获得第二粗候选区域及优化RPN网络；

S4，保持所述初始Fast R-CNN网络的卷积层参数不变，利用所述训练样本集及所述第二粗候选区域对所述初始Fast R-CNN网络进行第二参数微调，获得优化Fast R-CNN网络；

其中，所述优化RPN网络和所述优化Fast R-CNN共享部分卷积层和池化层，从而获得共享卷积神经网络。

进一步，所述S1进一步包括：

S1.1，构建包含6个卷积层、2个池化层、1个分类层和1个边框回归层的RPN网络；

S1.2，将所述训练样本集输入所述RPN网络，通过卷积层提取特征，通过池化层映射特征，获得第七层的特征图为第一特征图，采用不同比例和不同大小的映射机制生成不同大小不同比例的anchor boxes；

S1.3，基于所述anchor boxes，按照第一预设规则选取正样本和负样本，将所述正样本和负样本对应的特征统一成相同大小后输入分类层和边框回归层获取所述第一粗候选区域，得到初始RPN网络。

进一步，所述S2进一步包括：

S2.1，构建包含5个卷积层、2个池化层、1个ROI池化层、1个分类层和1个边框回归层的Fast R-CNN网络；

S2.2，将所述训练样本集输入所述Fast R-CNN网络，经过卷积层提取特征，池化层映射特征，获取最后一个卷积层的特征为第二特征图；

S2.3，将所述粗候选区域映射到所述第二特征图上，通过所述ROI池化层将所述第二特征图上的每个特征调整为固定大小；