[发明专利]一种用于输电线路部件智能自动识别的方法

说明书

技术领域

本发明涉及数字图像处理领域，尤其是一种用于输电线路部件智能自动识别的方法。

背景技术

输电线路是电网的骨架支撑，输电线路的正常运行与否，直接影响着整个国民经济的健康发展与人民的正常生活。通过无人机搭载专用巡检设备，对输电线路进行数据采集，利用图像处理技术分析采集数据，确定输电线路运行状态。一次无人机巡检任务可以获取输电线路大量的图像或视频信息，巡检结束后由巡检人员进行人工判读，确定输电线路部件位置及其存在的缺陷。由于数据量大，导致人工判读劳动强度大、耗时长，而且受巡检人员经验影响，经常出现部件与缺陷错判、漏判的情况。为了降低劳动强度，提高数据分析的准确率与时效性，亟需标准化、智能化的部件识别分析方法来实现巡检后输电线路巡检数据的自动处理。

在输电线路部件自动识别方法中，大部分发明专利只注重某一部件的识别，如专利CN2013105246701.3、CN201510272155.5只是针对杆塔、鸟巢目标进行识别，没有对其余附属部件进行检测。专利CN201610906708.2利用Faster R-CNN方法对输电线路小部件进行了识别，但是输电线路附属部件在图像中占比差异较大，该方法没有考虑到图像的空间信息，最终输电线路部件识别的准确率有待改进与提高。

发明内容

本发明的目的是提供一种用于输电线路部件智能自动识别的方法，有效的获取了巡检目标的空间信息，提高了输电线路目标识别的准确性能。

为实现上述目的，本发明采用下述技术方案：

一种用于输电线路部件智能自动识别的方法，包括以下步骤：

S1、巡检数据图像样本预处理步骤：以巡检数据原图像作为图像源，标记输电线路部件在原图像中的位置，并对每个输电线路部件添加属性标签，构建输电线路部件识别训练数据集合；

S2、特征提取步骤：对完成预处理的巡检数据图像样本，利用卷积神经网络与特征金字塔网络，提取输电线路图像多层次特征；

S3、训练目标定位回归网络与分类网络步骤：以提取到的输电线路图像多层次特征和标定的属性标签数据为训练输入数据，计算位置敏感得分图，并计算分类网络与目标定位回归网络的损失值，利用随机梯度下降法优化分类网络与回归网络的参数，从而实现训练数据中输电线路部件的最优分类与定位；

S4、输电线路部件检测步骤：根据输电线路识别训练得到的训练参数，初始化检测网络，批量导入输电线路巡检数据，实现部件的自动定位与分类。

进一步地，所述巡检数据图像样本预处理步骤引入数据扩容策略以扩展训练数据集合的容量，所述数据扩容策略包括镜像映射、平移、旋转、裁剪、尺度变换。

进一步地，所述特征提取步骤具体包括以下步骤：

卷积网络处理步骤：将预处理的巡检数据图像样本作为训练输入数据集合，采用VGG-net16卷积网络中前13层网络，通过优化各层参数，实现输电线路图像特征的提取，得到512维的高层语意特征；

特征金字塔网络处理步骤：特征金字塔网络处理步骤是在卷积网络中同时进行的，卷积网络是自下而上进行卷积计算，通过为每个网络阶段定义一个金字塔级别，选择每个网络阶段的最后一层输出作为特征图的参考集，然后自上而下对每个级别的参考集进行上采样，再把该特征横向与下一层参考集特征相连接。

进一步地，所述预处理的巡检数据图像样本包括目标区域图像数据和类别标签数据。

进一步地，所述训练目标定位回归网络与分类网络步骤具体包括以下步骤：

构建位置敏感分数图步骤：在卷积网络与特征金字塔网络相结合提取特征图后，添加一个卷积得分层用于提取图像上每个类别的k²个位置敏感分数图，假设共有C+1个类别，经过卷积产生k²(C+1)个通道的输出层；

构建目标定位回归网络步骤：采用固定比例的候选框提取方式对特征图进行候选区域提取，为实现对目标定位回归网络的训练，定义损失函数为：

其中，i是区域提取框的序号，p_i是区域提取框时目标概率，是真实标签的概率：若是正样本时为1，是负样本时为0，t_i是预测边框的位置坐标，是真实边框的位置坐标，L_cls是分类损失函数，用来判别边框里是否含有目标；L_reg是回归函数，对边框做位置和大小的微调，N_cls是训练时mini-batch的大小，N_reg是区域提取框定位的数量，λ是平衡参数；