[发明专利]融合红外可见光的特高压线路绝缘子串深度学习识别方法

说明书

技术领域

本发明涉及一种绝缘串子提取方法，尤其是涉及一种融合红外可见光的特高压线路绝缘子串深度学习识别方法。

背景技术

特高压输电线路有效配置了区域电网间能源的同时，也带来了新的运维难题：特高压输电线路多为高杆塔架设，地面巡检人员很难发现高杆塔上螺栓脱落等销钉级缺陷；在使用无人机进行抵近杆塔巡检，无人机拍摄大量的视频和照片数据，如果完全采用人工对无人机采集数据进行检查识别缺陷存在效率低的难题。在采用卷积神经网络算法对无人机采集数据进行自动识别特高压线路绝缘子串的同时又遇到无人机采集数据背景复杂的问题，为此本专利通过对无人机红外可见光融合图像进行处理，针对带电状态下特高压线路绝缘子串特征有别于背景中其他干扰，有效的从融合图像中的提取出带电状态下特高压线路绝缘子串的可见光下图片信息。

随着无人机(UAV)在电力巡线作业中的应用推广，对无人机巡检图像的信息挖掘或目标识别需求也越来越强烈。传统的电力部件识别流程常使用经典的机器学习算法，如支持向量机(SVM)、随机森林或adaboost，结合梯度、颜色或纹理等浅层特征来对电力部件进行识别，难以充分利用无人机巡检图像的信息，并且难以达到较高的准确率。卷积神经网络(CNN)在目标识别中表现优异，在很多目标识别场景之中成为首选算法。基于区域的卷积神经网络(RCNN)通过使用CNN从图像中提取可能含有目标的区域来检测并识别目标，但是计算复杂，难以满足识别海量电力巡检图片的需求。Fast R-CNN和Faster R-CNN利用CNN网络提取图像特征，后接一个区域提议层，优化了提取可能含有目标区域的方式并改进识别目标的分类器，使目标的检测和识别几乎实时。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种融合红外可见光的特高压线路绝缘子串深度学习识别方法。

本发明的目的可以通过以下技术方案来实现：

一种融合红外可见光的特高压线路绝缘子串深度学习识别方法，包括：

对待识别物体的可见光图像进行YUV编码，并得到可见光图像的Y分量、U分量和V分量；

将可见光图像的Y分量和红外图像进行融合处理后得到融合后，将之结合可见光图像的U分量和V分量得到融合图像；

使用训练好的Faster-Rcnn模型对融合图像进行检测，提取出待识别物体中的绝缘子串。

所述对待识别物体的可见光图像进行YUV编码具体包括：

采用仿射变换对可见光图像进行配准；

将配准后图像转换到YUV空间。

可见光图像的Y分量和红外图像的融合处理过程采用小波融合方法。

可见光图像的Y分量和红外图像进行融合处理具体为：

Y'＝w1×Y+w2×IR

其中：Y为可见光图像的Y分量，IR为红外图像，w1为可见光图像的权重，w2为红外图像的权重，Y'为融合后的Y分量。

所述可见光图像的权重和红外图像的权重均为0.5.

所述Faster-Rcnn模型包括RPN卷积神经网络和Fast-rcnn卷积神经网络。

所述使用训练好的Faster-Rcnn模型对融合图像进行检测，提取出待识别物体中的绝缘子串，包括：

利用RPN卷积神经网络从融合图像中识别出绝缘子串的候选区域；

利用Fast-rcnn卷积神经网络从绝缘子串的候选区域识别出绝缘子串。

与现有技术相比，本发明具有以下优点：

1)在无人机电力线巡检的红外可见光融合图像部件检测中使用Faster R-CNN算法流程，进行多种类别的电力小部件识别定位可以达到每张近80ms的识别速度和92.7％的准确率。

2)可见光图像的权重和红外图像的权重均为0.5时图像信息量最大，效果较好。

3)通过与YUV彩色空间变换、小波变换融合方法所得到的融合图像比较，结果表明，本发明采用的图像融合方法获得的图像清晰度有较大改善，从而构建绝缘子样本库。

附图说明

图1为本发明方法的主要步骤流程示意图；

图2为RPN卷积神经网络的结构示意图；

图3为Faster-Rcnn模型的整体模型结构示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。