[发明专利]一种基于深度学习的输电设备缺陷自动识别方法

权利要求书

1.一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤包括：

S1、使用多目标识别算法从无人机巡检照片或视频中识别出目标设备；

S2、使用深度学习分类器对目标设备是否有缺陷以及缺陷类型进行判断。

2.根据权利要求1所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤S1所述的多目标识别算法采用Faster-Rcnn模型，具体步骤为：

S11、使用卷积神经网络从原始图片中提取图片的卷积特征；

S12、使用RPNNet提取可能存在目标设备的候选区域；

S13、针对步骤S12中提取的候选区域，使用ROIpooling layer从原始图片的卷积特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的设备种类，同时精确回归出包含输电设备的矩形区域的坐标。

3.根据权利要求2所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤S11所述卷积神经网络采用结构包括：VGG，ResNet，PvaNet。

4.根据权利要求2所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，步骤S13所述ROIpooling layer将每个候选区域的特征图均匀分成M×N块，对每块进行max pooling操作，提取特征向量。

5.根据权利要求2所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述Faster-Rcnn模型构建方法为：

S101、制作Faster-Rcnn样本，将一定规模的无人机输电线路巡检照片进行人工标注，标出图中所有的输电设备名称和位置，从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；

S102、Faster-Rcnn模型训练，将步骤S101的训练数据集输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练；

S103、Faster-Rcnn模型测试与修正，使用步骤S101的测试数据集对训练完成的Faster-Rcnn模型进行测试，得到其准确率；依据准确率高低判断是否要添加数据和更改训练参数继续训练模型；

S104、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本，在原有模型的基础上不断更新Faster-Rcnn模型。

6.根据权利要求1所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述深度学习分类器采用深度卷积神经网络进行分类，构建输电设备缺陷分类模型。

7.根据权利要求6所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述输电设备缺陷分类模型的构建方法为：

S201、样本制作，针对每一种输电设备，收集包含正常输电设备的样本和存在缺陷的输电设备样本，并为每张存在缺陷的样本图片打上缺陷种类标签。取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；

S202、训练输电设备缺陷分类模型，针对每一种输电设备使用步骤S201中制作的训练数据集训练缺陷分类器，分类器的深度网络模型选用深度卷积神经网络Deep ResidualNeural Networks；

S203、输电设备缺陷分类模型测试与修正。针对每一种输电设备的缺陷分类器，使用步骤S201中的测试数据测试其准确率。依据准确率高低，判断接下来是否需要添加样本或修改训练参数继续进行训练；

S204、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本，在原有模型的基础上不断更新Faster-Rcnn模型。

8.根据权利要求6所述的一种基于深度学习的输电设备缺陷自动识别方法，其特征在于，所述深度卷积神经网络的网络结构包括Alexnet、GoogleNet、ResNet。