[发明专利]一种电力巡检图像杆塔基础故障检测方法

权利要求书

1.一种电力巡检图像杆塔基础故障检测方法，其特征在于，包括如下步骤：

步骤S1:根据电力巡检影像库接口，从电力巡检影像数据库中获取杆塔基座和塔基基础的电力巡检图像以及对应的XML标签数据；

步骤S2:制作杆塔基座目标检测训练数据；

步骤S3:制作塔基基础故障检测训练数据;

步骤S4:构建杆塔基座目标检测模型；

步骤S5:建立塔基基础故障检测模型；

步骤S6:将杆塔基座目标检测训练数据和塔基基础故障检测训练数据转换成可用于深度学习网络训练的杆塔基座训练数据和塔基基础训练数据；

步骤S7:训练杆塔基座检测模型;

步骤S8:训练塔基基础检测模型;

步骤S9:根据步骤S7训练时各项网络参数变化情况，在达到期望数值时固化杆塔基座检测模型；

步骤10、根据步骤S8训练时各项网络参数变化情况，在达到期望数值时固化塔基基础检测模型；

步骤S11:将待检测的电力巡检图像输入到固化后的杆塔基座目标检测模型中，得到每张电力巡检图像中检测出的杆塔基座子图框信息并生成对应的文本文件；

步骤S12:将步骤S11获取的杆塔基座目标子图分别输入到固化后塔基基础检测模型中，得到塔基基础故障框坐标信息；

步骤S13:对塔基基础故障框坐标信息进行融合处理，最后得到最终塔基基础故障目标框，并存储故障目标框信息;

所述步骤S2具体为：

步骤S21:将杆塔基座的电力巡检图像统一等比缩放为图像像素宽度小于1024或者图像像素高度小于900的图像，得到处理后的电力巡检图像；

步骤S22:根据处理后的电力巡检图像，修改杆塔基座的电力巡检图像对应的XML文件，按照原图像缩放比例，修改XML文件中对应的图像宽度与高度信息和杆塔基座目标框大小；

所述步骤S3具体为：

步骤S31:将塔基基础的电力巡检图像统一等比缩放为图像像素宽度小于1024或者图像像素高度小于900的图像，得到处理后的电力巡检图像；

步骤S32:根据处理后的电力巡检图像，修改塔基基础的电力巡检图像对应的XML文件，按照原图像缩放比例，修改XML文件中对应的图像宽度与高度信息和塔基基础目标框大小；

所述杆塔基座目标检测模型具体为：

步骤S41:采用基础网络为Resnet-101的Faster-rcnn目标检测网络，构建塔基基础目标检测模型;其中输入包含3个部分：样本图像、标定值、Object Proposals;

步骤S42:通过计算每个样本图像的标定框与Object Proposals的覆盖率,卷积神经网络通过卷积层和最大池化层获得样本的卷积特征;

步骤S43:RoI池化层对每一个感兴趣区域, 从卷积特征中提取出对应的一个规格化的特征向量;

步骤S44:所有特征向量将输入全连接层最终将结果共享, 产生两个支路, 进入两个不同的层中;一个层负责利用softmax回归计算K类目标加一个“背景”类的概率估算值;另一个层负责输出, 用来表征每个图像上K类目标的检测框坐标的4个值。

2.根据权利要求1所述的一种电力巡检图像杆塔基础故障检测方法，其特征在于：

所述塔基基础模型具体为：结合基础网络为Darknet -53的YOLOv3深度学习网络、基础网络为NASNet的Faster-Rcnn深度学习网络、基础网络为Resnet-50的FPN-SSD深度学习网络构建塔基基础模型，对塔基基础进行故障检测。

3.根据权利要求1所述的一种电力巡检图像杆塔基础故障检测方法，其特征在于：

所述步骤S7具体为：利用杆塔基座训练数据训练塔基基础目标检测模型，其中在训练数据进入网络前对电力巡检图像进行随机旋转、颜色转换数据增强操作。

4.根据权利要求1所述一种电力巡检图像杆塔基础故障检测方法，其特征在于：所述步骤S8具体为：利用塔基基础训练数据训练塔基基础模型，其中在训练数据进入网络前对电力巡检图像进行随机旋转、颜色转换数据增强操作。