[发明专利]一种结合形状属性的电力巡检图像金具检测方法

说明书

本发明涉及一种结合形状属性的电力巡检图像金具检测方法，其包括以下步骤，1全局特征提取：用图像分类网络VGG‑16提取全局特征；2感兴趣区域获取：将提取的全局特征输入区域建议网络；3分别进行分类预测和边界框分布预测；4损失函数计算：分类损失计算、结合形状属性的KL散度边界框回归损失计算；5模型训练。本发明通过将KL散度和同类别金具目标的形状特征相结合对Faster R‑CNN模型的回归损失函数进行约束，解决在复杂背景中对金具目标的检测框定位不准确、部分金具目标在图像中结构显示不完整的问题。

技术领域

本发明属于图像分析技术领域，涉及一种结合形状属性的电力巡检图像金具检测方法。

背景技术

保障输电线路的可靠性是能源互联网和智能电网建设的重要内容之一。金具是输电线路上极其重要且大量存在的金属部件，起到支持、固定、连接、保护裸导线和导体的作用；同时又是故障多发部件，其良好状态保障着电网的安全运行。其由于输电线路长期运行在户外，受各种气象环境的影响，尤其是舞动和振动，不可避免地造成金具的位移、破损、歪斜等故障现象。对输电线路中的金具目标进行高准确率的自动检测是后期进行金具故障判断的基础，故对输电线路中的金具目标进行高准确率的自动检测则变得尤为重要。

在电力系统线路的巡检中结合深度学习的方法，不仅大幅度减少了巡检中需要的运维人员数量，排除了因人的主观因素而出现的误检、漏检，还提高了工作效率，对电网状态的评估更加准确有效。目前流行的目标检测框架，例如R-CNN(Region-ConvolutionalNeural Network)模型，Fast R-CNN模型和Faster R-CNN模型等，如申请号为201610906708.2的专利中披露的基于Faster R-CNN的无人机巡检图像电力小部件识别方法及系统。

网络预测输出均是两种确定信息，一个是目标类别信息，另一个是目标边界框信息。但检测模型仅仅通过目标边界框偏移量确定的目标位置往往是不准确的，经常会出现目标检测得分较高但检测框位置偏移较大的情况，且无法在后处理的NMS((Non-maximumsuppression)阶段对位置预测信息继续进行修正。

为了能实现输电线路巡检图像金具目标的高准确率自动检测，使得模型对金具目标边界框回归预测更加准确，需要探索更为有效的边界框回归方法。

发明内容

本发明的目的是提供结合形状属性的电力巡检图像金具检测方法，通过将KL散度和同类别金具目标的形状特征相结合对Faster R-CNN模型的回归损失函数进行约束，解决在复杂背景中对金具目标的检测框定位不准确、部分金具目标在图像中结构显示不完整的问题，为进一步进行金具目标缺陷诊断提供基础，为电网安全运行提供基础保障。

为实现上述目的，本发明的技术方案包括，以下步骤，

(1)全局特征提取：用图像分类网络VGG-16提取全局特征；

(2)感兴趣区域获取：将提取的全局特征输入区域建议网络；

(3)分别进行分类预测和边界框分布预测；

(4)损失函数计算：分类损失计算、结合形状属性的KL散度边界框回归损失计算；

(5)模型训练。

进一步地，步骤(1)中，提取目标特征的卷积神经网络选用图像分类网络VGG-16提取，该网络在数据集ImageNet上进行预测训练产生初始网络参数，将金具数据集中原始图像输入该网络产生深层特征图，提取目标特征的卷积神经网络相应的卷积层激活函数为线性修正单元函数。

进一步地，步骤(2)中，根据预设的anchor box值产生对应于输入图像中的建议区域，并使用非极大值抑制方法进行筛选。