[发明专利]一种基于无人机巡检的绝缘子图像检测方法

说明书

本发明涉及应用于绝缘子的图像识别检测技术领域，提供了一种基于无人机巡检的绝缘子图像检测方法，步骤一：通过无人机搭载的拍摄设备在巡航时获取航拍图像集；步骤二：对航拍图像集采用人工标注的方式进行分类并形成多个相关的任务包；步骤三：通过数据扩增的方式对多个相关的任务包进行扩增，利用扩增后的数据包对绝缘子检测模型进行并行学习训练；步骤四：在多任务学习训练中，引入训练评估公式；若训练评估公式计算产生的结果值大于设定的阈值，则立即停止继续学习该项辅助任务；步骤五：通过定量分析和对比实验结果，验证绝缘子检测中的有效性；提高了检测性和准确率。

技术领域

本发明涉及应用于绝缘子的图像识别检测技术领域，更具体地说是一种基于无人机巡检的绝缘子图像检测方法。

背景技术

在输电线路巡检上，通过识别无人机航拍图像对绝缘子进行故障检测排查，在维护输电系统安全稳定运行中发挥着重要作用。在无人机的帮助下，基于图像识别算法，可以实现绝缘子的检测。传统的图像识别算法，如基于骨架特征提取的绝缘子检测法，基于绝缘子串特征提取的绝缘子检测方法，以及基于图像阈值分割的绝缘子检测等，这几种绝缘子检测算法容易受环境背景的影响，鲁棒性较差，在对无人机拍摄的数量庞大、背景复杂、角度各异的绝缘子图像的检测中容易出现误检或漏检，无法进行准确检测。

近年来，深度学习理论的不断进步使得其在图像分割中的应用成为可能。与传统方法相比，基于深度学习的方法可以从图像数据中自动学习更加抽象、更具有表现力的特征，如基于卷积神经网络的算法和基于全卷积神经网络的算法。

利用卷积神经网络(convolutional neural network，CNN)能够在兼顾整体信息和局部信息的同时自动分层提取检测算法的特征，采用该网络结构的算法提高了计算的效率并且绝缘子检测的准确度大大增加。然而，在采用CNN对无人机拍摄的图像进行像素分类的过程中，分类产生的像素块的大小和整幅拍摄的图像相比要小很多，因此只能在产生的像素块中提取一些局部的特征，这大大限制了分类性能(检测性能)。

相比于卷积神经网络，较为先进的是基于全卷积神经网络(full convolutionalneural network，FCN)的图像分割方法，该算法实现了非全连接层情况下的密集预测，通过生成任意大小的分割掩膜图来提高算法效率。但是，FCN在多次采样时会降低了特征图的分辨率，进而丢失了目标位置等细节信息，因而，FCN很难实现对于具有复杂背景的特点的绝缘子图像进行准确定位，导致最终检测的结果具有较低的准确率。

此外，现有方法只将绝缘子检测视为分割任务或者包围框检测任务，忽略了二者之间的相互联系，这也限制了模型的检测性能。

为此急需一种检测性能高且准确率高的绝缘子图像检测方法。

发明内容

本发明所要解决的技术问题是克服上述现有技术中存在的缺陷，提供一种基于无人机巡检的绝缘子图像检测方法，提高了检测性和准确率。

为实现上述目的，本发明通过以下技术方案得以实现：一种基于无人机巡检的绝缘子图像检测方法，包括，步骤一：通过无人机搭载的拍摄设备在巡航时获取航拍图像集；步骤二：对航拍图像集采用人工标注的方式进行分类并形成多个相关的任务包；步骤三：通过数据扩增的方式对多个相关的任务包进行扩增，利用扩增后的数据包对绝缘子检测模型进行并行学习训练；步骤四：在多任务学习训练中，设为验证集上第k任务选取的损失函数值,为训练集上第k任务选取的损失函数值；若该公式计算产生的结果值大于设定的阈值ε，则立即停止继续学习该项辅助任务；训练评估公式如下，h表示多任务学习的迭代步长；med表示多任务学习的求取中位数；其中δ_k(·)表示第 k个任务训练过程中产生的损失的相对下降速率；t表示当前训练过程进行的迭代总次数；T表示均衡因子，用于控制对任务加权处理的加权大小；步骤五：通过定量分析和对比实验结果，验证绝缘子检测中的有效性。