[发明专利]一种耐张线夹的缺陷检测方法、装置、设备及存储介质

权利要求书

1.一种耐张线夹的缺陷检测方法，其特征在于，所述缺陷检测方法包括：

获取多张输电线路中耐张线夹的图片作为训练图片；

使用多张所述训练图片，根据Faster RCNN算法建立耐张线夹的检测模型，并根据卷积神经网络建立基于所述卷积神经网络的分类器模型；

基于所述Faster RCNN算法和所述耐张线夹的检测模型确定待检测图片中的目标特征区域，得到所述目标特征区域的坐标信息并裁剪出所述目标特征区域；

将裁剪出的所述目标特征区域输入所述分类器模型，并基于所述分类器模型检测所述目标特征区域是否存在缺陷。

2.根据权利要求1所述的缺陷检测方法，其特征在于，所述基于所述Faster RCNN算法和所述耐张线夹的检测模型确定待检测图片中的目标特征区域，得到所述目标特征区域的坐标信息并裁剪出所述目标特征区域，包括：

所述耐张线夹的检测模型通过所述Faster RCNN算法中的卷积层，提取待检测图片的卷积特征；

将所述卷积特征输入所述Faster RCNN算法中的区域建议网络，得到多个目标候选区域；

将多个所述目标候选区域输入所述Faster RCNN算法中的区域池化层，得到目标特征区域和所述目标特征区域的坐标信息，并裁剪出所述目标特征区域。

3.根据权利要求1所述的缺陷检测方法，其特征在于，所述将裁剪出的所述目标特征区域输入所述分类器模型，并基于所述分类器模型检测所述目标特征区域是否存在缺陷，包括：

将裁剪出的所述目标特征区域进行预设尺寸的缩放并输入至所述分类器模型；

所述分类器模型对所述目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作，提取所述目标特征区域的目标特征；

将所述目标特征经过全连接层进行全连接后，通过ReLU层和Dropout层的优化处理得到优化后的目标特征；

对优化后的所述目标特征进行再次全连接并检测所述目标特征是否存在缺陷。

4.根据权利要求1所述的缺陷检测方法，其特征在于，所述卷积神经网络为AlexNet网络结构的卷积神经网络。

5.根据权利要求1所述的缺陷检测方法，其特征在于，所述获取多张输电线路中耐张线夹的图片作为训练图片之后，包括：

对所述训练图片中对应的耐张线夹进行标注。

6.根据权利要求1所述的缺陷检测方法，其特征在于，所述待检测图片和所述训练图片均是通过无人机拍摄的所述输电线路中耐张线夹的图片。

7.根据权利要求1所述的缺陷检测方法，其特征在于，所述训练图片为包括所述输电线路中耐张线夹存在缺陷以及无缺陷的图片。

8.一种耐张线夹的缺陷检测装置，其特征在于，包括：

图片获取模块，用于获取多张输电线路中耐张线夹的图片作为训练图片；

模型建立模块，用于使用多张所述训练图片，根据Faster RCNN算法建立耐张线夹的检测模型，并根据卷积神经网络建立基于所述卷积神经网络的分类器模型；

区域确定模块，用于基于所述Faster RCNN算法和所述耐张线夹的检测模型确定待检测图片中的目标特征区域，得到所述目标特征区域的坐标信息并裁剪出所述目标特征区域；

缺陷检测模块，用于将裁剪出的所述目标特征区域输入所述分类器模型，并基于所述分类器模型检测所述目标特征区域是否存在缺陷。

9.一种电子设备，其特征在于，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的缺陷检测方法。

10.一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7任一所述的缺陷检测方法。