[发明专利]一种面向电力巡检视频的绝缘子缺损自动检测算法

权利要求书

1.一种面向电力巡检视频的绝缘子缺损自动检测算法，其特征在于，具体按以下步骤实施：

步骤1，对原有的电力塔架绝缘子样本数据进行分类和增强；

步骤2，搭建生成卷积神经网络模型，通过步骤1增强后的数据进行训练网络模型，通过卷积神经网络模型进行分类；

步骤3，将经步骤2分类后的数据处理并通过建立的网络模型，对通过网络模型的图片提取HOG特征，确定绝缘子在图片中的大致位置；

步骤4，经步骤3确定绝缘子在图片中的大致位置后，通过CNN/LSTM深度学习方法进行检测绝缘子是否缺损。

2.根据权利要求1所述的一种面向电力巡检视频的绝缘子缺损自动检测算法，其特征在于，所述步骤1具体内容包括：

首先提取已有的电力塔架绝缘子样本数据，得到原始的样本图像，将数据分为含有绝缘子和不含绝缘子两类数据，并将两类数据分为测试集数据和训练集数据；

然后在python环境下调用图像处理库，定义增强因子，对原始图像进行数据增强。

3.根据权利要求1所述的一种面向电力巡检视频的绝缘子缺损自动检测算法，其特征在于，所述步骤2具体为通过卷积神经网络对数据进行筛选分类，排除掉不含绝缘子的无效图片，具体步骤如下：

步骤2.1，利用Tensorflow搭建卷积神经网络模型，将步骤1得到的3通道的图像数据即训练数据集作为网络模型训练的输入；

第一层卷积层，输入数据经过16个卷积核，卷积核大小为3*3*3，步长为1，padding设为same；

第二层池化层max pool，池化窗口为2*2，步长为2，padding设为same，将数据下采样至原来的二分之一。

通过多次卷积提取出图像特征，在卷积后得到的结果上增加偏差，输出结果使用激活函数ReLU进行激活；

网络模型的定义损失函数如式(1)所示：

loss＝-[plog(t)+(1-p)log(1-t)] (1)

将输出结果分为两类，p为图像的期望分类概率，t为图像的实际分类概率；全连接层通过特征加权把得到的数据特征转化，实现数据一维化，然后softmax运算将结果进行归一化处理，结合交叉熵公式输出对图像的判断结果；

步骤2.2，将经步骤1增强后的数据输入到步骤2.1建立的网络模型中开始训练，当loss值趋于稳定，则说明模型逐渐收敛，使用测试集数据作为生成网络的输入，进入训练好的网络模型，检验输出的准确率。

4.根据权利要求1或2所述的一种面向电力巡检视频的绝缘子缺损自动检测算法，其特征在于，所述步骤3中具体内容如下：

步骤3.1，对测试集数据进行处理和提取HOG特征：

将测试集数据图像进行高斯滤波处理，然后再对平滑处理后的图像下采样分解，对其大小分别进行1/4下采样，得到新的图像，通过连续降采样，得到不同尺寸的缩略图，最终组成三层金字塔，从最底层到最顶层，图像尺寸逐渐缩小，图像分辨率逐渐降低，得到高斯金字塔模型；然后对得到的高斯金字塔模型每层图像分别提取HOG特征，组成图像的最终的HOG特征向量；

步骤3.2，根据步骤3.1提取的HOG特征确定绝缘子在图片中的大致位置。