[发明专利]基于深度卷积神经网络的绝缘子检测方法、装置及设备

权利要求书

1.一种基于深度卷积神经网络的绝缘子检测方法，其特征在于，包括：

采集若干原始图像，并对所述原始图像进行预处理，构建样本训练集；

基于RPN网络、倾斜NMS算法和角度因子，构建多角度候选区域网络结构；

基于所述多角度候选区域网络结构，利用所述样本训练集对深度卷积神经网络进行训练，得到训练模型；

利用所述训练模型对待识别图像进行识别，若所述待识别图像中存在绝缘子，则输出带有目标框的绝缘子图像。

2.根据权利要求1所述的方法，其特征在于，所述利用所述样本训练集对深度卷积神经网络进行训练，包括：

利用ResNet50网络对所述样本训练集中的各个图像进行特征提取，并利用特征金字塔进行特征融合，得到特征图；

将所述特征图输出到所述多角度候选区域网络结构中，得到参数结果；

将所述参数结果输出到池化层进行池化处理，处理结果输出到全连接层，将全连接层处理后的结果输出到分类层进行分类处理，得到各个图像的训练结果。

3.根据权利要求2所述的方法，其特征在于，所述将所述参数结果输出到池化层进行池化处理，包括：

将所述参数结果输出到RoIAlign层进行池化处理。

4.根据权利要求2所述的方法，其特征在于，所述将所述参数结果输出到池化层进行池化处理之后，所述处理结果输出到全连接层之前，所述方法还包括：

将池化后的输出结果输出到1×1的卷积层进行处理。

5.根据权利要求2所述的方法，其特征在于，所述将全连接层处理后的结果输出到分类层进行分类处理，包括：

将经全连接层处理后的结果，输出到二分类器中进行分类处理。

6.根据权利要求1所述的方法，其特征在于，所述对所述原始图像进行预处理，包括：

对所述原始图像进行数据增广处理，对处理后的原始图像进行标注。

7.根据权利要求1所述的方法，其特征在于，所述得到带有目标框的绝缘子图像之后，所述方法还包括：

对所述带有目标框的绝缘子图像进行裁剪，得到目标框图像；

对所述目标框图像进行二值化处理，得到二值化图像；

对所述二值化图像进行角度调整，在所述二值化图像呈水平状态后，基于垂直投影得到所述二值化图像的像素点曲线图；

根据所述像素点曲线图，判断所述目标框图像中的绝缘子是否存在缺陷，并对存在缺陷的位置进行定位标记。

8.根据权利要求7所述的方法，其特征在于，所述判断所述目标框图像中的绝缘子是否存在缺陷，包括：

若所述像素点曲线图中存在大于或者小于预设阈值范围的像素值，则当前目标框中的绝缘子存在缺陷；若所述像素点曲线图中不存在大于或者小于预设阈值范围的像素值，则当前目标框中的绝缘子不存在缺陷。

9.一种基于深度卷积神经网络的绝缘子检测装置，其特征在于，包括：

样本采集模块，用于采集若干原始图像，并对所述原始图像进行预处理，构建样本训练集；

网络构建模块，用于基于RPN网络、倾斜NMS算法和角度因子，构建多角度候选区域网络结构；

训练模块，用于基于所述多角度候选区域网络结构，利用所述样本训练集对深度卷积神经网络进行训练，得到训练模型；

检测模块，用于利用所述训练模型对待识别图像进行识别，若所述待识别图像中存在绝缘子，则输出带有目标框的绝缘子图像。

10.一种基于深度卷积神经网络的绝缘子检测设备，其特征在于，包括：

处理器，以及与所述处理器相连接的存储器；

所述存储器用于存储计算机程序；

所述处理器用于调用并执行所述存储器中的所述计算机程序，以执行如权利要求1-8任一项所述的方法。