[发明专利]一种基于深度学习的电力巡检智能缺陷检测方法

权利要求书

1.一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，包括：

获取多张不同绝缘子的原始图像；

将多张所述原始图像划分成训练集和测试集；

对所述训练集的原始图像进行增强处理得到多倍数量的增强集图像；

对各所述增强集图像、测试集中的原始图像进行切块处理得到多个子块图像及其掩模；

对各所述子块图像及其掩模进行语义分割并提取绝缘子区域；

根据所述绝缘子区域得到各所述绝缘子的连通区域；

对所述连通区域使用主成分分析进行旋转得到规范化绝缘子图像；

将所述增强集图像的规范化绝缘子图像输入到神经网络模型进行训练得到训练模型；

通过所述训练模型预测所述测试集的规范化绝缘子图像中的绝缘子坐标；

对所述绝缘子坐标进行逆变换还原至原图坐标。

2.根据权利要求1所述的一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，所述增强处理包括：

对所述训练集的原始图像进行多种倍率的缩放处理；

对所述训练集的原始图像进行左右和上下翻转处理；

对所述训练集的原始图像进行多种角度的旋转处理；

对所述训练集的原始图像进行多种饱和度增加的色彩变换处理。

3.根据权利要求1所述的一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，通过金字塔场景解析网络PSPNet对各所述子块图像及其掩模进行语义分割，并通过加权损失函数提取绝缘子区域。

4.根据权利要求3所述的一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，所述加权损失函数为：

其中y_i是像素点x_i的真实类别标签的热编码向量，是样本x_i的网络预测标签，S₁是指绝缘子区域的坐标集合，λ为加权因子。

5.根据权利要求1所述的一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，所述主成分分析进行旋转包括：

获取所述连通区域内的绝缘子串坐标集合S＝{x_i∈R×R|i＝1,…,n}；通过协方差矩阵：

得到两个二维的特征向量μ₁和μ₂，满足Σμ＝λμ，μ₁是最大特征根对应的特征向量；

对绝缘子串坐标集合S中的点在两个特征向量μ₁和μ₂做投影变换得到绝缘子串的长度l、高度h；若l/h3，则判定为噪音，忽略该连通区域；否则，将所述连通区域的高度规范化为128个像素，将所述连通区域的长度按比例缩放后规范化为2048个像素，得到规范化绝缘子图像。

6.根据权利要求5所述的一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，通过所述绝缘子串坐标集合S中的点在μ₂方向上投影点的直方图来切分所述连通区域中的两个或多个绝缘子串。

7.根据权利要求1所述的一种基于深度学习的电力巡检智能缺陷检测方法，其特征在于，所述神经网络模型为YOLO模型，在所述YOLO模型中通过K-means算法设定用于定位自爆点的锚框。