[发明专利]一种基于Faster-RCNN模型的导线散股识别方法

说明书

本发明涉及一种基于Faster‑RCNN模型的导线散股识别方法，将待测试的目标导线图像进行归一化处理之后，输入经过训练的Faster‑RCNN深度卷积神经网络模型，进行目标导线识别，判断导线是否存在散股现象，能够实现智能识别输电线路巡检图像中导线散股现象，提高巡检效率。本发明的识别方法能够针对复杂输电线路的背景图像信息，快速高效地获取上述导线散股的图像特征，检测出待识别目标导线，并准确地确定该导线在图片中的区域。

技术领域

本发明涉及输电线路检测相关领域，尤其涉及一种基于Faster-RCNN模型的导线散股识别方法。

背景技术

高压架空输电导线由于所处的地理环境及气候环境往往比较恶劣，受到风载、舞动、四季气候变化、空气污染、甚至施工破坏，以及导线本身结构的原因，例如:扭转疲劳载荷下的剪切断裂、结构共振引起的导线疲劳、线夹两侧附近的导线拉应力较大等影响，容易产生散股的现象。导线散股会直接影响导电及性能，降低导线输送效率，引发安全隐患。因此对输电线路定期进行巡检，排除线路运行存在的安全隐患具有十分重要的意义。

但是随着输电线路大规模增长，传统人工巡检模式由于工作量骤增、检测精度和效率已不能适应电网发展。近年来，计算机视觉技术迅猛发展，利用无人机巡检输电线路，并对其航拍图像进行智能处理，成为目前输电线路巡检的主要方式。

导线散股的主要表现为：导线形态发生变化，例如导线分叉形成多股散乱的细线、沿导线方向粗度发生改变、散股点处导线的灰度值下降、散股点附件导线有凸起情况以及在导线散股点的边缘，图像梯度有明显增强等图像特征。如何针对复杂输电线路背景图像信息，快速高效地获取上述导线散股的图像特征，检测出待识别目标导线，并确定该导线在图片中的区域，是现阶段一个技术难点。

发明内容

基于现有技术的上述情况，本发明的目的在于提供一种导线散股的识别方法，以实现智能识别输电线路巡检图像中导线散股现象，提高巡检效率。该方法能够针对复杂输电线路的背景图像信息，快速高效地获取上述导线散股的图像特征，检测出待识别目标导线，并准确地确定该导线在图片中的区域。

为达到上述目的，本发明提供了一种基于Faster-RCNN模型的导线散股识别方法，包括如下步骤：

S1、将巡线无人机搭载的可见光摄像机获取的输电线路可见光图像，传输到输变电识别系统服务器，并自动按照统一文件命名模板进行存储；

S2、对所述步骤S1中的包含目标导线信息的输电线路可见光图像样本，进行归一化均衡化预处理，对所述预处理后的可见光图像样本，进行目标导线的标注；

S3、基于Tensorflow平台和Faster-RCNN深度卷积神经网络模型，对所述标注后的输电线路可见光图像样本进行目标检测及模型训练；

S4、对待检测的目标导线图像进行归一化处理，输入所述步骤S3中训练好的模型进行目标导线识别，判断导线是否存在散股现象，并输出识别结果。

进一步的，所述统一文件命名模板，符合输电线路模型定义规则，包括线路名称、区段、拍摄时间。

进一步的，所述预处理包括：Gauss滤波器去除噪声、彩色图像直方图均衡化、以及采用对数变换的图像增强算法。

进一步的，所述进行目标导线的标注，包括正常导线及存在散股特征的导线。

进一步的，进行目标导线的标注采用LabelImg标注工具，以生成xml文件。

进一步的，所述步骤S4中，将待检测的目标导线图像输入训练好的模型进行目标导线识别之前，基于目标导线预测框对原图进行裁剪，以减少计算量。

进一步的，对待检测的目标导线图像进行归一化处理，包括：

将可见光图像转化为灰度图；