[发明专利]螺栓缺陷检测方法及系统

说明书

本申请公开了一种螺栓缺陷检测方法及系统，所述方法应用于螺栓缺陷检测系统，所述螺栓缺陷检测系统包括螺栓缺陷检测模型；所述检测方法包括：获取待检测螺栓数据；对待检测螺栓数据进行特征提取，获取初始特征；对初始特征进行上采样，并且对其赋予权重，获取选择特征；将初始特征和所述选择特征进行融合，获取融合特征；对所述融合特征进行回归和分类运算，获得螺栓缺陷检测结果。采用前述的方案，通过增加特征选择层，促进不同层次特征的选择与融合，最后通过特征融合将特征金字塔的各层输出进行融合，从而得到相较于传统CNN更为优异和精确的检测结果。解决了传统CNN方法很难将螺栓的图像进行精确定位、识别，进而很难检测螺栓缺陷的问题。

技术领域

本申请涉及输配电缺陷检测技术领域，尤其涉及一种螺栓缺陷检测方法及系统。

背景技术

在输电线路中，螺栓作为一种紧固件，广泛应用于输电线路各个部件之间的连接部位，从而使整体结构稳定。但是由于工作环境复杂，它们容易损坏，例如：一些销钉会缺失，这可能导致大面积的输电线路故障，严重威胁电网的安全性和稳定性。因此，需要定期对螺栓进行检测，找出缺陷，及时替换，及时止损。

现有技术中，通常利用传统的机器学习方法对螺栓的特征进行提取，识别，判断缺陷，传统机器学习方法通常需要手动选取对象特征，因此，通常需要依靠经验设计对象特征，当被处理的图像特征比较复杂时，通常很难保证检测精度的稳定性。电力设备图像不仅背景复杂，而且由于设备和支架之间的相互遮挡以及拍摄距离和角度导致的尺度差异，使得传统特征提取方法对螺栓的识别，无法获得较好效果。

随着卷积神经网络(CNN)的出现，CNN通过其特有的卷积层和采样层等功能层的交替使用，可以充分学习原始图像中待识别物体的各项特征，并将特征储存在网络中，最终通过最末端的分类器，判断图像类别。由于CNN较强的特征学习能力，目前广泛应用于各类目标检测中，并获得了良好的检测效果，解决了传统机器学习的缺陷。传统CNN可以通过网络对大量图像的学习，获取待测对象的特征并进行检测。虽然训练时间较长，但一旦网络训练结束，该网络不仅储存了训练集中大量的图片特征，而且在测试环节中仅需要进行单向运算，检测时间短，识别准确率高，抗干扰能力强。

但是，传统CNN方法对于电力设备图像的识别仍然具有局限性，由于大量电力设备分布在电力系统各处，在图像中尺度跨度大，最大设备的长宽尺度，可能为最小设备的数倍，而且图像中环境复杂，设备相互遮档严重，加之螺栓的体积较小。因此，传统CNN方法很难将电力设备图像进行精确定位、识别，进而不能准确是识别出螺栓的缺陷。

发明内容

本申请提供了螺栓缺陷检测方法及系统，以解决传统CNN方法很难将电力设备图像进行精确定位、识别，进而不能准确是识别出螺栓的缺陷的问题。

第一方面，本申请实施例提供一种螺栓缺陷检测方法，所述方法应用于螺栓缺陷检测系统，所述螺栓缺陷检测系统包括螺栓缺陷检测模型；所述检测方法包括：

获取待检测螺栓数据；

对所述待检测螺栓数据进行特征提取，获取初始特征；

对所述初始特征进行上采样，并且对其赋予权重，获取选择特征；

将所述初始特征和所述选择特征进行融合，获取融合特征；

对所述融合特征进行回归和分类运算，获得螺栓缺陷检测结果。

结合第一方面，在一种实现方式中，对所述螺栓数据进行特征提取，获取初始特征，包括：

利用所述螺栓缺陷检测系统中至少四层网络结构对所述螺栓数据进行前向特征提取，获取对应的至少4层初始特征层，至少4层初始特征层形成初始特征。

结合第一方面，在一种实现方式中，对所述初始特征进行上采样，并且对其赋予权重，获取选择特征，包括：