[发明专利]一种基于FasterRCNN级联的电塔螺栓异常检测方法

说明书

本发明公开了一种基于FasterRCNN级联的电塔螺栓异常检测方法，包括数据获取及标注；Faster RCNN网络训练；螺帽缺失检测，本发明适用于深度学习中目标检测技术领域，本发明借助二级网络对螺栓进行异常检测，提升了检测精度，高效地完成日常输电线路的巡检，大大提高了巡检效率。

技术领域

本发明属于深度学习中目标检测技术领域，具体是一种基于FasterRCNN级联的电塔螺栓异常检测方法。

背景技术

随着国家电网的不断发展，加大“互联网+”创新力度成为现如今的工作重点，如何实现电力系统物联网和巡检自动化是亟需解决的问题。螺栓作为电塔的重要组成部分，关键位置的螺栓异常可能会导致安全隐患。

然而，传统的螺栓异常检测方法通常是人工巡检，存在工作量大、效率低、不安全等问题，随着无人机的发展，常用人工识别无人机拍摄的螺栓影像中存在的异常，但是现有方法得到的检测数据精度低，不利于日常输电线路的巡检，导致巡检效率慢。

发明内容

本发明的目的在于克服现有技术的缺陷，提供一种基于FasterRCNN级联的电塔螺栓异常检测方法。

为实现上述目的，本发明采用了如下技术方案：

一种基于FasterRCNN级联的电塔螺栓异常检测方法，包括：

数据获取及标注；

Faster RCNN网络训练；

螺帽缺失检测。

优选的，所述数据获取及标注,包括：

确定数据采集地；

确定数据采集要求：在光照不强的时间段采集数据，采集数量为2000—3000个螺栓样本，样本格式为影像或者视频；

数据采集：采集若干个输电塔上关键部位螺栓的影像，组成训练和测试的数据集；

训练集标注：采用拉矩形框的方式，标注影像中包含螺栓的部件，送入网络训练。

优选的，所述Faster RCNN网络训练，包括：

使用VGG16进行特征提取；

用RPN网络生成检测框，其中，所述RPN网络包括两部分，其中一部分通过分类得到前景和背景，另一部分得到精确的位置信息；

挑选出若干个样本，通过ROI Pooling将这些不同尺寸的区域归一化到同一个尺度上，实现权重共享；

分类：通过全连接层和softmax进行分类，利用bounding box regression得到更加精确的候选框。

优选的，所述螺帽缺失检测，包括：

基于Faster RCNN网络训练，检测出包含螺栓的部件，输出为影像；

标注影像中包含的螺栓，组成新的训练数据集；

将新的数据集送入网络中进行训练，得到检测结果；

进行40万次迭代，基于精确率与召回率，结合输电塔关键部位的结构特殊性和包含螺栓数量的规律性，对检测精度进行评定。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明提出一种基于FasterRCNN级联的电塔螺栓异常检测方法，借助二级网络对螺栓进行异常检测，提升了检测精度，高效地完成日常输电线路的巡检，大大提高了巡检效率。

附图说明

图1是本发明的流程图;

图2是本发明实施例提供的一种螺栓螺帽示意图；

图3是本发明实施例提供的一种电塔螺栓检测方法框架图；

图4是本发明实施例提供的一种螺栓数据集示意图；

图5是本发明实施例提供的一种螺栓部件标注示意图；

图6是本发明实施例提供的一种螺栓标注示意图；