[发明专利]电力巡检绝缘子图像识别方法

说明书

本发明公开了一种电力巡检绝缘子图像识别方法，包括以下步骤：对数据集进行聚类分析选取锚边框，结合多层特征图进行多尺度检测,采用DCA特征融合策略结合不同特征层,进行边框损失函数参数优化，本发明应用于多目标多特征的检测当中，针对原始YOLOV3算法在声呐图像目标检测上的检测精度不高、目标框出现误检和小目标漏检的问题，本发明改进yolov3模型的网络结构，通过多尺度跨层检测结合深层语义信息和浅层语义信息，对不同大小的特征层进行独立预测，更好适应了对小目标的检测。

技术领域

本发明涉及一种电力巡检绝缘子图像识别方法，属于图像处理识别技术领域。

背景技术

随着国民经济的飞速发展，人们对于电能的依赖和需求也越来越大，由此带来的电力巡检任务也在不断增大。近年来，科技水平的提高使得无人机巡线、机器人巡线等方式逐步替代了传统的人工巡线方式，这些新兴的巡线方式在一定程度上提高了工作效率和安全性能。然而，海量的背景复杂、缺陷种类繁多的巡检图像，仍然给相关检修部门带来了极大的挑战。随着人工智能和图像技术不断发展和成熟，对电力器件缺陷进行智能识别成为可能。

电力器件中，绝缘子是输电线路中用量庞大且极其重要的部件，起到电气绝缘及机械支撑作用。由于绝缘子长期暴露在野外环境中，极易出现各种缺陷和隐患，据统计，由绝缘子缺陷引起的事故目前已成为电力系统故障中所占比例最高的。因此，对此缺陷绝缘子进行智能精确检测，及时完成缺陷或隐患诊断尤为重要。

目前，对巡检图像绝缘子识别存在以下技术难题：

绝缘子体积小，数量多，机巡图像中的绝缘子本身属于较小目标检测，在光线暗弱、、背景复杂、天气状况不佳(如雨雪霜雾天气)条件下，难以对图像中的绝缘子进行识别定位。

现有技术基于巡检图像的绝缘子缺陷识别大多是通过基本图像处理或模式识别方法检测绝缘子缺陷，该类算法要求图像背景较纯净、绝缘子与背景对比度高。近几年，有研究人员将人工智能引入绝缘子的检测过程中，深度学习模型是通过内部网络结构自动提取图像特征检测绝缘子的缺陷，但也存在以下问题：针对小目标的检测、有遮挡物和相互靠近物体的检测效果不佳，一般通过扩大学习过程中可用训练数据的数量，自动学习相似目标类之间差异，增强目标分类的精度。但由于深度神经网络结构复杂，这使其应用到特定环境中时需要大量的数据进行支撑，使得图像的处理变得复杂，计算量大，耗费计算资源多，识别速度慢。

发明内容

本发明的目的在于提供一种电力巡检绝缘子图像识别方法，解决小目标图像处理复杂，识别精度不高，出现误检、漏检，计算量大，耗费计算资源多，识别速度慢的技术问题。本发明基于YOLOv3(YOU ONLY LOOK ONCE)目标检测方法来进行目标特征提取与识别，针对现有技术在图像目标检测精度不高、目标框出现误检和小目标漏检的问题，本发明改进模型的网络结构和参数来保证小目标检测的准确、稳定、高效。并通过多尺度跨层检测结合深层语义信息和浅层语义信息，对不同大小的特征层进行独立预测，更好适应对小目标的检测。

本发明的目的通过以下技术予以实现：

一种电力巡检绝缘子图像识别方法，包括以下步骤：

1)对数据集进行聚类分析选取锚边框，锚边框聚类方法选取包括以下步骤：

步骤(1)：将所有的bounding box(预测框)坐标提取出来；

步骤(2)：获得所有训练数据bounding boxes(预测框)的宽高数据；

步骤(3)：初始化k个anchor boxes(锚边框)，通过在所有的bounding boxes(预测框)中随机选取k个值作为k个anchor boxes(锚边框)的初始值；

步骤(4)：计算每个bounding box(预测框)与每个anchor box(锚边框)的IOU值，并更新anchor box(锚边框)；