[发明专利]一种用于电力巡检绝缘子故障图像识别方法

权利要求书

1.一种用于电力巡检绝缘子故障图像识别方法，其特征在于，包括以下步骤：

S1、采集航拍绝缘子图像，制作绝缘子故障数据集；

S2、利用Label-Image标注工具对航拍图像中的绝缘子故障位置进行标注，得到绝缘子故障数据集；

S3、随机选取数据集中的一部分图像作为训练集，剩余图像作为测试集，训练集与测试集按照2：1比例选取；

S4、对步骤S2得到的绝缘子故障数据集进行预测框计算，先读取标注好的数据集，随机初始化边界框的宽度和高度，再利用K-means++算法进行迭代，计算得到预测框的坐标；

S5、建立基于深度学习的绝缘子故障检测模型，所述检测模型具体包含依次连接的主干网络层、金字塔池化层、特征融合层、目标检测层；

S6、将训练集图像输入步骤S5所述的绝缘子故障检测模型，进行网络设置，重复迭代训练，得到训练好的绝缘子故障检测模型；

S7、测试集图像输入到步骤S6训练好的绝缘子故障检测模型进行性能测试，输出检测结果。

2.如权利要求1所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于：选取航拍绝缘子故障图像864张，图像分辨率调整为416×416，建立绝缘子故障数据集；选取576张标注后的绝缘子图像作为训练集，其余288张绝缘子图像用作测试集。

3.如权利要求2所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于，所述步骤S4最终利用K-means++算法选取K＝9，得到9个预测框的坐标为(18×14),(22×17),(22×20),(21×23),(26×19),(24×23),(28×23),(26×29)和(32×29)。

4.如权利要求1所述的一种用于电力巡检绝缘子故障图像识别方法，其特征在于，所述步骤S5中用于绝缘子故障检测的深度学习网络模型包括主干网络层、金字塔池化层、特征融合层、目标检测层；输入到所述检测模型的图像特征为416×416×3，所述主干网络层具体包括依次连接的第一特征层、第二特征层、第三特征层、第四特征层、第五特征层和第六特征层，所述第一特征层提取图像特征416×416×32，所述第二特征层提取图像特征208×208×64，所述第三特征层提取图像特征104×104×128，所述第四特征层提取图像特征52×52×256，所述第五特征层提取图像特征26×26×512，所述第六特征层提取图像特征13×13×1024；所述第四特征层、第五特征层、第六特征层的输出与金字塔池化层相连，金字塔池化层采用三尺度金字塔池化结构，三尺度金字塔池化层的输出与特征融合层相连，所述特征融合层输出52×52、26×26、13×13三尺度特征给目标检测层，所述目标检测层分别对特征尺度为52×52、26×26、13×13的绝缘子故障图像进行预测。