[发明专利]一种基于改进YOLOv3的绝缘子故障检测方法

权利要求书

1.一种基于改进YOLOv3的绝缘子故障检测方法，其特征在于，包括以下步骤：

S1、采集输电线路巡检航拍图像，制作绝缘子故障图像集；

S2、遍历图像集，使用图像标注软件对每张图像中绝缘子故障位置进行标注，将待检测目标的位置和类别信息保存起来，制得数据集；

S3、将数据集划分为训练数据集和测试数据集，训练数据集与测试数据集按照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，利用K-means++算法进行迭代，选取K＝9，得到9个预测框的坐标为(17,13),(23,15),(20,17),(25,17),(21,21),(24,19),(26,23),(23,26),(30,28)；

S5、建立基于改进YOLOv3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骨干网络、特征融合网络、目标检测网络，所述骨干网络的52×52特征层引入第一CSPD模块，26×26特征层引入第二CSPD模块；

S6、将训练数据集图像输入步骤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、将测试数据集图像输入到步骤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所述的一种基于改进YOLOv3的绝缘子故障检测方法，其特征在于：选取航拍绝缘子故障图像1331张，图像分辨率调整为416×416，建立绝缘子故障数据集；随机选取809张标注后的绝缘子故障图像作为训练数据集，其余522张绝缘子故障图像用作测试数据集。

3.如权利要求1所述的一种基于改进YOLOv3的绝缘子故障检测方法，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骨干网络、特征融合网络、目标检测网络；输入到所述检测模型的图像特征为416×416×3，所述骨干网络具体包括依次连接的第一转换层、第一残差模块、第二残差模块、第一CSPD模块、第二CSPD模块、第三残差模块，所述第一转换层提取图像特征416×416×32，所述第一残差模块提取图像特征208×208×64，所述第二残差模提取图像特征104×104×128，所述第一CSPD模块提取图像特征52×52×256，所述第二CSPD模块提取图像特征26×26×512，所述第三残差模块提取图像特征13×13×1024；所述第一CSPD模块、第二CSPD模块、第三残差模块的输出与特征融合网络相连，所述特征融合网络输出52×52、26×26、13×13三尺度特征给目标检测网络，所述目标检测网络分别对特征尺度为52×52、26×26、13×13的绝缘子故障图像进行预测。

4.如权利要求3所述的一种基于改进YOLOv3的绝缘子故障检测方法，其特征在于，所述骨干网络具体包括依次连接的第一转换层、第一残差模块、第二残差模块、第一CSPD模块、第二CSPD模块、第三残差模块；所述第一转换层包括1个3×3×32卷积层，第一转换层的输出特征为416×416×32；所述第一残差模块包括1个3×3×64步长为2的第一降采样层和1个残差单元，残差单元由1个1×1×32卷积层、1个3×3×64卷积层、1个shortcut连接组成，第一残差模块的输出特征为208×208×64；所述第二残差模块包括1个3×3×128步长为2的第二降采样层和2个残差单元，残差单元由1个1×1×64卷积层、1个3×3×128卷积层、1个shortcut连接组成，第二残差模块的输出特征为104×104×128；所述第一CSPD模块包括第三降采样层、4个残差单元、4个Dense单元，所述第一CSPD模块的输出特征为52×52×256；所述第二CSPD模块包括第四降采样层、8个Dense单元，第二CSPD模块的输出特征为26×26×512；所述第三残差模块包括1个3×3×512步长为2的第五降采样层和4个残差单元，残差单元由1个1×1×512卷积层、1个3×3×1024卷积层、1个shortcut连接组成，第三残差模块的输出特征为13×13×1024。