[发明专利]一种基于改进YOLOv3的绝缘子故障检测方法

说明书

本发明提供一种基于改进YOLOv3的绝缘子故障检测方法，涉及目标检测技术领域，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，制得数据集；S3、将数据集划分为训练数据集和测试数据集；S4、对步骤S2得到的绝缘子故障数据集进行预测框计算；S5、建立基于改进YOLOv3的绝缘子故障检测模型；S6、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。本发明能够在复杂环境下有效地检测绝缘子故障，具有较高的检测准确率和召回率。

技术领域

本发明涉及基于深度神经网络的目标检测技术领域，具体涉及一种基于改进YOLOv3的绝缘子故障检测方法。

背景技术

随着对电能的需求的增加，特别是在智能电网的情况下，高压输电变得越来越重要。绝缘子作为高压输电线路中最常见且最容易发生故障的设备之一，在电网运行过程中起着机械支撑和电气绝缘的重要作用。由于绝缘子长时间暴露在外部环境中，不可避免地会出现故障，绝缘子故障的发生具有随机性和多样性。绝缘子故障会影响整个输电线路的安全和稳定运行，甚至给电网造成巨大的经济损失。为了保证输电线路的正常运行，绝缘子故障检测已成为输电线路智能检查的首要任务。传统的人工巡逻效率低下、浪费人力资源，已逐渐被无人机巡检所取代，巡检人员无需再通过望远镜等设备沿输电线路排查绝缘子故障。但是，应用场景的复杂性和可变性给绝缘子故障的智能检测带来了巨大的挑战。

传统的图像处理算法通常通过特定的特征(例如颜色，梯度，纹理和形状)对绝缘子进行分割，然后通过匹配算法实现故障检测。但是，传统图像处理算法依赖于人工设计特征，不适用于复杂背景下的绝缘子多尺度检测。与传统的图像处理方法相比，基于深度学习的方法在特征提取方面具有很强的优势。YOLOv3作为典型的目标检测算法，在目标检测领域得到了广泛的应用。由于不同的拍摄角度和拍摄距离，航空影像中绝缘子的相关特征不确定，以及绝缘子故障目标较小，使得YOLOv3在复杂的背景下对绝缘子故障检测的准确率和召回率有待进一步提高。

发明内容

(一)解决的技术问题

本发明针对上述现有技术的缺陷问题，提供了一种基于改进YOLOv3的绝缘子故障检测方法。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：

一种基于改进YOLOv3的绝缘子故障检测方法，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(跨阶段局部密集连接)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。