[发明专利]基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统

权利要求书

1.基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，包括以下步骤：

S1、对预先获取的每张配网线路巡检图像进行人工标注，以确定每张配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构成配网线路巡检图像数据集，将所述配网线路巡检图像数据集分为图像训练集和图像测试集；

S2、基于图像处理算法对所述配网线路巡检图像数据集进行数据增广处理，以对所述配网线路巡检图像数据集进行数据增强；

S3、基于改进Faster RCNN目标检测算法结合BiFPN特征融合网络对所述图像训练集进行训练，以输出配网线路巡检图像中的各个部件的缺陷类型和对应的定位框，从而构建配网线路缺陷识别模型，所述改进Faster RCNN目标检测算法是以在ImageNet数据集中预训练得到的ResNet 101网络结构作为骨干网络；

S4、利用所述图像测试集输入至所述配网线路缺陷识别模型中进行测试，根据测试结果判断所述配网线路缺陷识别模型的识别精度是否满足预设要求，若不满足预设要求，则调整网络参数并转至步骤S3进行迭代训练，直至所述配网线路缺陷识别模型的识别精度满足预设要求，输出相应的配网线路缺陷识别模型。

2.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S1中的对预先获取的每张配网线路巡检图像进行人工标注具体包括：

S101、根据缺陷认定规则对预先获取的每张配网线路巡检图像中的各个部件的缺陷类型进行人工标注，缺陷类型的标签使用one-hot编码，缺陷类型的标签包括正常标签、树枝遮挡标签、绝缘子缺陷标签、销钉缺陷标签和杆塔雷击缺陷标签；

S102、根据标注的缺陷对应的部件及其尺寸确定定位框的位置和大小。

3.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S2中的数据增广处理的方式采用随机裁剪、随机亮度变换、随机色相和饱和度变换中的一种处理方式或多种处理方式组合。

4.根据权利要求3所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，随机亮度变换的步骤具体包括：

S211、确定待处理的配网线路巡检图像中的某像素点在RGB空间中的初始像素值；

S212、根据预设的亮度变化量上下限约束，随机确定所述待处理的配网线路巡检图像中均匀分布的亮度变化量；

S213、根据所述初始像素值和若干个所述亮度变化量确定所述待处理的配网线路巡检图像经随机亮度变换后的像素值。

5.根据权利要求1所述的基于改进Faster RCNN的配网线路典型缺陷诊断方法，其特征在于，步骤S3之前包括：

S301、获取公开的ImageNet数据集；

S302、利用ImageNet数据集对ResNet 101网络结构进行训练，以进行图像分类任务，所述ResNet 101网络结构包括卷积操作层、残差块、平均值池化层和全连接网络层；

S303、向所述卷积操作层输入配网线路巡检图像数据，将所述配网线路巡检图像数据利用卷积核进行卷积操作；

S304、对所述卷积操作层输出的配网线路巡检图像数据进行标准化处理，以得到标准图像样本集合；

S305、利用非线性激活函数对所述标准图像样本集合进行激活，以得到激活图像样本集合，所述激活图像样本集合再经过最大池化以输出新的特征图像；

S306、将所述新的特征图像输入到残差块进行处理，所述残差块为四个残差子块堆叠而成，所述新的特征图像每经过一个残差子块，则所述新的特征图像的数量增大至原来的两倍且其尺寸缩短至原来的一半；

S307、将经残差块处理后的新的特征图像输入至所述平均值池化层，利用平均值池化函数对所述新的特征图像进行综合特征；

S308、将经所述平均值池化层处理后的新的特征图像输入至所述全连接网络层，以对所述新的特征图像进行分类，再经由softmax函数将输出结果映射到[0,1]区间内且使其总和为1，从而得到新的特征图像的分类概率；

S309、依据所述新的特征图像的分类概率判断相应的类别，从而完成对ResNet 101网络结构进行训练。