[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

说明书

本申请公开了一种基于改进FasterRCNN的配网线路典型缺陷诊断方法及系统，其通过对配网线路巡检图像数据集进行数据增广处理以增加样本数量和多样性，并通过以在ImageNet数据集中预训练得到的ResNet101网络结构作为改进FasterRCNN目标检测算法的骨干网络，并结合BiFPN特征融合网络能够提取多尺度特征，利用多尺度特征进行缺陷分类及缺陷定位，实现了多尺度缺陷目标检测，能够同时检测同一巡检图像中尺寸差异较大的缺陷，提高了不同尺寸的部件的缺陷的准确度。

技术领域

本申请涉及配网设备配网线路巡检图像技术领域，尤其涉及一种基于改进FasterRCNN的配网线路典型缺陷诊断方法及系统。

背景技术

目前，无人机巡检技术在配网线路巡检领域中广泛应用，其是利用无人机的灵活性，可以拍摄大量配网线路图像，再回传到后台进行缺陷定位和类型分析。

但是，在后台进行缺陷定位和类型分析时，传统的图像分析是需要人工进行图像分析，这使得无法在短时间内快速分析海量图像数据，且工作人员容易因疲劳或个人经验的影响，经常出现检测错误的现象。

因此，目前针对人工检测效率低下且易出错的问题，通常使用深度学习目标检测算法进行图像分析，以检测配网线路缺陷。但由于配网线路各部件大小差异较大，在使用深度学习目标检测算法过程中，通过采用单尺度特征的方法捕捉配网线路图像，但对于配网线路图像中不同尺寸部件的缺陷情况，应用单尺度特征的方法就难以同时检测各尺度下的缺陷信息，造成检测缺陷的准确度较低。

发明内容

本申请提供了一种基于改进Faster RCNN的配网线路典型缺陷诊断方法及系统，用于解决检测不同尺寸的部件的缺陷的准确度较低的技术问题。

有鉴于此，本申请第一方面提供了一种基于改进Faster RCNN的配网线路典型缺陷诊断方法，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。

优选地，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。

优选地，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。

优选地，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；