[发明专利]一种基于超高分辨率图片的无人机电力巡线故障检测方法

权利要求书

1.一种基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，包括如下步骤：

步骤一、建立无人机航拍输电线路故障类型图片数据集；

步骤二、建立YOLO检测模型，YOLO检测模型包括滑动窗口切图单元，滑动窗口切图单元采用滑动窗口对无人机航拍输电线路故障类型图片数据集切图得到若干低分辨率的切图和对应的xml文件；

步骤三、YOLO检测模型通过低分辨率的切图和对应的xml文件进行训练，得到训练好的YOLO检测模型；

步骤四、对待检测的无人机航拍输电线路故障类型图片输入训练好的YOLO检测模型得到检测结果。

2.如权利要求1所述的基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，所述步骤一中，无人机航拍输电线路故障类型图片通过自主采集和网络爬取相结合得到以及通过基于仿射变换的方法进行数据集增强得到。

3.如权利要求1所述的基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，所述步骤二中，采用滑动窗口切图的步骤如下：首先使用Labelimg标注软件对超高分率原始图片进行标注获取xml标注文件，然后进行剪切得到低分率的图片和与之对应的xml文件，并重新命名。

4.如权利要求2所述的基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，所述低分率的图片的重叠率为20％，长宽为960*960。

5.如权利要求1所述的基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，所述步骤二中，在YOLO检测模型中，对CSPDarkNet53进行改进，变为CSP*_X；*代表用户自定义的数量，值越大表示提取特征的能力越强，相应的训练时间和测试时间也会变长，模型规格选择X，是最重量级的也是最大的模型；YOLO检测模型包括输入端、特征提取部分、特征融合部分和结果输出部分；特征提取部分。

6.如权利要求5所述的基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，所述特征提取部分包括滑动窗口切图单元，滑动窗口切图单元为Focus结构；滑动窗口切图单元的DarkNet53网络加入CSP结构，即在DarkNet53网络的残差块外再加入一个卷积分支，DarkNet53网络的最后加入SPP网络；

所述特征融合部分采用特征金字塔网络和路径聚合网络；特征金字塔网络由自上向下部分和自下向上部分组成；其中，自上而下部分的网络用于提取航拍图片的特征，自下而上部分用于融合不同尺度的特征信息；路径聚合网络用于创建自下而上的路径，缩短信息传播路径，利用low-level特征层中存储的精确定位信息，底层基础信息向高层传播以帮助进行分类和定；

结果输出部分采用三种不同尺度的特征层去预测最终的结果。

7.如权利要求5所述的基于超高分辨率图片的无人机电力巡线故障检测方法，其特征在于，所述三种不同尺度的特征层包括40*40*(C+5)*3、80*80*(C+5)*3、160*160*(C+5)*3三种，其中C代表故障类别数，5包括(Xmin,Ymin,Xmax,Ymax,Confidence)五个元素，表示矩阵框；Xmin,Ymin分别表示矩阵框左上角坐标的横坐标和纵坐标、Xmax,Ymax分别表示矩阵框右下角坐标的横坐标和纵坐标、Confidence存在物体的概率，3表示3个锚框，C表示故障类别数。