[发明专利]基于巡线航拍图像的绝缘子缺陷检测方法及系统

说明书

本发明涉及基于巡线航拍图像的绝缘子缺陷检测方法及系统，包括以下步骤：获取巡线航拍图像，基于训练完毕的深度学习模型得到巡线航拍图像中绝缘子所在区域的图像；对绝缘子所在区域的图像增强处理，得到增强后的绝缘子所在区域图像并预处理；基于预处理后的绝缘子所在区域图像，获取图像中绝缘子的边缘信息，通过积分投影曲线计算得到以绝缘子串轴线为基准，绝缘子边缘坐标集为输出的曲线图像，图像中绝缘子边缘坐标的变化量超出设定范围的区域即为识别到的缺陷绝缘子。将深度学习模型与经典图像处理级联使用，分别发挥了各自的优势，既能克服直接检测绝缘子缺陷区域时的小目标检测困难，又能获得较好的实时性。

技术领域

本发明涉及图像识别技术领域，具体为基于巡线航拍图像的绝缘子缺陷检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

绝缘子是输电线路中作为绝缘和机械支撑作用的重要部件，传统的绝缘子缺陷检测依靠人工借助检测工具实地监测，或采用无人机航拍器采集输电线路图像后进一步分析实现监测。

目前，针对绝缘子缺陷检测方法通常为端到端的缺陷直接检测法，一般采用深度网络的目标检测算法，通过大量绝缘子缺陷图像训练深度网络模型，获取最优网络架构和参数配置；然后采用所得模型对新的航拍图像进行测试检测，此种方式中，深度网络模型训练严重依赖于大量的高质量绝缘子缺陷标注数据，因此数据准备和计算力要求较高，在实际中应用困难。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供基于巡线航拍图像的绝缘子缺陷检测方法及系统，利用高效的深度学习模型直接对绝缘子大目标实现检测，然后对定位到的绝缘子区域进行二次图像处理和识别，确定绝缘子缺陷，避免了直接进行绝缘子小目标缺陷的检测难题，改善了外界环境变化而影响检测精度，同时采用两步法检测模型级联，能有效提升检测效率。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供基于巡线航拍图像的绝缘子缺陷检测方法，包括以下步骤：

获取巡线航拍图像，基于训练完毕的深度学习模型得到巡线航拍图像中绝缘子所在区域的图像并预处理；

基于预处理后的绝缘子所在区域图像，获取图像中绝缘子的边缘信息，通过积分投影曲线计算得到以绝缘子串轴线为基准，绝缘子边缘坐标集为输出的曲线图像，图像中绝缘子边缘坐标的变化量超出设定范围的区域即为识别到的缺陷绝缘子；

对缺陷绝缘子所在的区域进行标注，确定缺陷绝缘子在图像中的位置。

深度学习模型的训练过程包括以下步骤：

利用带有绝缘子缺陷的巡线航拍图像构建训练集和测试集；

归一化处理训练集中的图像尺寸；

归一化处理后的训练集输入改进的YOLOv3深度模型，得到训练完毕的深度学习模型。

改进的YOLOv3深度模型通过支路F4将骨干网的浅层信息引入PANet路径聚合模块，并与原网络中的特征形成聚合，共同作为注意力模块的输入。

预处理的过程包括，绝缘子所在区域的图像经增强后进行图像分割，获得二值分割后的图像。

得到绝缘子缺陷区域的位置后，依据绝缘子边缘坐标输出矩形窗实现检测结果标注。

本发明的第二个方面提供实现上述方法的系统，包括：

绝缘子区域检测模块，被配置为：获取巡线航拍图像，基于训练完毕的深度学习模型得到巡线航拍图像中绝缘子所在区域的图像并预处理；