[发明专利]基于DenseNet的输电线路多尺度目标故障检测方法及应用

权利要求书

1.一种基于DenseNet的输电线路多尺度目标故障检测方法，其特征在于，是按以下步骤进行：

步骤1、采集无人机在巡检过程中的航拍图片并进行预处理，得到预处理后的故障图像集；

步骤2、对所述预处理后的故障图像集进行扩充样本，得到扩充后的航拍故障图像集；

步骤3、对所述扩充后的航拍故障图像集进行目标标注，从而构建带有m种类别标签的图像数据集；令所述图像数据集中任意一张样本图像记为C；其维度为s₀×s₀×k₀；s₀表示图像长度或宽度，k₀表示通道数；

步骤4、建立基于DenseNet的输电线路多尺度目标故障检测模型，包括：特征提取网络、特征融合网络、区域建议网络和目标检测层；

步骤4.1、所述特征提取网络，包括：初始卷积层，初始池化层，I个特征提取层、I-1个过渡层；

任意第i层特征提取层由a_i个稠密块依次密集连接而成，i＝1，2，...，I；其中，第l个稠密块包含：第l个第一BN层、第l个第一Relu层、第l个维度为1×1的Conv层、第l个第二BN层、第l个第二Relu层、第l个维度为3×3的Conv层；l＝1，2，...，a_i；

任意第j个过渡层是由第j个第三BN层、第j个第三Relu层、第j个维度为1×1的卷积层和第j个维度为2×2的平均池化层依次连接组成，j＝1，2，...，I-1；

所述维度为s₀×s₀×k₀的样本图像C输入特征提取网络中，并依次经过初始卷积层、初始池化层中，得到初始特征图像f₀；

当i＝1，j＝1时，初始特征图像f₀经过第i个特征提取层的处理后，输出第i个特征图像G_i，G_i再输入第j个过渡层中，并依次经过第j个第三BN层、第j个第三Relu层、第j个维度为1×1的卷积层的降维处理后输出第i个尺度特征图像C_i；C_i再经过第j个维度为2×2的平均池化层的处理后，得到第j个维度为s_j×s_j×k_j的池化特征图像f_j；其中，s_j表示f_j的维度，k_j表示f_j的通道数；

当i＝2，3，...，I；j＝2，3，...，I-1时，第j-1个池化特征图像f_j-1输入第i个特征提取层中进行处理后，输出第i个特征图像G_i，并输入第j个过渡层中进行处理，依次得到第i个尺度特征图像C_i和第j个维度为s_j×s_j×k_j的池化特征图像f_j；

当i＝I，j＝I-1时，第I-1个池化特征图像f_I-1输入第I个特征提取层中进行处理后，输出第I个特征图像G_I，并作为第I个尺度特征图像C_I；从而由所述特征提取网络得到多尺度特征图集合{C₁，C₂，…C_i，…C_I}；

步骤4.2、所述特征融合网络包括I个维度为1×1的卷积降通道模块、I-1个上采样模块、I-1个加法模块、I个维度为3×3的卷积模块和一个下采样模块；

I个维度为1×1的卷积降通道模块分别对{C₁，C₂，…C_i，…C_I}进行降通道处理，得到通道数统一后的特征图像{D₁，D₂，…D_i，…D_I}，其中，D_i表示第i个通道数统一后的特征图像；

当i＝I时，第I-1个上采样模块对第I个特征图像D_I进行2倍的上采样处理后得到第I-1个高分辨率特征图E_I-1，第I-1个加法模块将E_I-1与D_I-1进行逐像素相加后，得到第I-1个融合特征图M_I-1；

当i＝I-1，I-2，...，2时，第i-1个上采样模块对第i个特征图像D_i进行2倍的上采样处理后得到第i-1个高分辨率特征图E_i-1，第i-1个加法模块将E_i-1与D_i-1进行逐像素相加后，得到第i-1个融合特征图M_i-1；从而得到融合特征图集合{M₁，M₂，…M_i，…M_I-1}；

I-1个维度为3×3的卷积模块分别对{M₁，M₂，…M_i，…M_I-1}进行混叠效应消除后，得到预测特征图像集合{P₁，P₂，…P_i，…P_I-1}；其中，P_i表示第i个预测特征图像；

第I个维度为3×3的卷积模块对第I个通道数统一的特征图像D_I进行混叠效应消除后，得到第I个预测特征图像P_I；

所述下采样模块对第I个预测特征图像P_Ｉ进行2倍的下采样处理后得到第I+1个预测特征图P_I+1；从而由所述特征融合网络得到最终的预测特征图集合{P₁，P₂，…P_i，…P_I+1}；

步骤4.3、预测特征图集合{P₁，P₂，…P_i，…P_I+1}输入区域建议网络中，并对每个特征图中的每一个位置生成锚点，且每个锚点由不同尺度和宽高比例的矩形框组成；每个锚点先输入分类分支中，通过卷积层和softmax函数判断每个锚点中是否包含目标，如果包含目标，则保留相应锚点，否则剔除相应锚点；筛选后的锚点再经过边框回归支路中进行边界框回归，得到相应特征图的建议区域，从而得到I+1个建议区域；

步骤4.4、所述目标检测层包括：ROIAlign层、最大值融合层、全连接层、分类层和边框回归层；

所述ROIAlign层对I+1个建议区域分别进行池化操作，生成I+1个相同形状的特征图；

所述最大值融合层对I+1个相同形状的特征图进行最大值融合操作，最终生成一个融合特征图P_I+2；

步骤4.5、所述全连接层将融合特征图P_I+2变换为特征向量后再经分类器、边框回归层以及softmax函数的计算后，输出样本图像C的故障区域候选框及其类别；

步骤5、基于所述图像数据集，利用梯度下降法对所述基于DenseNet的输电线路多尺度目标故障检测模型进行训练，并计算交叉熵损失函数，用于更新模型参数，当损失函数值不再下降并趋于稳定时停止训练，得到最优输电线路多尺度目标故障检测模型，用于对目标图像进行故障识别。