CN109377483A - 瓷绝缘子裂纹检测方法及装置 - Google Patents
瓷绝缘子裂纹检测方法及装置 Download PDFInfo
- Publication number
- CN109377483A CN109377483A CN201811156050.3A CN201811156050A CN109377483A CN 109377483 A CN109377483 A CN 109377483A CN 201811156050 A CN201811156050 A CN 201811156050A CN 109377483 A CN109377483 A CN 109377483A
- Authority
- CN
- China
- Prior art keywords
- network
- porcelain insulator
- feature
- original image
- example segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Abstract
本发明实施例涉及高压输电设备检测技术领域,提供一种瓷绝缘子裂纹检测方法及装置,所述方法包括:获取多张原始图像;将每张原始图像均输入预先训练好的实例分割网络,对每张原始图像均进行实例分割,得到多个实例分割图;提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域;计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值;当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。与现有技术相比,本发明实施例通过计算机软件来判断了瓷绝缘子是否存在裂纹,有效提高了瓷绝缘子裂纹检测的效率及安全性。
Description
技术领域
本发明实施例涉及高压输电设备检测技术领域,具体而言,涉及一种瓷绝缘子裂纹检测方法及装置。
背景技术
高压支柱瓷绝缘子是输电线路和变电站的重要组成部分,主要用于发电厂、变电站母线等的绝缘和机械固定以及作为隔离开关等的组成部件。由于暴露于大气中并长期处于强电场、强机械应力、骤冷骤热、风雨雪雾、化学物质腐蚀等恶劣化境中,加上本身用料、制作工艺水平等因素,瓷绝缘子出现裂纹在所难免,但是,裂纹会降低瓷绝缘子的绝缘强度,甚至导致瓷瓶断裂引发输电线路供电中断,因此,及早检测出瓷绝缘子的裂纹对电力系统稳定运行非常关键。
目前常见的瓷绝缘子裂纹检测方法主要是观察法和常用工具检测法,其中,观察法是指使用高倍望远镜就近直接观察瓷绝缘子,其可以发现较明显的裂纹;常用工具检测法是指使用短路叉、绝缘子串电压分析仪等工具进行检测,其可以直观检测出瓷绝缘子的状况,但是,这两种方法均需要人工登塔杆检测,检测效率低下且危险性高。
发明内容
本发明实施例的目的在于提供一种瓷绝缘子裂纹检测方法及装置,用以改善上述问题。
为了实现上述目的,本发明实施例采用的技术方案如下:
第一方面,本发明提供了一种瓷绝缘子裂纹检测方法,所述方法包括:获取多张原始图像,其中,所述多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的;将每张原始图像均输入预先训练好的实例分割网络,利用所述实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置;依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域;计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值;当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。
第二方面,本发明实施例还提供了一种瓷绝缘子裂纹检测装置,所述装置包括图像获取模块、实例分割模块、区域提取模块、裂纹检测模块及执行模块。图像获取模块用于获取多张原始图像,其中,所述多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的;实例分割模块,用于将每张原始图像均输入预先训练好的实例分割网络,利用所述实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置;区域提取模块,用于依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域;计算模块,用于计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值;执行模块,用于当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。
相对现有技术,本发明实施例提供的一种瓷绝缘子裂纹检测方法及装置,首先,获取对多个瓷绝缘子从不同角度进行采集得到的多张原始图像;然后,将多张原始图像输入预先训练好的实例分割网络进行实例分割,得到每张原始图像的实例分割图,该实例分割图中包含了原始图像中每个瓷绝缘子的位置;再根据实例分割图中每个瓷绝缘子的位置,从原始图像中准确截取出每个瓷绝缘子的图像区域,由于同一个瓷绝缘子会出现在每张原始图像中,故最终可以截取出同一个瓷绝缘子在每张原始图像中的瓷绝缘子区域;接下来,依次判断每个瓷绝缘子是否存在裂纹,先计算出同一瓷绝缘子的每个瓷绝缘子区域的高斯分布概率值,再将每个高斯分布概率值与预设概率值进行一一对比,由于预设概率值是预先得到的瓷绝缘子不存在裂纹的概率值,故只要任意一个高斯分布概率值低于预设概率值,就可以判定该瓷绝缘子存在裂纹。与现有技术相比,本发明实施例通过计算机软件来判断了瓷绝缘子是否存在裂纹,有效提高了瓷绝缘子裂纹检测的效率及安全性。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例提供的电子设备的方框示意图。
图2示出了本发明实施例提供的瓷绝缘子裂纹检测方法流程图。
图3示出了本发明实施例提供的实例分割网络的示意图。
图4为图2示出的步骤S102的子步骤流程图。
图5示出了本发明实施例提供的瓷绝缘子裂纹检测装置的方框示意图。
图6为图5示出的瓷绝缘子裂纹检测装置中实例分割模块的方框示意图。
图标:100-电子设备;101-处理器;102-存储器;103-总线;104-通信接口;200-瓷绝缘子裂纹检测装置;201-图像获取模块;202-实例分割模块;203-区域提取模块;204-计算模块;205-执行模块;2021-特征提取单元;2022-第一执行单元;2023-区域池化单元;2024-第二执行单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。同时,在本发明的描述中,术语“第一”、“第二”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
请参照图1,图1示出了本发明实施例提供的电子设备100的方框示意图。电子设备100可以与图像采集设备(如,无人机)通信连接,图像采集设备(如,无人机)可以将采集到的包含多个瓷绝缘子的原始图像传输至电子设备100,使得电子设备100依据原始图像进行瓷绝缘子裂纹检测。电子设备100可以是,但不限于笔记本电脑、台式机、服务器、便携计算机等等。电子设备100包括处理器101、存储器102、总线103和通信接口104,处理器101、存储器102和通信接口104通过总线103连接。
存储器102可能包括高速随机存取存储器(RAM:Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。电子设备100通过至少一个通信接口104(可以是有线或者无线)实现该电子设备100与图像采集设备(如,无人机)之间的通信连接。
存储器102用于存储程序,例如图5所示的瓷绝缘子裂纹检测装置200。瓷绝缘子裂纹检测装置200包括至少一个能以软件或固件(firmware)的形式存储于存储器102中或固化在电子设备100的操作系统中的软件功能模块。处理器101可以在接收到执行指令后,执行存储器102中存储的程序以实现下述实施例揭示的瓷绝缘子裂纹检测方法。
处理器101可能是一种集成电路芯片,具有信号的处理能力,用于执行存储器102中存储的可执行模块,例如计算机程序,在执行过程中,瓷绝缘子裂纹检测方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(NetworkProcessor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
总线103可以是ISA总线、PCI总线或EISA总线等。图1中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器101执行时实现下述实施例揭示的瓷绝缘子裂纹检测方法。
一种实施例
请参照图2,图2示出了本发明实施例提供的瓷绝缘子裂纹检测方法流程图。瓷绝缘子裂纹检测方法包括以下步骤:
步骤S101,获取多张原始图像,其中,多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的。
在本发明实施例中,多张原始图像可以是利用图像采集设备从不同角度拍摄多个瓷绝缘子得到的,图像采集设备可以是无人机、相机等。每个原始图像中均包括多个不同的瓷绝缘子,另外,还可能包括输电线、塔杆、天空等物体。
电子设备100获取的多张原始图像可以是图像采集设备拍摄之后实时传输过来的图像,也可以是图像采集设备预先拍摄的图像。另外,每张原始图像的采集角度均不同,这样可以保证多张原始图像中包含每个瓷绝缘子各个角度的图像,能够有效防止某个存在裂纹的瓷绝缘子被漏检。
步骤S102,将每张原始图像均输入预先训练好的实例分割网络,利用实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置。
在本发明实施例中,获取到多张原始图像之后,将每张原始图像均输入预先训练好的实例分割网络进行实例分割,实例分割网络包括依次连接的第一网络、第二网络、第三网络及第四网络,例如,请参照图3,图3示出的实例分割网络包括第一网络L1、第二网络L2、第三网络L3及第四网络L4。
以单张原始图像为例,该原始图像中包含多个瓷绝缘子,将该原始图像输入预先训练好的实例分割网络之后,首先,利用第一网络对原始图像进行特征提取,得到原始图像对应的第一特征图,第一特征图包含原始图像的区块特征和整体特征,区块特征可以是形状类似于瓷绝缘子、输电线、塔杆、天空等主体的单个拓扑结构,整体特征可以是识别出来的包含所有区块的逻辑结构,例如,瓷绝缘子一定在塔杆上等;然后,将第一特征图输入第二网络,得到第二特征图及多个不同位置的提议框,第二特征图是对第一特征图进一步进行特征提取后得到的,提议框是具有不同尺寸和长宽比的矩形,提议框在第二特征图中的对应区域可能是瓷绝缘子拓扑结构;接下来,利用第三网络对每个位置不同的提议框在第二特征图中的对应区域均进行池化,得到多个维度相同且位置不同的第三特征图,第三特征图是从第二特征图中提取出来的,可能是瓷绝缘子的拓扑结构;最后,将多个维度相同且位置不同的第三特征图输入第四网络,利用第四网络进行分类及回归,得到实例分割图,该实例分割图包含每个瓷绝缘子在原始图像中的位置,下面结合子步骤S1021~1024对单张原始图像的实例分割进行详细说明。
请参照图4,步骤S102可以包括以下子步骤:
子步骤S1021,利用第一网络对原始图像进行特征提取,得到原始图像对应的第一特征图。
在本发明实施例中,第一网络包括特征提取网络、第一横向连接网络及上采样网络,结合到图3的第一网络L1中,特征提取网络包括向上的箭头及A1、A2、A3,第一横向连接网络包括向右的箭头,上采样网络包括向下的箭头及B1、B2、B3,第一特征图包括B1、B2、B3。
利用第一网络对原始图像进行特征提取的过程,可以包括:
首先,利用特征提取网络对原始图像进行特征提取,得到多个第一卷积特征图,对原始图像进行特征提取也就是对原始图像进行卷积、池化操作,结合到图3中,多个第一卷积特征图就是A1、A2、A3,具体来说,将原始图像X输入第一网络L1之后,对原始图像进行卷积、池化操作得到第一卷积特征图A1、再对第一卷积特征图A1进行卷积、池化操作得到第二卷积特征图A2,继续上述操作,直至得到多个第一卷积特征图A1、A2、A3,A1、A2、A3的尺度逐渐减小,例如,A1、A2、A3的大小依次为待训练图像的
然后,利用第一横向连接网络及上采样网络对多个第一卷积特征图进行叠加融合,得到多个第二卷积特征图,该多个第二卷积特征图构成第一特征图,结合到图3中,多个第二卷积特征图为B1、B2、B3,第一特征图包括多个第二卷积特征图B1、B2、B3。具体来说,得到多个第一卷积特征图A1、A2、A3之后,先将第一卷积特征图A3作为第二卷积特征图B1;然后,对第二卷积特征图B1进行上采样,使其尺度与第一卷积特征图A2一致,之后将上采样后的第二卷积特征图B1与第一卷积特征图A2进行融合,得到第二卷积特征图B2,继续上述操作,直至得到多个第二卷积特征图B1、B2、B3,即,得到第一特征图。B1、B2、B3的尺度逐渐增大且与A1、A2、A3一一对应,例如,B1、B2、B3的大小依次为待训练图像的
目前,采用图像方法对瓷绝缘子裂纹进行检测时,通常先根据颜色、形状等信息定位出图像中的瓷绝缘子,再通过特征选择及匹配的方法进行分类,进而判断瓷绝缘子是否存在裂纹。由于这种方法依赖于人工选取特征,故很难选择出具有强鲁棒性和准确性的特征,另外,实际应用中绝缘子所处的环境复杂多变,在面对具有复杂背景的图像时,人工很难进行特征选取。本发明实施例通过将原始图像输入预先训练好的实例分割网络,运用深度学习方法进行特征提取,能够适应各种复杂环境,具有较强的稳定性和鲁棒性。
子步骤S1022,将第一特征图输入所述第二网络,得到第二特征图及多个不同位置的提议框。
在本发明实施例中,第二网络包括第二横向连接网络、下采样网络和提议提取网络,结合到图3的第二网络L2中,第二横向连接网络包括向右的箭头,下采样网络包括向上的箭头及C1、C2、C3。将第一特征图输入第二网络后得到第二特征图及多个不同位置的提议框的过程,可以包括:
首先,利用第二横向连接网络和下采样网络对多个第二卷积特征图进行叠加融合,得到多个第三卷积特征图,该多个第三卷积特征图构成第二特征图,结合到图3中,多个第三卷积特征图为C1、C2、C3,第二特征图包括多个第三卷积特征图C1、C2、C3。具体来说,将第一特征图输入第二网络之后,先将第二卷积特征图B1作为第三卷积特征图C1;然后,将第三卷积特征图C1进行下采样,使其尺度与第二卷积特征图B2一致,之后将下采样后的第三卷积特征图C1与第二卷积特征图B2进行融合,得到第三卷积特征图C2,继续上述操作,直至得到多个第三卷积特征图为C1、C2、C3,即,得到第二特征图。C1、C2、C3的尺度逐渐减小且与B1、B2、B3一一对应,例如,C1、C2、C3的大小依次为待训练图像的
然后,将第二特征图经过提议提取网络进行提议提取,得到同一位置的多个不同尺度的提议框,得到第二特征图C1、C2、C3之后,将第二特征图输入提议提取网络,得到特征图D1、D2、D3上同一位置的多个不同尺度的提议框,例如,提议框1和提议框2,提议框1在第二特征图中的对应区域可能是瓷绝缘子a的拓扑结构,提议框2在第二特征图中的对应区域可能是瓷绝缘子b的拓扑结构。
子步骤S1023,利用第三网络对每个不同位置的提议框在第二特征图中的对应区域均进行池化,得到多个维度相同且位置不同的第三特征图。
在本发明实施例中,第三网络包括兴趣区域池化网络和融合网络,利用第三网络对每个不同位置的提议框在第二特征图中的对应区域均进行池化的过程,可以包括:
首先,利用兴趣区域池化网络对同一位置的多个不同尺度的提议区域进行维度对齐,得到同一位置的多个维度相同的参考特征图,多个不同尺度的提议区域为多个不同尺度的提议框在第二特征图中的对应区域,参考特征图可能是瓷绝缘子的拓扑结构。结合到图3中,以提议框1为例,先将提议框1在第二特征图C1、C2、C3中的对应区域提取出来,得到提议框1所在位置的多个不同尺度的提议区域;再将这多个不同尺度的提议区域进行维度对齐,就能得到提议框1所在位置的多个维度相同的参考特征图,该多个维度相同的参考特征图可能均是瓷绝缘子a的拓扑结构。
然后,融合网络对同一位置的多个维度相同的参考特征图进行逐像素融合,得到第三特征图,经过逐像素融合之后,同一位置的多个维度相同的参考特征图融合成了一张第三特征图,最终得到的第三特征图是多个维度相同、且位置不同的特征图,结合到图3中,第三特征图有2个,即,瓷绝缘子a拓扑结构的特征图和瓷绝缘子b拓扑结构的特征图,这2个特征图维度相同且位置不同。
子步骤S1024,将多个维度相同且位置不同的第三特征图输入第四网络,得到包含每个瓷绝缘子位置的实例分割图。
在本发明实施例中,第四网络包括二分类网络、回归网络及掩膜网络,得到多个维度相同且位置不同的第三特征图之后,将多个维度相同且位置不同的第三特征图输入第四网络,就能得到实例分割图,实例分割图包含每个瓷绝缘子在原始图像中的位置,结合到图3中,Y为实例分割图,a1为瓷绝缘子a在原始图像X中的位置,b1为瓷绝缘子b在原始图像X中的位置。
以单个第三特征图为例,首先,将第三特征图经过二分类网络进行分类,得到瓷绝缘子的置信度,置信度表示的是该第三特征图是瓷绝缘子的概率;然后,将瓷绝缘子的置信度与预设阈值进行对比,当瓷绝缘子的置信度大于预设阈值时,将第三特征图经过回归网络对瓷绝缘子在第三特征图中的位置进行修正;再利用掩膜网络对瓷绝缘子在第三特征图中的位置进行二次修正,并将二次修正后的瓷绝缘子在第三特征图中的位置映射回原始图像,得到该瓷绝缘子在原始图像中的位置。
另外,将二次修正后的瓷绝缘子在第三特征图中的位置映射回原始图像,可以对其该位置进行非极大值抑制,这样可以使得确定出来的瓷绝缘子在原始图像中的位置更加准确。
步骤S103,依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域。
在本发明实施例中,以单张原始图像为例,将该原始图像输入预先训练好的实例分割网络得到实例分割图之后,由于该实例分割图包含每个瓷绝缘子在原始图像中的位置,故可以依据每个瓷绝缘子在原始图像中的位置,从原始图像中准确提取出每个瓷绝缘子的图像区域。由于同一个瓷绝缘子会出现在每张原始图像中,故最终可以提取出同一个瓷绝缘子在每张原始图像中的瓷绝缘子区域。
步骤S104,计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值。
在本发明实施例中,提取出各个瓷绝缘子在每张原始图像中的瓷绝缘子区域之后,就能依据各个瓷绝缘子对应的多个瓷绝缘子区域,依次判断每个瓷绝缘子是否存在裂纹。
以单个瓷绝缘子为例,由于瓷绝缘子区域是图像,图像的维度比较高,故需要先利用自编码器对同一瓷绝缘子对应的所有瓷绝缘子区域均进行降维,例如,从256×256降维至2×2;然后,利用多元高斯分布对降维后的每个瓷绝缘子区域进行计算,得到每个瓷绝缘子区域的高斯分布概率值。
步骤S105,当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。
在本发明实施例中,计算出通一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值之后,将每个高斯分布概率值与预设概率值进行一一对比,预设概率值是预先依据大量不存在裂纹的瓷绝缘子图像计算得到的概率值,即该预设概率值是瓷绝缘子不存在裂纹的概率阈值,当任意一个高斯分布概率值低于预设概率值时,则判定该瓷绝缘子存在裂纹,只有当每个高斯分布概率值均大于预设阈值时,才判定该瓷绝缘子不存在裂纹。
目前,采用图像方法对瓷绝缘子裂纹进行检测时,主要利用基于图像分类的方法,但是,实际应用中,存在裂纹的瓷绝缘子是非常少的,故基于图像分类的方法很难学到有用的信息,也就无法进行准确检测。本发明实施例通过同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值来判断瓷绝缘子是否存在裂纹,可以有效避免上述问题,裂纹检测的准确率高。
与现有技术相比,本发明实施例具有以下有益效果:
首先,用于瓷绝缘子裂纹检测的每张原始图像的采集角度均不同,可以保覆盖瓷绝缘子的各个角度,能够有效防止某个存在裂纹的瓷绝缘子被漏检;
其次,采用实例分割网络对原始图像进行实例分割,可以确定出每个瓷绝缘子在原始图像中的位置,从而有效克服不同瓷绝缘子之间重叠、连通等带来的漏检问题;
第三,运用深度学习方法对原始图像进行特征提取,能够适应各种复杂环境,具有较强的稳定性和鲁棒性;
第四,利用同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值来判断瓷绝缘子是否存在裂纹,可以有效避免基于图像分类的方法学习不到有用信息而无法准确检测的问题,提高了裂纹检测的准确率;
第五,通过计算机软件来判断了瓷绝缘子是否存在裂纹,无需人工登塔杆检测,提高了瓷绝缘子裂纹检测的效率及安全性。
另一种实施例
请参照图5,图5示出了本发明实施例提供的瓷绝缘子裂纹检测装置200的方框示意图。瓷绝缘子裂纹检测装置200包括图像获取模块201、实例分割模块202、区域提取模块203、计算模块204及执行模块205。
图像获取模块201,用于获取多张原始图像,其中,多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的。
实例分割模块202,用于将每张原始图像均输入预先训练好的实例分割网络,利用实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置。
实例分割网络包括第一网络、第二网络、第三网络及第四网络,请参照图6,图6为图5示出的瓷绝缘子裂纹检测装置200中实例分割模块202的方框示意图。实例分割模块202包括特征提取单元2021、第一执行单元2022、区域池化单元2023及第二执行单元2024。
特征提取单元2021,用于利用第一网络对原始图像进行特征提取,得到原始图像对应的第一特征图。
在本发明实施例中,第一网络包括特征提取网络、第一横向连接网络及上采样网络,特征提取单元2021,具体用于:利用特征提取网络对原始图像进行特征提取,得到多个第一卷积特征图;利用第一横向连接网络及上采样网络对多个第一卷积特征图进行叠加融合,得到多个第二卷积特征图,其中,多个第二卷积特征图构成第一特征图。
第一执行单元2022,用于将第一特征图输入所述第二网络,得到第二特征图及多个不同位置的提议框。
在本发明实施例中,第二网络包括第二横向连接网络、下采样网络和提议提取网络,第一执行单元2022,具体用于:利用第二横向连接网络和下采样网络对多个第二卷积特征图进行叠加融合,得到多个第三卷积特征图,其中,多个第三卷积特征图构成第二特征图;将第二特征图经过提议提取网络进行提议提取,得到同一位置的多个不同尺度的提议框。
区域池化单元2023,用于利用第三网络对每个不同位置的提议框在第二特征图中的对应区域均进行池化,得到多个维度相同且位置不同的第三特征图。
在本发明实施例中,第三网络包括兴趣区域池化网络和融合网络,区域池化单元2023,具体用于:利用兴趣区域池化网络对同一位置的多个不同尺度的提议区域进行维度对齐,得到同一位置的多个维度相同的参考特征图,其中,多个不同尺度的提议区域为多个不同尺度的提议框在第二特征图中的对应区域;融合网络对同一位置的多个维度相同的参考特征图进行逐像素融合,得到第三特征图。
第二执行单元2024,用于将多个维度相同且位置不同的第三特征图输入第四网络,得到包含每个瓷绝缘子位置的实例分割图。
在本发明实施例中,第四网络包括二分类网络、回归网络及掩膜网络,第二执行单元2024,具体用于将第三特征图经过二分类网络进行分类,得到瓷绝缘子的置信度;当瓷绝缘子的置信度大于预设阈值时,将第三特征图经过回归网络对瓷绝缘子在第三特征图中的位置进行修正;利用掩膜网络对瓷绝缘子在第三特征图中的位置进行二次修正,并将二次修正后的瓷绝缘子在第三特征图中的位置映射回原始图像,得到该瓷绝缘子在原始图像中的位置。
区域提取模块203,用于依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域。
计算模块204,用于计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值。
在本发明实施例中,计算模块204具体用于:利用自编码器对同一瓷绝缘子对应的所有瓷绝缘子区域均进行降维;利用多元高斯分布对降维后的每个瓷绝缘子区域进行计算,得到每个瓷绝缘子区域的高斯分布概率值。
执行模块205,用于当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。
综上所述,本发明实施例提供的一种瓷绝缘子裂纹检测方法及装置,所述方法包括:获取多张原始图像,其中,多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的;将每张原始图像均输入预先训练好的实例分割网络,利用实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置;依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域;对同一瓷绝缘子对应的所有瓷绝缘子区域均进行裂纹检测,得到每个瓷绝缘子区域的高斯分布概率值;当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。与现有技术相比,本发明实施例通过计算机软件来判断了瓷绝缘子是否存在裂纹,有效提高了瓷绝缘子裂纹检测的效率及安全性。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
Claims (10)
1.一种瓷绝缘子裂纹检测方法,其特征在于,所述方法包括:
获取多张原始图像,其中,所述多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的;
将每张原始图像均输入预先训练好的实例分割网络,利用所述实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置;
依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域;
计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值;
当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。
2.如权利要求1所述的方法,其特征在于,所述实例分割网络包括第一网络、第二网络、第三网络及第四网络;
所述利用实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图的步骤,包括:
利用所述第一网络对原始图像进行特征提取,得到原始图像对应的第一特征图;
将所述第一特征图输入所述第二网络,得到第二特征图及多个不同位置的提议框;
利用第三网络对每个不同位置的提议框在第二特征图中的对应区域均进行池化,得到多个维度相同且位置不同的第三特征图;
将多个维度相同且位置不同的第三特征图输入第四网络,得到包含每个瓷绝缘子位置的实例分割图。
3.如权利要求2所述的方法,其特征在于,所述第一网络包括特征提取网络、第一横向连接网络及上采样网络;
所述利用第一网络对原始图像进行特征提取,得到原始图像对应的第一特征图的步骤,包括:
利用所述特征提取网络对所述原始图像进行特征提取,得到多个第一卷积特征图;
利用所述第一横向连接网络及上采样网络对多个第一卷积特征图进行叠加融合,得到多个第二卷积特征图,其中,多个第二卷积特征图构成所述第一特征图。
4.如权利要求3所述的方法,其特征在于,所述第二网络包括第二横向连接网络、下采样网络和提议提取网络;
所述将所述第一特征图输入所述第二网络,得到第二特征图及第二特征图中多个位置不同的提议框的步骤,包括:
利用所述第二横向连接网络和所述下采样网络对多个第二卷积特征图进行叠加融合,得到多个第三卷积特征图,其中,多个第三卷积特征图构成第二特征图;
将第二特征图经过所述提议提取网络进行提议提取,得到同一位置的多个不同尺度的提议框。
5.如权利要求4所述的方法,其特征在于,所述第三网络包括兴趣区域池化网络和融合网络;
所述利用第三网络对每个不同位置的提议框在第二特征图中的对应区域均进行池化,得到多个维度相同的第三特征图的步骤,包括:
利用所述兴趣区域池化网络对同一位置的多个不同尺度的提议区域进行维度对齐,得到同一位置的多个维度相同的参考特征图,其中,多个不同尺度的提议区域为多个不同尺度的提议框在第二特征图中的对应区域;
所述融合网络对同一位置的多个维度相同的参考特征图进行逐像素融合,得到第三特征图。
6.如权利要求5所述的方法,其特征在于,所述第四网络包括二分类网络、回归网络及掩膜网络;
所述多个维度相同且位置不同的第三特征图输入第四网络,得到包含每个瓷绝缘子位置的实例分割图的步骤,包括:
将第三特征图经过二分类网络进行分类,得到瓷绝缘子的置信度;
当瓷绝缘子的置信度大于预设阈值时,将第三特征图经过回归网络对瓷绝缘子在第三特征图中的位置进行修正;
利用掩膜网络对瓷绝缘子在第三特征图中的位置进行二次修正,并将二次修正后的瓷绝缘子在第三特征图中的位置映射回原始图像,得到该瓷绝缘子在原始图像中的位置。
7.如权利要求1所述的方法,其特征在于,所述计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值的步骤,包括:
利用自编码器对同一瓷绝缘子对应的所有瓷绝缘子区域均进行降维;
利用多元高斯分布对降维后的每个瓷绝缘子区域进行计算,得到每个瓷绝缘子区域的高斯分布概率值。
8.一种瓷绝缘子裂纹检测装置,其特征在于,所述装置包括:
图像获取模块,用于获取多张原始图像,其中,所述多张原始图像是对多个瓷绝缘子从不同角度进行采集得到的;
实例分割模块,用于将每张原始图像均输入预先训练好的实例分割网络,利用所述实例分割网络对每张原始图像均进行实例分割,得到多个实例分割图,其中,每个实例分割图均包含每个瓷绝缘子在原始图像中的位置;
区域提取模块,用于依据每个实例分割图中每个瓷绝缘子的位置,提取出每个实例分割图对应的原始图像中的每个瓷绝缘子区域;
计算模块,用于计算同一瓷绝缘子对应的每个瓷绝缘子区域的高斯分布概率值;
执行模块,用于当该瓷绝缘子对应的任意一个瓷绝缘子区域的高斯分布概率值低于预设概率值时,判定该瓷绝缘子存在裂纹。
9.如权利要求8所述的装置,其特征在于,所述实例分割网络包括第一网络、第二网络、第三网络及第四网络;所述实例分割模块包括:
特征提取单元,用于利用所述第一网络对原始图像进行特征提取,得到原始图像对应的第一特征图;
第一执行单元,用于将所述第一特征图输入所述第二网络,得到第二特征图及多个不同位置的提议框;
区域池化单元,用于利用第三网络对每个不同位置的提议框在第二特征图中的对应区域均进行池化,得到多个维度相同且位置不同的第三特征图;
第二执行单元,用于将多个维度相同且位置不同的第三特征图输入第四网络,得到包含每个瓷绝缘子位置的实例分割图。
10.如权利要求8所述的装置,其特征在于,所述计算模块具体用于:
利用自编码器对同一瓷绝缘子对应的所有瓷绝缘子区域均进行降维;
利用多元高斯分布对降维后的每个瓷绝缘子区域进行计算,得到每个瓷绝缘子区域的高斯分布概率值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811156050.3A CN109377483A (zh) | 2018-09-30 | 2018-09-30 | 瓷绝缘子裂纹检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811156050.3A CN109377483A (zh) | 2018-09-30 | 2018-09-30 | 瓷绝缘子裂纹检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109377483A true CN109377483A (zh) | 2019-02-22 |
Family
ID=65402631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811156050.3A Pending CN109377483A (zh) | 2018-09-30 | 2018-09-30 | 瓷绝缘子裂纹检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109377483A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450318A (zh) * | 2021-06-11 | 2021-09-28 | 东华大学 | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 |
CN114612468A (zh) * | 2022-05-09 | 2022-06-10 | 西南交通大学 | 一种基于正样本的设备外部缺陷检测方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030023404A1 (en) * | 2000-11-22 | 2003-01-30 | Osama Moselhi | Method and apparatus for the automated detection and classification of defects in sewer pipes |
JP2007187554A (ja) * | 2006-01-13 | 2007-07-26 | Viscas Corp | 電力ケーブルまたはその付属品の欠陥検出方法 |
CN101261234A (zh) * | 2008-03-26 | 2008-09-10 | 广州中国科学院工业技术研究院 | 表面缺陷检测装置 |
CN103543209A (zh) * | 2013-10-30 | 2014-01-29 | 国家电网公司 | 一种绝缘子裂纹检测方法、装置及系统 |
CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN206618697U (zh) * | 2017-04-06 | 2017-11-07 | 侯思明 | 一种高压线图像采集系统 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107507170A (zh) * | 2017-07-28 | 2017-12-22 | 中国民航大学 | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 |
CN107705284A (zh) * | 2017-07-17 | 2018-02-16 | 苏州佳赛特智能科技有限公司 | 一种基于贝叶斯小样本学习的表面缺陷检测方法 |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
CN108537780A (zh) * | 2018-03-27 | 2018-09-14 | 陕西科技大学 | 一种基于二阶全卷积神经网络的绝缘子故障检测方法 |
-
2018
- 2018-09-30 CN CN201811156050.3A patent/CN109377483A/zh active Pending
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030023404A1 (en) * | 2000-11-22 | 2003-01-30 | Osama Moselhi | Method and apparatus for the automated detection and classification of defects in sewer pipes |
JP2007187554A (ja) * | 2006-01-13 | 2007-07-26 | Viscas Corp | 電力ケーブルまたはその付属品の欠陥検出方法 |
CN101261234A (zh) * | 2008-03-26 | 2008-09-10 | 广州中国科学院工业技术研究院 | 表面缺陷检测装置 |
CN103543209A (zh) * | 2013-10-30 | 2014-01-29 | 国家电网公司 | 一种绝缘子裂纹检测方法、装置及系统 |
CN104483326A (zh) * | 2014-12-19 | 2015-04-01 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及系统 |
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
CN106952250A (zh) * | 2017-02-28 | 2017-07-14 | 北京科技大学 | 一种基于Faster R‑CNN网络的金属板带表面缺陷检测方法及装置 |
CN206618697U (zh) * | 2017-04-06 | 2017-11-07 | 侯思明 | 一种高压线图像采集系统 |
CN107705284A (zh) * | 2017-07-17 | 2018-02-16 | 苏州佳赛特智能科技有限公司 | 一种基于贝叶斯小样本学习的表面缺陷检测方法 |
CN107392901A (zh) * | 2017-07-24 | 2017-11-24 | 国网山东省电力公司信息通信公司 | 一种用于输电线路部件智能自动识别的方法 |
CN107507170A (zh) * | 2017-07-28 | 2017-12-22 | 中国民航大学 | 一种基于多尺度图像信息融合的机场跑道裂缝检测方法 |
CN108038846A (zh) * | 2017-12-04 | 2018-05-15 | 国网山东省电力公司电力科学研究院 | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 |
CN108009515A (zh) * | 2017-12-14 | 2018-05-08 | 杭州远鉴信息科技有限公司 | 一种基于fcn的无人机航拍图像的输电线定位识别方法 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
CN108537780A (zh) * | 2018-03-27 | 2018-09-14 | 陕西科技大学 | 一种基于二阶全卷积神经网络的绝缘子故障检测方法 |
Non-Patent Citations (4)
Title |
---|
KAIMING HE 等: "Mask R-CNN", 《2017 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》 * |
ZENAN LING 等: "An Accurate and Real-time Self-blast Glass Insulator Location Method Based On Faster R-CNN and U-net with Aerial Images", 《ARXIV》 * |
ZHENBING ZHAO 等: "Aggregating Deep Convolutional Feature Maps for Insulator Detection in Infrared Images", 《IEEE ACCESS》 * |
侯春萍 等: "输电线路绝缘子自爆缺陷识别方法", 《电力系统及其自动化学报》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113450318A (zh) * | 2021-06-11 | 2021-09-28 | 东华大学 | 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法 |
CN114612468A (zh) * | 2022-05-09 | 2022-06-10 | 西南交通大学 | 一种基于正样本的设备外部缺陷检测方法 |
CN114612468B (zh) * | 2022-05-09 | 2022-07-15 | 西南交通大学 | 一种基于正样本的设备外部缺陷检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109376768B (zh) | 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法 | |
CN108648169A (zh) | 高压输电塔绝缘子缺陷自动识别的方法及装置 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
Tian et al. | Multiscale building extraction with refined attention pyramid networks | |
CN111046950B (zh) | 一种图像处理方法、装置、存储介质和电子装置 | |
CN112989995B (zh) | 文本检测方法、装置及电子设备 | |
CN113344852A (zh) | 一种电力场景通用物品的目标检测方法、装置及存储介质 | |
CN114359722A (zh) | 特殊地貌分布范围识别方法、装置及设备 | |
CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
CN109377483A (zh) | 瓷绝缘子裂纹检测方法及装置 | |
CN112183301A (zh) | 一种建筑物楼层智能识别方法及装置 | |
CN115546664A (zh) | 一种基于级联网络的绝缘子自爆检测方法及系统 | |
CN110119742A (zh) | 一种集装箱号的识别方法、装置及移动终端 | |
CN114283343B (zh) | 基于遥感卫星图像的地图更新方法、训练方法和设备 | |
CN114677357A (zh) | 航拍绝缘子自爆缺陷的检测模型、方法、设备及存储介质 | |
CN114359681A (zh) | 图像识别模型训练、图像识别方法、装置、设备及介质 | |
CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
CN111666958A (zh) | 基于图像识别的设备状态检测方法、装置、设备及介质 | |
CN117197571A (zh) | 一种光伏组件故障检测方法、装置、电子设备及存储介质 | |
CN115239794B (zh) | 道路积水面积检测方法、装置及电子设备 | |
CN117252815A (zh) | 基于2d-3d多模态图像的工业零件缺陷检测方法、系统、设备及存储介质 | |
CN116206326A (zh) | 缺失检测模型的训练方法、导流区的缺失检测方法及装置 | |
CN115546629A (zh) | 基于深度学习的遥感影像厂房识别方法和系统 | |
CN112558091B (zh) | 一种输电线对树空间距离的实时检测方法、装置及终端设备 | |
CN112116561B (zh) | 基于图像处理融合网络权值的电网传输线检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190222 |