CN110827251A - 一种基于航拍图像的输电线路锁紧销缺陷检测方法 - Google Patents

Abstract

本发明提供一种基于航拍图像的输电线路锁紧销缺陷检测方法，属于电力巡检技术领域,包括：标注航拍图像并对图像数据进行分类存储，建立锁紧销的缺陷数据集，包括训练集和测试集；使用训练集对应用ResNeXt‑101特征提取网络的Faster R‑CNN模型进行神经网络训练，还同时应用GN算法、DCNv2算法和FPN算法对特征提取的过程进行改进，生成训练模型；使用测试集对训练模型进行评估，训练模型达到精度要求后，对巡检输电线路的航拍图像进行锁紧销缺陷的检测。本公开实现了无人机对输电线路锁紧销缺陷的自动化巡视检测，可以适应多种类型及尺度的输电线路航拍图像锁紧销缺陷，使得巡视结果不受巡视人员技能水平和天气、地形等客观因素影响，比人工巡视更便捷，更安全，更高效。

Description

一种基于航拍图像的输电线路锁紧销缺陷检测方法

技术领域

本发明涉及电力巡检技术领域，特别是指一种基于航拍图像的输电线路锁紧销缺陷检测方法。

背景技术

锁紧销是悬垂线夹及耐张线夹的重要元件,随着输电工业的发展,悬垂线夹和耐张线夹用量增多,锁紧销用量也越来越多,若悬垂线夹和耐张线夹出现不装锁紧销或锁紧销脱出及未张开等情况,造成的损失是无法估量的，因此需要经常对输电线路进行巡视检测。目前，输电线路中的锁紧销缺陷检测主要靠人工巡检目测，巡视难度大，周期长，巡视结果受巡视人员技能以及天气、地形等客观因素影响较大，由于锁紧销目标小，还会导致基于无人机巡检图像的人工查缺效率低，易缺漏。所以使用无人机航拍巡检输电线路上的锁紧销，并利用人工智能对航拍图像进行锁紧销缺陷检测是一种安全可靠，受客观因素影响小且实时性高的方法。

目前对于图像的处理主流的算法都采用了深度学习技术，例如有使用SSD结合双目视觉距离检测的方法实现对输电线路受电弓偏移量的检测，有使用Faster R-CNN深度学习方法实现对绝缘子的故障检测。但是，锁紧销目标小，Faster R-CNN深度学习方法模型直接应用于对锁紧销的故障检测存在检测精度不够的问题，并且由于输电线路航拍图像中的锁紧销大小比例不一，旋转角度多变，锁紧销图像占比在线路航拍图像中也很小等问题，还会导致模型检测精度的进一步下降。

发明内容

为进一步解决上述问题，本发明提供一种基于航拍图像的输电线路锁紧销缺陷检测方法，将深度学习应用于电力巡检技术领域，基于神经网络训练模型对锁紧销缺陷进行检测，使得电力系统巡检受客观因素影响减小，比人工巡视更便捷，更安全，更高效，而且该检测方法可以适应多种类型及尺度的输电线路航拍图像锁紧销缺陷。

本发明提供一种基于航拍图像的输电线路锁紧销缺陷检测方法，包括以下步骤：

S1、标注航拍图像，对标注后的图像数据进行分类存储，建立锁紧销的缺陷数据集，所述缺陷数据集包括训练集和测试集；

S2、使用所述训练集中的图像数据对应用ResNeXt-101特征提取网络的Faster R-CNN模型进行神经网络训练，生成训练模型，其中，所述ResNeXt-101特征提取网络还应用GN算法、DCNv2算法和FPN算法对所述特征提取的过程进行改进；

S3、使用所述测试集对所述训练模型进行评估，使用评估通过的训练模型对巡检输电线路的航拍图像进行锁紧销缺陷的检测。

由于Faster R-CNN自身存在模型检测精度问题，因此将原Faster R-CNN的VGG16特征提取网络，替换为精度更高的ResNext-101特征提取网络，提升了模型检测精度。ResNext网络是基于Resnet改进的，Resnet的优点主要在于提出了残差网络学习的思想，通过将输入的数据直接与输出数据拼接在一起，从一定程度上避免了网络的梯度消失问题，并且简化了学习过程与难度。而ResNext用一种平行堆叠相同拓扑结构的模块(blocks)代替原来Resnet的三层卷积模块(block)，这样做可以在不增加网络参数复杂度的情况下提高模型准确率，并且还减少了超参数(hyperparameter)的数量。

优选的，将所述图像数据按照锁紧销缺陷分为不同类型并进行存储，所述类型包括：锁紧销缺失、锁紧销脱出和锁紧销未打开。

可选的，将所述按照锁紧销缺陷分类后的图像数据按照客观因素的不同，如拍摄器材、输电线路、时令、光照强度、天气或地形的不同，进一步分为不同的细分类型并按照层级关系进行存储。

优选的，从分类存储的图像数据中建立锁紧销的缺陷数据集，分为训练集和测试集。

可选的，为保证缺陷数据集对实际锁紧销缺陷情况的覆盖率并获得准确的模型训练结果，缺陷数据集对于不同所述类型包含有相同数量的图像数据，并对所述细分类型中的一项或几项，如输电线路和/或时令进行全覆盖。

优选的，在ResNeXt-101特征提取网络中，应用GN、DCNv2，FPN三种改进方法对所述特征提取网络进行优化，并通过所述训练集对所述特征提取网络进行神经网络训练，生成一连串的所述特征块。

优选的，由于输电线路航拍的锁紧销图像尺寸很大，而现有GPU的处理能力有限，因此只能使用较小的批处理参数(Batch Size)，使用GN(Group Normalization)算法对原ResNeXt-101特征提取网络中的BN(Batch Normalization)算法进行改进，可以降低批处理参数太小对BN算法中的归一化操作的影响，提高统计图像数据信息的可靠性，降低错误率。

优选的，由于输电线路航拍图像中的锁紧销大小比例不一，而且旋转角度多变，使用可变形卷积DCNv2算法加入RPN网络，使模型的检测框能够自适应目标形变。DCN(Deformable Convolution Networks)方法加入了可变形卷积(Deformable Convolution)结构，对感受野上的每一个点都加上一个偏移量(offset)，经过DCN后的感受野不再是正方形，而是变得和目标的实际形状相匹配，这样无论目标怎么形变，卷积的感受野始终覆盖在目标形状周围。而DCNv2使用了更多的可变形卷积结构，使得卷积层不仅能自学习偏移量，而且还能学习每个采样点的权重，通过分配这些学习到的权重给经过偏移量修正后的区域，能够实现更准确的特征提取，从而有效提高训练效果。

优选的，由于锁紧销图像占比在线路航拍图像中也很小，使用特征金字塔网络FPN加入特征提取网络，使模型鲁棒性更好，能够检测识别锁紧销这种小目标。FPN是将低分辨率语义强大的特征与高分辨率语义较弱的特征相结合，通过自上而下的路径和横向连接，构建了一个更深、融合更多层信息的特征金字塔，低层信息获得锁紧销的准确定位，高层信息使特征具有鲁棒性，这样做可以有效提高锁紧销这种小目标的检测精度。

优选的，进行神经网络训练的过程，包括：

S21、对所述训练集中的图像数据使用所述ResNeXt-101特征提取网络进行特征提取，生成一连串的特征块，所述特征块将特征输入RPN网络；

S22、RPN网络对输入的所述特征进行处理，得到一系列的区域建议框；

S23、将所述区域建议框对应的语义特征通过区域池化层映射输出相同大小的特征信息，并将所述特征信息输入到全连接层；

S24、全连接层的输出通过分类函数softmax以及bbox的边框回归函数获得精确类别预测和目标定位，并通过非极大值抑制算法剔除相近位置、相同类别的预测目标，得到目标预测框。

优选的，RPN网络通过输入的所述特征进行神经网络训练，预测出所述区域建议框。

优选的，采用预训练模型对所述特征提取网络进行权重初始化，利用预设的迭代次数、批处理参数(Batch Size)、学习率和权重衰减率对所述特征提取网络进行神经网络训练，并采用优化方法对神经网络训练进行优化。

优选的，所述优化方法为批量梯度下降算法。

优选的，使用所述测试集对所述训练模型进行评估，包括：

使用训练模型对测试集进行锁紧销缺陷检测，获得检测结果；

采用平均精度作为所述训练模型的评价指标，对所述检测结果进行评价；

采用每秒处理图片的帧数作为训练模型实时性能的评价指标，对所述检测结果进行评价。

优选的，使用所述测试集对所述训练模型进行评估，还包括：采用平均类别精度作为所述训练模型的评价指标，对不同类别下的所述检测结果进行评价。

本发明实施例还公开了一种电子设备，包括处理器，所述处理器用于执行上述任一种输电线路锁紧销缺陷检测方法。

优选的，本发明实施例还提供一种计算机可读存储介质，存储有计算机程序，程序运行后，用于控制所述处理器执行上述任一种输电线路锁紧销缺陷检测方法。

与现有技术相比，本发明的实施例技术方案具有以下有益效果：

使用ResNext-101代替原Faster R-CNN的VGG16特征提取网络，提升了模型检测精度。在ResNeXt-101特征提取网络中，还应用GN算法、DCNv2和FPN三种改进方法对所述特征提取网络进行优化，实现更准确的特征提取，提高神经网络模型的训练效果，使特征具有鲁棒性，有效提高锁紧销这种小目标的检测精度，使神经网络对大小比例不一，旋转角度多变，目标图像占比很小，客观因素不定的锁紧销缺陷有更好的识别效果，从而让电力系统巡检受客观因素影响减小，巡检变得更便捷，更安全，更高效。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明实施例中输电线路锁紧销缺陷检测方法流程图；

图2(a)是本发明实施例中Resnet特征提取网络中的一个模块示意图；

图2(b)是本发明实施例中ResNext-101特征提取网络中的一个模块示意图；

图3是本发明实施例中对Faster R-CNN模型进行训练的流程图；

图4是本发明实施例中GN算法的改进效果示意图；

图5是本发明实施例中DCNv2算法原理示意图；

图6是本发明实施例中FPN算法原理示意图；

图7是本发明实施例中应用ResNeXt-101特征提取网络，并应用DCNv2，FPN两种改进方法对所述特征提取网络进行优化后的Faster R-CNN模型示意图。

图8是本发明实施例中构成Faster R-CNN模型的模块示意图。

具体实施方式

以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。

本发明提供一种基于航拍图像的输电线路锁紧销缺陷检测方法，图1给出了该输电线路锁紧销缺陷检测方法流程图，参照图1，包括：

S1、标注航拍图像，对标注后的图像数据进行分类存储，建立锁紧销的缺陷数据集，所述缺陷数据集包括训练集和测试集；

S2、使用所述训练集中的图像数据对应用ResNeXt-101特征提取网络的Faster R-CNN模型进行神经网络训练，生成训练模型，其中，所述ResNeXt-101特征提取网络还应用GN算法、DCNv2算法和FPN算法对所述特征提取的过程进行改进；

S3、使用所述测试集对所述训练模型进行评估，使用评估通过的训练模型对巡检输电线路的航拍图像进行锁紧销缺陷的检测。

在实施例中，使用ResNext-101代替原Faster R-CNN的VGG16特征提取网络，提升了模型检测精度。在ResNeXt-101特征提取网络中，还应用GN、DCNv2和FPN三种改进方法对所述特征提取网络进行优化，实现更准确的特征提取，提高神经网络模型的训练效果，使特征具有鲁棒性，有效提高锁紧销这种小目标的检测精度，使神经网络对大小比例不一，旋转角度多变，目标图像占比很小，客观因素不定的锁紧销缺陷有更好的识别效果，从而让电力系统巡检受客观因素影响减小，巡检变得更便捷，更安全，更高效。

由于Faster R-CNN自身存在模型检测精度问题，因此将原Faster R-CNN的VGG16特征提取网络，替换为精度更高的ResNext-101特征提取网络，提升了模型检测精度。如图2所示，ResNext网络是基于Resnet改进的，Resnet的优点主要在于提出了残差网络学习的思想，如图2(a)所示，通过将输入的数据直接与输出数据拼接在一起，从一定程度上避免了网络的梯度消失问题，并且简化了学习过程与难度。而ResNext用一种平行堆叠相同拓扑结构的模块(blocks)代替原来Resnet的三层卷积模块(block)，如图2(b)所示，这样做可以在不增加网络参数复杂度的情况下提高模型准确率，并且还减少了超参数(hyperparameter)的数量。

超参数是根据经验对其进行人工设定的一种参数，影响权重等数值的大小，包括但不限于：迭代次数，学习率，批处理参数(Batch Size)和权重衰减率。

优选的，将所述图像数据按照锁紧销缺陷分为不同类型并进行存储，所述类型包括：锁紧销缺失、锁紧销脱出和锁紧销未打开。

可选的，将所述按照锁紧销缺陷分类后的图像数据按照客观因素的不同，如拍摄器材、输电线路、时令、光照强度、天气或地形的不同，进一步分为不同的细分类型并按照层级关系进行存储。

在一个具体实施例中，航拍图像由无人机采集，人工从无人机巡检图像中筛查带有缺陷的图片并进行标注，从无人机巡检图像中筛查带有缺陷的图片7500张，按照锁紧销缺陷分为不同类型，每类2500张，筛查出的巡检图片电压包括35kV、110kV、220kV、500kV四种，图像分辨率为4288*2848，时令覆盖四季。

优选的，从分类存储的图像数据中建立锁紧销的缺陷数据集，分为训练集和测试集。其中，训练集用于对神经网络模型的迭代训练，测试集用于对迭代训练之后的训练模型进行评估验证。

可选的，为保证缺陷数据集对实际锁紧销缺陷情况的覆盖率并获得准确的模型训练结果，缺陷数据集对于不同所述类型包含有相同数量的图像数据，如表1所示，并对所述细分类型中的一项或几项，如输电线路和/或时令进行全覆盖。

表1数据集分配情况

优选的，进行神经网络训练的过程，如图3所示，包括：

S21、对所述训练集中的图像数据使用所述ResNeXt-101特征提取网络进行特征提取，生成一连串的特征块，所述特征块将特征输入RPN网络；

S22、RPN网络对输入的所述特征进行处理，得到一系列的区域建议框；

S23、将所述区域建议框对应的语义特征通过区域池化层映射输出相同大小的特征信息，并将所述特征信息输入到全连接层；

S24、全连接层的输出通过分类函数softmax以及bbox的边框回归函数获得精确类别预测和目标定位，并通过非极大值抑制算法剔除相近位置、相同类别的预测目标，得到目标预测框。

优选的，在ResNeXt-101特征提取网络中，应用GN、DCNv2和FPN三种改进方法对所述特征提取网络进行优化，并通过所述训练集对所述特征提取网络进行神经网络训练，生成一连串的所述特征块。

优选的，RPN网络通过输入的所述特征进行神经网络训练，预测出所述区域建议框。

非极大值抑制(Non-Maximum Suppression，NMS)是一种抑制不是极大值元素的算法，可以理解为局部最大搜索。这个局部代表的是一个邻域，邻域有两个参数可变，一是邻域的维数，二是邻域的大小。

在一个具体的实施例中，例如在锁紧销检测中，建议区域经提取特征，分类识别后，每个区域都会得到一个分数。但是会导致很多建议区域与其他区域存在包含或者大部分交叉的情况。这时就需要用到NMS来选取那些邻域里分数最高(是锁紧销的概率最大)，并且抑制那些分数低的区域，也即去掉重复的锁紧销检测框。

GN算法(Group Normalization)是针对原ResNeXt-101特征提取网络中的BN(Batch Normalization)算法在批处理参数较小时错误率较高而提出的改进算法，因为BN算法的计算结果依赖当前批处理参数，当批处理参数较小时(如1、2或4)，该批数据处理后的均值和方差的代表性较差，因此对最后的结果影响也较大。如图4所示，随着批处理参数越来越小，BN算法所计算的统计信息的可靠性越来越差，这样就容易导致最后错误率的上升；而在批处理参数较大时则没有明显的差别。虽然在分类算法中，一般的GPU显存都能承受住较大的参数设置，但是在目标检测、分割以及视频相关的算法中，由于输入图像较大、维度多样以及算法本身原因等，批处理参数一般都设置比较小，所以GN算法对于这种类型算法的改进效果比较明显。

输电线路航拍图像中的锁紧销大小比例不一，而且旋转角度多变，对于这种目标，传统的卷积神经网络不能很好的对其进行检测，DCN方法将传统卷积核变成了可变形卷积结构，如图5所示，conv为卷积操作，感受野(Receptive Field)的定义是卷积神经网络每一层输出的特征图(Feature Map)上的像素点在输入图片上映射的区域大小，对感受野上的每一个点都加上一个偏移量，经过可变形卷积后的感受野不再是正方形，而是变得和目标的实际形状相匹配，这样无论目标怎么形变，卷积的感受野始终覆盖在目标形状周围。而DCNv2使用了更多的可变形卷积，使得卷积层不仅能自学习偏移量，而且还能学习每个采样点的权重，通过分配这些学习到的权重给经过偏移量修正后的区域，能够实现更准确的特征提取，从而有效提高训练效果。

图像经过卷积神经网络CNN(Convolutional Neural Networks,CNN)操作会生成一系列的特征图，目标检测算法一般选取CNN的最后一层进行目标预测，如图6(a)所示。但是像锁紧销这样的小目标检测，经过多层卷积和池化，目标信息有可能丢失，而FPN是将低层特征高分辨率和高层特征的高语义信息相融合，如图6(b)所示，通过自上而下的路径和横向连接，构建了一个更深、融合更多层信息的特征金字塔，低层信息获得锁紧销的准确定位，高层信息特征具有鲁棒性，这样做可有效提高锁紧销的检测精度。

在一个具体实施例中，应用FPN对特征提取网络进行优化的流程为，包括：将人工标注后，并经过ResNeXt-101特征提取网络进行特征提取的训练集的图片数据，构建自底向上的bottom-up网络；经过采样操作，降维处理和卷积操作，构建对应的自上向下的top-down网络。

应用GN、DCNv2和FPN三种改进方法对所述特征提取网络进行优化后的Faster R-CNN模型如图7所示，特征提取网络，RPN网络和区域池化层ROI两两连接，区域池化层与全连接层连接。模型包括四个模块，如图8所示，包括：

特征提取模块与RPN模块和区域池化模块连接，对训练集中的图像数据使用ResNeXt-101特征提取网络进行特征提取，所述特征提取网络应用了DCNv2，FPN两种改进方法进行优化，生成一连串的特征块，特征块将特征输入RPN模块。

RPN模块，与特征提取模块和区域池化模块连接，通过特征提取模块输入的所述特征进行神经网络训练，并预测出所述区域建议框，也就是使用神经网络代替传统图像处理的选择性搜索算法(Selective Search)来预测生成提议区域，并传输给区域池化模块。

区域池化模块，与特征提取模块、RPN模块和全连接模块连接，将所述区域建议框对应的语义特征映射输出相同大小的特征信息，并将所述特征信息输入到全连接模块。

全连接模块，与区域池化模块连接，全连接模块通过分类函数softmax以及bbox的边框回归函数获得精确类别预测和目标定位，并通过非极大值抑制算法剔除相近位置、相同类别的预测目标，得到目标预测框。

优选的，采用预训练模型对所述特征提取网络进行权重初始化，利用预设的迭代次数、批处理参数(Batch Size)、学习率和权重衰减率对所述特征提取网络进行神经网络训练，并采用优化方法对神经网络训练进行优化。

在一个具体实施例中，采用ImageNet预训练模型对网络进行权重初始化，模型训练的迭代次数均为20000，批处理参数为2，学习率为0.005，权重衰减率为0.0005。

优选的，所述优化方法为批量梯度下降算法。

可选的，所述优化方法为随机梯度下降(Stochastic Gradient Descent)或小批量梯度下降算法(Mini-Batch Gradient Descent)。

批量梯度下降算法是指在每一次迭代时使用所有样本来进行梯度的更新，其优点为一次迭代是对所有样本进行计算，此时利用矩阵进行操作，实现了并行；由全数据集确定的方向能够更好地代表样本总体，从而更准确地朝向极值所在的方向。当目标函数为凸函数时，BGD一定能够得到全局最优。

优选的，使用所述测试集对所述训练模型进行评估，包括：

使用训练模型对测试集进行锁紧销缺陷检测，获得检测结果；

采用平均精度(Average Precision，AP)作为所述训练模型的评价指标，对所述检测结果进行评价；

采用每秒处理图片的帧数(Frames Per Second，FPS)作为训练模型实时性能的评价指标，对所述检测结果进行评价。

优选的，使用所述测试集对所述训练模型进行评估，还包括：采用平均类别精度(mean Average Precision，mAP)作为所述训练模型的评价指标，对不同类别下的所述检测结果进行评价。

在一个具体实施例中，在应用了ResNeXt-101的Faster R-CNN算法中逐步加入DCNv2、FPN改进后的不同交并比(Intersection over Union，IoU)下的mAP如表2所示。表中原始方法、方法1、方法2分别对应应用ResNeXt-101的Faster R-CNN算法，原始方法+DCNv2，原始方法+DCNv2+FPN。

表2基于Faster R-CNN的改进方法锁紧销缺陷的平均精度AP值

优选的，上述方法的实现语言包括：C、C++、Java、PHP、C#、Python、JavaScript或VBScript。

本发明实施例还公开了一种电子设备，包括处理器，所述处理器用于执行上述任一种输电线路锁紧销缺陷检测方法。

优选的，本发明实施例还提供一种计算机可读存储介质，存储有计算机程序，程序运行后，用于控制所述处理器执行上述任一种输电线路锁紧销缺陷检测方法。

上述所有可选技术方案，可以采用任意结合形成本公开的可选实施例，在此不再一一赘述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种基于航拍图像的输电线路锁紧销缺陷检测方法，其特征在于，具体包括以下步骤：

S1、标注航拍图像，对标注后的图像数据进行分类存储，建立锁紧销的缺陷数据集，所述缺陷数据集包括训练集和测试集；

S2、使用所述训练集中的图像数据对应用ResNeXt-101特征提取网络的Faster R-CNN模型进行神经网络训练，生成训练模型，其中，所述ResNeXt-101特征提取网络还应用GN算法、DCNv2算法和FPN算法对所述特征提取的过程进行改进；

S3、使用所述测试集对所述训练模型进行评估，使用评估通过的训练模型对巡检输电线路的航拍图像进行锁紧销缺陷的检测。

2.根据权利要求1所述的一种输电线路锁紧销缺陷检测方法，其特征在于，所述分类存储，包括：

将所述图像数据按照锁紧销缺陷分为不同类型并进行存储，所述类型包括：锁紧销缺失、锁紧销脱出和锁紧销未打开。

3.根据权利要求1所述的一种输电线路锁紧销缺陷检测方法，其特征在于，所述应用GN算法、DCNv2算法和FPN算法对所述特征提取的过程进行改进，包括：

所述DCNv2算法加入了可变形卷积结构，对感受野上的每一个点都加上一个偏移量，还自学习并分配每个采样点的权重给经过偏移量修正后的区域；

所述FPN算法将低分辨率的上层特征与高分辨率的下层特征相结合，通过自上而下的路径和横向连接，构建了一个融合多层信息的特征金字塔。

4.根据权利要求1所述的一种输电线路锁紧销缺陷检测方法，其特征在于，所述进行神经网络训练的过程，包括：

S21、对所述训练集中的图像数据使用所述ResNeXt-101特征提取网络进行特征提取，生成一连串的特征块，所述特征块将特征输入RPN网络；

S22、RPN网络对输入的所述特征进行处理，得到一系列的区域建议框；

S23、将所述区域建议框对应的语义特征通过区域池化层映射输出相同大小的特征信息，并将所述特征信息输入到全连接层；

S24、全连接层的输出通过分类函数softmax以及bbox的边框回归函数获得精确类别预测和目标定位，并通过非极大值抑制算法剔除相近位置、相同类别的预测目标，得到目标预测框。

5.根据权利要求1所述的一种输电线路锁紧销缺陷检测方法，其特征在于，所述进行神经网络训练，包括：

采用预训练模型对所述特征提取网络进行权重初始化，利用预设的迭代次数、批处理参数、学习率和权重衰减率对所述特征提取网络进行神经网络训练，并采用优化方法对神经网络训练进行优化。

6.根据权利要求5所述的一种输电线路锁紧销缺陷检测方法，其特征在于，

所述优化方法为批量梯度下降算法。

7.根据权利要求1所述的一种输电线路锁紧销缺陷检测方法，其特征在于，使用所述测试集对所述训练模型进行评估，包括：

使用训练模型对测试集进行锁紧销缺陷检测，获得检测结果；

采用平均精度作为所述训练模型的评价指标，对所述检测结果进行评价；

采用每秒处理图片的帧数作为训练模型实时性能的评价指标，对所述检测结果进行评价。

8.根据权利要求7所述的一种输电线路锁紧销缺陷检测方法，其特征在于，使用所述测试集对所述训练模型进行评估，还包括：

采用平均类别精度作为所述训练模型的评价指标，对不同类别下的所述检测结果进行评价。

9.一种电子设备，包括处理器，其特征在于，所述处理器用于执行权利要求1-8任一项所述的输电线路锁紧销缺陷检测方法。

10.一种计算机可读存储介质，存储有计算机程序，其特征在于，所述程序运行后，控制如权利要求9所述的处理器执行权利要求1-8任一种输电线路锁紧销缺陷检测方法。

Images