CN111368702B - 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 - Google Patents

基于YOLOv3网络的复合绝缘子憎水性等级识别方法 Download PDF

Info

Publication number
CN111368702B
CN111368702B CN202010131458.6A CN202010131458A CN111368702B CN 111368702 B CN111368702 B CN 111368702B CN 202010131458 A CN202010131458 A CN 202010131458A CN 111368702 B CN111368702 B CN 111368702B
Authority
CN
China
Prior art keywords
insulator
water drops
grade
image
hydrophobicity
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.)
Active
Application number
CN202010131458.6A
Other languages
English (en)
Other versions
CN111368702A (zh
Inventor
黄新波
聂婷婷
张烨
伍逸群
孙苏珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Polytechnic University
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN202010131458.6A priority Critical patent/CN111368702B/zh
Publication of CN111368702A publication Critical patent/CN111368702A/zh
Application granted granted Critical
Publication of CN111368702B publication Critical patent/CN111368702B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Insulators (AREA)

Abstract

本发明公开了一种基于YOLOv3的复合绝缘子憎水性等级识别方法，首先获取输电线路中复合绝缘子表面带水珠的原始彩色图像若干张；进行预处理，得到像素均为416×416的绝缘子表面带水珠的图像；使用labelImg标签软件对带水珠的复合绝缘子照片逐一进行等级标定，然后将标定好的图像输入到全卷积网络YOLOv3中的Darknet‑53特征提取每个憎水性等级下水珠的特征；通过对新输入带水珠的绝缘子图像和已经学习到每个憎水性等级下水珠的特征进行对比，进而实现新输入带水珠的绝缘子图像憎水性等级识别。本发明解决了现有技术中存在的提取绝缘子表面水珠特征受人为主观因素影响较大的问题。

Description

基于YOLOv3网络的复合绝缘子憎水性等级识别方法
技术领域
本发明属于图像处理技术领域，具体涉及一种基于YOLOv3网络的复合绝缘子憎水性等级识别方法。
背景技术
复合绝缘子具有重量轻、强度高、不易破碎、耐污性能好等特点，目前已被广泛地应用于电力系统中。随着运行时间的延长，由于强电场、空气腐蚀、紫外线照射、污秽以及雨水等恶劣气候环境得相互作用，硅橡胶复合绝缘子表面出现破损以及老化，在一定程度上致使憎水性下降，甚至完全丢失，最终导致硅橡胶复合绝缘子的抗污闪性能下降，进而造成输电线路发生严重的污闪事故，这将会给国民经济带来重大损失。为了判定输电线路中的绝缘子是否需要退出使用，需要客观准确地判定出复合绝缘子的憎水性等级。因此，对复合绝缘子的憎水性能进行检测是判断复合绝缘子抗污闪性能的重要手段，也是确保复合绝缘子安全运行的重要保证，开展复合绝缘子憎水性检测技术的研究至关重要。目前，硅橡胶复合绝缘子憎水性等级检测算法主要都是利用人工确定绝缘子表面水珠特征来判断憎水性等级的，而人工提取水珠特征具有一定的主观性，本发明提出了一种基于YOLOv3网络的复合绝缘子憎水性等级识别方法，利用深度学习自动提取绝缘子表面水珠更深度的特征，将会更加准确的判定绝缘子憎水性的等级，同时不需要依赖人为提取特征，结果具有鲁棒性。
发明内容
本发明的目的是提供一种基于YOLOv3的复合绝缘子憎水性等级识别方法，解决了现有技术中存在的提取绝缘子表面水珠特征受人为主观因素影响较大的问题。
本发明所采用的技术方案是，一种基于YOLOv3的复合绝缘子憎水性等级识别方法，具体按照以下步骤实施：
步骤1、获取输电线路中复合绝缘子表面带水珠的原始彩色图像若干张；
步骤2、对步骤1获得的图像进行预处理，得到图像像素均为416×416的绝缘子表面带水珠的图像；
步骤3、对步骤2获得的像素均为416×416的图像首先使用labelImg标签软件对带水珠的复合绝缘子照片逐一进行等级标定，然后将标定好的图像输入到全卷积网络YOLOV3中的Darknet-53特征提取每个憎水性等级下水珠的特征；
步骤4、根据步骤3学习到标定的每个憎水性等级下水珠的特征，通过对新输入带水珠的绝缘子图像和已经学习到每个憎水性等级下水珠的特征进行对比，进而实现新输入带水珠的绝缘子图像憎水性等级识别。
本发明的特点还在于，
步骤2中对步骤1获得的若干张带水珠的复合绝缘子原始彩色图像进行预处理，即首先将步骤1获取的图像的长边缩放为416像素，图像对应的短边按比例缩放并且将空白区域填充，最终使得图像像素均为416×416的绝缘子表面带水珠的图像。
步骤3中YOLOV3网络的特征提取网络Darknet53包含52个卷积层和一个全连接层，卷积层和全连接层由一系列卷积核为1*1和3*3的卷积层组成，卷积层和全连接层能够将416*416大小的图片经过深度卷积一直降维到52，26和13；其中，1*1的卷积核用于降维，3*3的卷积核用于提取特征，多个卷积核交错达到目的。
步骤3中训练参数设置如下：
(1)将经过labelImg标签软件标定好憎水性的图像，按照4：1的比例将数据集分为训练集和测试集，便于客观衡量模型的泛化能力；
(2)训练迭代20000次，每次迭代耗时14.12s，共耗时78.46h；
(3)采用mini-batch随机梯度下降法训练，batch值为64，batch值即为批量处理图片的数量；
(4)学习率初始化为0.001，学习策略为步进型，动量参数momentum为0.9，学习衰减率为0.0005，每一次迭代学习率衰减方式定义为：
Figure BDA0002395877520000031
式中，Lr_n表示第n次迭代时的学习率；
Lr_initial表示学习率的初始值；
n表示迭代次数；
Decay表示学习衰减率；
在迭代过程中，Lr_n会逐步调整学习步幅，提高YOLOv3网络的收敛效果。
步骤4中提取绝缘子表面水珠的特征，具体如下：
步骤4.1、将所述步骤2得到的像素均为416×416的绝缘子表面带水珠的图像输入全卷积网络YOLOV3中的Darknet-53特征提取网络中，对应特征大小分别为：13×13，26×26和52×52，每一个尺度对应三个先验框，共计9个，最终取其中一个，每一个输出都包括目标的中心位置(x,y)，宽高(w,h)，置信度以及类别，则对应每一张输入图片的输出为1×10467×(5+k)，k代表类别数，YOLOv3预测边界框中心点相对于对应区域左上角的相对偏移值，其实际位置和大小如公式(2)：
Figure BDA0002395877520000041
其中，(cx,cy)为区域左上角坐标，(tx,ty)是网络关于中心坐标的预测值，(tw,th)为宽和高的预测值，(pw,ph)是先验框的宽和高，(bx,by,bw,bh)为实际位置，通过对置信度设定阈值，过滤掉低分的预测框，再对剩下的预测框使用非极大值抑制算法，得到水珠的位置；
步骤4.2、将所述步骤4.1得到的水珠的位置信息输入所述步骤3的训练模型中，精确学习水珠的特征，最终得到若干绝缘子表面水珠的特征；
步骤4.3、将步骤4.2得到的绝缘子表面水珠的特征与所述步骤3标定的学习到的每个憎水性等级下水珠的特征进行对比，进而得出该绝缘子憎水性等级。
步骤4中类别数k＝6。
本发明的有益效果是，一种基于YOLOv3的复合绝缘子憎水性等级识别方法，在判断硅橡胶绝缘子憎水性等级的时候，利用YOLOv3对小目标良好的检测精度和快速的检测速度，解决了利用图像处理的方式在线监测绝缘子憎水性等级的问题。利用训练得到的YOLOv3深度神经网络模型完成憎水性等级的判定。测试结果表明，该方法在无人工参与的情况下，能在图像中准确识别复合绝缘子憎水性等级，憎水性等级判定结果准确率达到92.8％，召回率达到97.5％，达到了实际应用的要求，并将该方法应用到线路巡线无人机机载数据处理装置中，实现了复合绝缘子憎水性等级的实时检测。
附图说明
图1是本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法中带水珠的复合绝缘子图像；
图2是本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法的YOLOv3的检测流程图；
图3是本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法的特征提取网络Darknet-53结构图；
图4是本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法的YOLOv3的预测边界框位置信息图；
图5是本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法的复合绝缘子憎水性等级识别部分检测结果，其中，图5(a)是憎水性等级为HC1的检测图，图5(b)是憎水性等级为HC2的检测图，图5(c)是憎水性等级为HC3的检测图，图5(d)是憎水性等级为HC4的检测图，图5(e)是憎水性等级为HC5的检测图，图5(f)是憎水性等级为HC6的检测图；
图6是本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法的YOLOv3模型评价指标结果图，其中，图6(a)是精确率P(Precision)的结果图，图6(b)是召回率R(Recall)的结果图，图6(c)是平均精度均值mAP(Mean Average Precision)的结果图，图6(d)是精确率与召回率的调和平均数F1结果图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法，具体按照以下步骤实施：
如图1所述，步骤1、获取输电线路中复合绝缘子表面带水珠的原始彩色图像若干张；
步骤2、对步骤1获得的图像进行预处理，得到图像像素均为416×416的绝缘子表面带水珠的图像；
步骤2中对步骤1获得的若干张带水珠的复合绝缘子原始彩色图像进行预处理，即首先将步骤1获取的图像的长边缩放为416像素，图像对应的短边按比例缩放并且将空白区域填充，最终使得图像像素均为416×416的绝缘子表面带水珠的图像。
步骤3、对步骤2获得的像素均为416×416的图像首先使用labelImg标签软件对带水珠的复合绝缘子照片逐一进行等级标定，然后将标定好的图像输入到全卷积网络YOLOV3中的Darknet-53特征提取每个憎水性等级下水珠的特征；
步骤3中YOLOV3网络的特征提取网络Darknet53包含52个卷积层和一个全连接层，卷积层和全连接层由一系列卷积核为1*1和3*3的卷积层组成，卷积层和全连接层能够将416*416大小的图片经过深度卷积一直降维到52，26和13；其中，1*1的卷积核用于降维，3*3的卷积核用于提取特征，多个卷积核交错达到目的；
网络结构中包含5个残差块，每个残差块由多个残差单元组成，其中残差单元包含卷积、批归一化BatchNormalization和leaky Relu激活函数，以便更好的学习水珠的特征。
步骤3中训练参数设置如下：
(1)将经过labelImg标签软件标定好憎水性的图像，按照4：1的比例将数据集分为训练集和测试集，便于客观衡量模型的泛化能力；
(2)训练迭代20000次，每次迭代耗时14.12s，共耗时78.46h；
(3)采用mini-batch随机梯度下降法训练，batch值为64，batch值即为批量处理图片的数量；
(4)学习率初始化为0.001，学习策略为步进型，动量参数momentum为0.9，学习衰减率为0.0005，每一次迭代学习率衰减方式定义为：
Figure BDA0002395877520000071
式中，Lr_n表示第n次迭代时的学习率；
Lr_initial表示学习率的初始值；
n表示迭代次数；
Decay表示学习衰减率；
在迭代过程中，Lr_n会逐步调整学习步幅，提高YOLOv3网络的收敛效果。
步骤4、根据步骤3学习到标定的每个憎水性等级下水珠的特征，通过对新输入带水珠的绝缘子图像和已经学习到每个憎水性等级下水珠的特征进行对比，进而实现新输入带水珠的绝缘子图像憎水性等级识别。
步骤4中提取绝缘子表面水珠的特征，具体如下：
步骤4.1、将所述步骤2得到的像素均为416×416的绝缘子表面带水珠的图像输入全卷积网络YOLOV3中的Darknet-53特征提取网络中，对应特征大小分别为：13×13，26×26和52×52，每一个尺度对应三个先验框，共计9个，最终取其中一个，每一个输出都包括目标的中心位置(x,y)，宽高(w,h)，置信度以及类别，则对应每一张输入图片的输出为1×10467×(5+k)，k代表类别数，类别数k＝6，YOLOv3预测边界框中心点相对于对应区域左上角的相对偏移值，其实际位置和大小如公式(2)：
Figure BDA0002395877520000081
如图4所示，其中，(cx,cy)为区域左上角坐标，(tx,ty)是网络关于中心坐标的预测值，(tw,th)为宽和高的预测值，(pw,ph)是先验框的宽和高，(bx,by,bw,bh)为实际位置，通过对置信度设定阈值，过滤掉低分的预测框，再对剩下的预测框使用非极大值抑制算法，得到水珠的位置；
步骤4.2、将所述步骤4.1得到的水珠的位置信息输入所述步骤3的训练模型中，精确学习水珠的特征，最终得到若干绝缘子表面水珠的特征；
步骤4.3、将步骤4.2得到的绝缘子表面水珠的特征与所述步骤3标定的学习到的每个憎水性等级下水珠的特征进行对比，进而得出该绝缘子憎水性等级。
本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法中，步骤3中YOLOV3网络结构包括四个部分：
第一部分是卷积层，卷积层中图像的通道数为3，像素为416*416，使用32个卷积层提取图像的特征，每个卷积核的大小是3*3，步长是1，经过卷积运算，得到416*416的32通道特征图；
第二部分为res层，res层由最近层派生而来，为了解决网络梯度分散或梯度爆炸的现象，提出将深度神经网络的逐层训练改为逐级训练，并将深度神经网络划分为若干子段，每个子段包含相对较浅的内容；
第三部分是Darknet-53特征提取网络：从第0层到第74层共53个卷积层，其余为res layers，Darknet-53特征提取网络的效率是resnet-101的1.5倍，Darknet-53特征提取网络的效率是resnet-152的两倍，与resnet-152的效果相同；
最后一部分是YOLOV3网络的特征交互层，特征交互层被分为三个音阶，设置为6个类，在每个尺度上预测3个盒子，因此对于4个边界盒偏移量、1个对象预测和6个类预测，张量是N×N×[3(4+1+6)]，训练结束后，得到目标框和类别概率，通过设置阈值实现预测目标；
YOLOv3的检测流程如图2。如图2，其特征提取网络为Darknet-53，是全卷积网络，使用了跳层连接，既加深网络强化收敛效果，又不会使训练困难。输出层通过上采样和特征融合，共设立三个尺度，分别为网络的倒数三个下采样层的上一层的残差块输出，从而实现多尺度预测，有效的增强了对不同大小物体及被遮挡物体的检测效果，同时采用随机多尺度训练的方式增强了鲁棒性，其中，激活函数采用线性整流函数。YOLOv3的网络组成如图3。Perdict1为13*13的预测特征图，Perdict2为26*26的预测特征图，Perdict3为52*52的预测特征图；在Perdict1和Perdict2、Perdict2和Perdict3之间使用的是全连接层，表示Perdict2特征层的输入有来自于Perdict1特征层输出的一部分，Perdict3特征层的输入有来自于Perdict1的特征层输出的一部分。每个特征层都有一个输出的预测结果即Perdict1，Perdict2和Perdict3，最后根据置信度大小对结果进行回归，得到最终的预测结果。网络结构中包含5个残差块，每个残差块由多个残差单元组成，其中残差单元包含卷积、批归一化Batch Normalization和leaky Relu激活函数，避免在训练过程中因模型加深而造成梯度爆炸的现象，更好的学习水珠的特征。在图3中，YOLOv3在残差块的输出上实现多尺度预测，当输入为416×416像素时，对应特征大小分别为：13×13，26×26和52×52，每一个尺度对应三个先验框，共计9个，最终取其中一个，其中，小的特征图上有大的感受野，对应大的先验框和大目标。
本发明一种基于YOLOv3的复合绝缘子憎水性等级识别方法中，识别出绝缘子憎水性等级，得到如图5所示的部分样本测试图，图5(a)～图5(f)已经展示出6个等级下的识别结果，其中，图5(a)是憎水性等级为HC1的检测图，图5(b)是憎水性等级为HC2的检测图，图5(c)是憎水性等级为HC3的检测图，图5(d)是憎水性等级为HC4的检测图，图5(e)是憎水性等级为HC5的检测图，图5(f)是憎水性等级为HC6的检测图；判断一个模型的效果，根据4个评价指标来判定，如图6(a)～图6(d)所示，图6(a)是精确率P(Precision)的结果图，图6(b)是召回率R(Recall)的结果图，图6(c)是平均精度均值mAP(Mean Average Precision)的结果图，图6(d)是精确率与召回率的调和平均数F1结果图。由图6(a)～图6(d)可知，Precision值在初始阶段出现了较大的波动，但随着迭代次数的增加，准确率在迭代9000次逐渐稳定在92.8％；Recall值在迭代800次急剧上升，并且在在迭代的后期召回率保持在97.5％；mAP值稳定在95.8％；F1值在训练的开始阶段有一定的波动，但是最终稳定在93.6％
复合绝缘子憎水性等级识别采用4个指标评价：精确率P(Precision)、召回率R(Recall)、平均精度均值mAP(Mean Average Precision)和精确率与召回率得调和平均数F1。精确率是衡量模型对复合绝缘子憎水性正样本得识别能力，是从所有识别出的样本中识别出的正样本比例(正确的憎水性等级识别为正样本，其他等级均为负样本)；召回率是衡量模型对正确的憎水性等级识别正样本的覆盖能力，是从所有正样本中识别出的正样本比例；平均精度均值是模型对正样本的识别准确程度和对正样本覆盖能力的权衡结果，是PR曲线与坐标轴围成的曲线下方的面积；F1是综合准确率和召回率的一个评估模型稳健度的指标。4个评价指标的计算公式为：
Figure BDA0002395877520000111
Figure BDA0002395877520000112
Figure BDA0002395877520000113
Figure BDA0002395877520000114
式中TP——真正样本(真阳性)数量
FP——假正样本(假阳性)数量
POS——正样本数量，包括真正样本和假负样本数量
本文的4个评价指标均在NVIDIA TITAN Xp GPU上计算得到。

Claims (6)

1.一种基于YOLOv3的复合绝缘子憎水性等级识别方法，其特征在于，具体按照以下步骤实施：
步骤1、获取输电线路中复合绝缘子表面带水珠的原始彩色图像若干张；
步骤2、对步骤1获得的图像进行预处理，得到图像像素均为416×416的绝缘子表面带水珠的图像；
步骤3、对步骤2获得的像素均为416×416的图像首先使用labelImg标签软件对带水珠的复合绝缘子照片逐一进行等级标定，然后将标定好的图像输入到全卷积网络YOLOV3中的Darknet-53特征提取每个憎水性等级下水珠的特征；
步骤4、根据步骤3学习到标定的每个憎水性等级下水珠的特征，通过对新输入带水珠的绝缘子图像和已经学习到每个憎水性等级下水珠的特征进行对比，进而实现新输入带水珠的绝缘子图像憎水性等级识别。
2.据权利要求1所述的一种基于YOLOv3的复合绝缘子憎水性等级识别方法，其特征在于，所述步骤2中对步骤1获得的若干张带水珠的复合绝缘子原始彩色图像进行预处理，即首先将步骤1获取的图像的长边缩放为416像素，图像对应的短边按比例缩放并且将空白区域填充，最终使得图像像素均为416×416的绝缘子表面带水珠的图像。
3.据权利要求2所述的一种基于YOLOv3的复合绝缘子憎水性等级识别方法，其特征在于，所述步骤3中YOLOV3网络的特征提取网络Darknet53包含52个卷积层和一个全连接层，卷积层和全连接层由一系列卷积核为1*1和3*3的卷积层组成，卷积层和全连接层能够将416*416大小的图片经过深度卷积一直降维到52，26和13；其中，1*1的卷积核用于降维，3*3的卷积核用于提取特征，多个卷积核交错达到目的。
4.据权利要求3所述的一种基于YOLOv3的复合绝缘子憎水性等级识别方法，其特征在于，所述步骤3中训练参数设置如下：
(1)将经过labelImg标签软件标定好憎水性的图像，按照4：1的比例将数据集分为训练集和测试集，便于客观衡量模型的泛化能力；
(2)训练迭代20000次，每次迭代耗时14.12s，共耗时78.46h；
(3)采用mini-batch随机梯度下降法训练，batch值为64，batch值即为批量处理图片的数量；
(4)学习率初始化为0.001，学习策略为步进型，动量参数momentum为0.9，学习衰减率为0.0005，每一次迭代学习率衰减方式定义为：
Figure FDA0002395877510000021
式中，Lr_n表示第n次迭代时的学习率；
Lr_initial表示学习率的初始值；
n表示迭代次数；
Decay表示学习衰减率；
在迭代过程中，Lr_n会逐步调整学习步幅，提高YOLOv3网络的收敛效果。
5.根据权利要求4所述的一种基于YOLOv3的复合绝缘子憎水性等级识别方法，其特征在于，所述步骤4中提取绝缘子表面水珠的特征，具体如下：
步骤4.1、将所述像素均为416×416的绝缘子表面带水珠的图像输入全卷积网络YOLOV3中的Darknet-53特征提取网络中，对应特征大小分别为：13×13，26×26和52×52，每一个尺度对应三个先验框，共计9个，最终取其中一个，每一个输出都包括目标的中心位置(x,y)，宽高(w,h)，置信度以及类别，则对应每一张输入图片的输出为1×10467×(5+k)，k代表类别数，YOLOv3预测边界框中心点相对于对应区域左上角的相对偏移值，其实际位置和大小如公式(2)：
Figure FDA0002395877510000031
其中，(cx,cy)为区域左上角坐标，(tx,ty)是网络关于中心坐标的预测值，(tw,th)为宽和高的预测值，(pw,ph)是先验框的宽和高，(bx,by,bw,bh)为实际位置，通过对置信度设定阈值，过滤掉低分的预测框，再对剩下的预测框使用非极大值抑制算法，得到水珠的位置；
步骤4.2、将所述步骤4.1得到的水珠的位置信息输入所述步骤3的训练模型中，精确学习水珠的特征，最终得到若干绝缘子表面水珠的特征；
步骤4.3、将步骤4.2得到的绝缘子表面水珠的特征与所述步骤3标定的学习到的每个憎水性等级下水珠的特征进行对比，进而得出该绝缘子憎水性等级。
6.根据权利要求5所述的一种基于YOLOv3的复合绝缘子憎水性等级识别方法，其特征在于，所述步骤4中类别数k＝6。
CN202010131458.6A 2020-02-28 2020-02-28 基于YOLOv3网络的复合绝缘子憎水性等级识别方法 Active CN111368702B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010131458.6A CN111368702B (zh) 2020-02-28 2020-02-28 基于YOLOv3网络的复合绝缘子憎水性等级识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010131458.6A CN111368702B (zh) 2020-02-28 2020-02-28 基于YOLOv3网络的复合绝缘子憎水性等级识别方法

Publications (2)

Publication Number Publication Date
CN111368702A CN111368702A (zh) 2020-07-03
CN111368702B true CN111368702B (zh) 2023-03-14

Family

ID=71212323

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010131458.6A Active CN111368702B (zh) 2020-02-28 2020-02-28 基于YOLOv3网络的复合绝缘子憎水性等级识别方法

Country Status (1)

Country Link
CN (1) CN111368702B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111855500A (zh) * 2020-07-30 2020-10-30 华北电力大学（保定） 一种基于深度学习的复合绝缘子老化程度智能检测方法
CN111855501B (zh) * 2020-07-30 2024-02-20 华北电力大学（保定） 基于无人机的自动喷水复合绝缘子憎水性检测系统及方法
CN112098409B (zh) * 2020-09-17 2023-04-07 国网河南省电力公司濮阳供电公司 一种输电线路复合绝缘子憎水性带电测试方法
CN113255690B (zh) * 2021-04-15 2022-04-12 南昌大学 一种基于轻量级卷积神经网络的复合绝缘子憎水性检测方法
CN113111802B (zh) * 2021-04-20 2023-05-23 池州学院 一种基于深度神经网络的绝缘子检测模型
CN113537385B (zh) * 2021-08-01 2023-12-05 国网冀北电力有限公司超高压分公司 一种基于tx2设备的电力复合绝缘子憎水性分类方法
CN113781498A (zh) * 2021-08-24 2021-12-10 南昌大学 一种复合绝缘子智能诊断方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440495A (zh) * 2013-07-31 2013-12-11 华北电力大学（保定） 一种复合绝缘子憎水等级自动识别方法
CN109800854A (zh) * 2018-12-14 2019-05-24 国网甘肃省电力公司电力科学研究院 一种基于概率神经网络的复合绝缘子憎水性等级判定方法
WO2019136946A1 (zh) * 2018-01-15 2019-07-18 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103440495A (zh) * 2013-07-31 2013-12-11 华北电力大学（保定） 一种复合绝缘子憎水等级自动识别方法
WO2019136946A1 (zh) * 2018-01-15 2019-07-18 中山大学 基于深度学习的弱监督显著性物体检测的方法及系统
CN109800854A (zh) * 2018-12-14 2019-05-24 国网甘肃省电力公司电力科学研究院 一种基于概率神经网络的复合绝缘子憎水性等级判定方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于Faster R-CNN的复合绝缘子憎水性分析研究;张德钦等;《智慧电力》;20190420(第04期);全文 *

Also Published As

Publication number Publication date
CN111368702A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111368702B (zh) 基于YOLOv3网络的复合绝缘子憎水性等级识别方法
CN106228125B (zh) 基于集成学习级联分类器的车道线检测方法
CN107220603A (zh) 基于深度学习的车辆检测方法及装置
CN113160139B (zh) 基于注意力的Faster R-CNN网络的钢板表面缺陷检测方法
CN114663346A (zh) 一种基于改进YOLOv5网络的带钢表面缺陷检测方法
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
CN112633149B (zh) 一种域自适应雾天图像目标检测方法和装置
CN111241994B (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
CN113034444A (zh) 一种基于MobileNet-PSPNet神经网络模型的路面裂缝检测方法
CN112818871B (zh) 一种基于半分组卷积的全融合神经网络的目标检测方法
CN111353396A (zh) 一种基于SCSEOCUnet的混凝土裂缝分割方法
CN111540203B (zh) 基于Faster-RCNN调节绿灯通行时间的方法
CN116612098B (zh) 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置
CN111223087A (zh) 一种基于生成对抗网络的桥梁裂缝自动检测方法
CN115272876A (zh) 一种基于深度学习的遥感图像船舶目标检测方法
CN116433629A (zh) 一种基于GA-Unet的机场道面缺陷识别方法
CN112329858A (zh) 一种铁路动车防松铁丝折断故障图像识别方法
CN115100173B (zh) 基于深度卷积神经网络的公路路面图像裂缝几何属性检测与裂缝识别方法
CN117132546A (zh) 一种用于无缺陷样本条件下的混凝土表面缺陷检测方法
CN115424091A (zh) 一种基于SMCA-YOLOv5的轻量化军事目标检测方法
CN115527118A (zh) 一种融合注意力机制的遥感图像目标检测方法
CN116012709A (zh) 一种高分辨率遥感影像建筑物提取方法及系统
CN112686105B (zh) 一种基于视频图像多特征融合的雾浓度等级识别方法
CN115170783A (zh) 一种使用街景图像的快速公路路面裂缝检测方法
CN114463628A (zh) 一种基于阈值约束的深度学习遥感影像船舰目标识别方法

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
GR01 Patent grant
GR01 Patent grant