CN111539924A - 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 - Google Patents
一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111539924A CN111539924A CN202010311365.1A CN202010311365A CN111539924A CN 111539924 A CN111539924 A CN 111539924A CN 202010311365 A CN202010311365 A CN 202010311365A CN 111539924 A CN111539924 A CN 111539924A
- Authority
- CN
- China
- Prior art keywords
- picture
- suspension clamp
- defect
- algorithm
- pictures
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 186
- 239000000725 suspension Substances 0.000 title claims abstract description 154
- 238000001514 detection method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 126
- 230000005540 biological transmission Effects 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 18
- 238000011176 pooling Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 7
- 239000000284 extract Substances 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Images
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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明实施例公开了一种悬垂线夹的缺陷检测方法、装置、设备及存储介质,该缺陷检测方法包括:获取多张输电线路的悬垂线夹的图片作为训练图片;使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型,其中,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE‑ResNet101而得到;将待检测图片输入缺陷种类识别模型;基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。本发明实施例提供的悬垂线夹的缺陷检测方法、装置、设备及存储介质,能够提高输电线路的悬垂线夹缺陷检测的准确性。
Description
技术领域
本发明实施例涉及缺陷检测技术,尤其涉及一种悬垂线夹的缺陷检测方法、装置、设备及存储介质。
背景技术
在电力系统领域,为了确保输电线路正常运行,输电线路巡视工作显得尤为重要,悬垂线夹在架空输电线路中直接与导线接触,起着稳固、支托及悬挂输电线的作用,而悬垂线夹的缺陷将会引发电网或者输电线路故障,造成不可估量的经济损失。因此,为了预防此类事故的发生,减少经济损失,务必及时查出悬垂线夹是否损坏。
目前,现有的悬垂线夹的缺陷检测方法,在检测输电线路中悬垂线夹时大多是采用传统的人工方式对缺陷进行检测,耗费大量的人力,实时性低,一线工作人员负担较重。
发明内容
本发明实施例提供一种悬垂线夹的缺陷检测方法、装置、设备及存储介质,以提高输电线路的缺陷检测的准确性。
第一方面,本发明实施例提供了一种悬垂线夹的缺陷检测方法,该缺陷检测方法包括:
获取多张输电线路的悬垂线夹的图片作为训练图片;
使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型,其中,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;
将待检测图片输入缺陷种类识别模型;
基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。
可选的,基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类,包括:
缺陷种类识别模型通过改进的Faster RCNN算法中的SE-ResNet101特征提取网络,提取待检测图片的多个特征块;
将特征块输入改进的Faster RCNN算法中的RPN网络,得到多个区域建议框;
将多个区域建议框对应的特征输入改进的Faster RCNN算法中的区域池化层,得到目标特征区域;
将目标特征区域输入改进的Faster RCNN算法中的全连接层,基于Softer-NMS算法识别全连接层中的目标特征区域的缺陷种类。
可选的,基于Softer-NMS算法识别全连接层中的目标特征区域的缺陷种类,包括:
全连接层通过分类函数以及边框回归函数对目标特征区域进行调整定位,得到调整后的目标特征区域;
基于Softer-NMS算法识别调整后的目标特征区域的缺陷种类。
可选的,改进的Faster RCNN算法由Faster RCNN算法中的NMS算法替换为Softer-NMS算法而得到。
可选的,获取多张输电线路的悬垂线夹的图片作为训练图片之后,包括:
对训练图片中对应的悬垂线夹存在缺陷的图片进行标注。
可选的,待检测图片和训练图片均是通过无人机拍摄的输电线路的悬垂线夹的图片,待检测图片包括输电线路中的悬垂线夹的图片。
可选的,待检测图片为输电线路中悬垂线夹的待检测图片,训练图片为包括输电线路中悬垂线夹的各种缺陷类型的图片。
第二方面,本发明实施例还提供了一种悬垂线夹的缺陷检测装置,包括:
图片获取模块,用于获取多张输电线路的悬垂线夹的图片作为训练图片;
模型建立模块,用于使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型,其中,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;
图片输入模块,用于将待检测图片输入缺陷种类识别模型;
缺陷识别模块,用于基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。
第三方面,本发明实施例还提供了一种电子设备,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,处理器执行计算机程序时实现如第一方面所述的缺陷检测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时实现如第一方面所述的缺陷检测方法。
本发明实施例提供了一种悬垂线夹的缺陷检测方法、装置、设备及存储介质,获取多张输电线路的悬垂线夹的图片作为训练图片,使用多张训练图片根据改进的FasterRCNN算法建立悬垂线夹的缺陷种类识别模型,将待检测图片输入缺陷种类识别模型,并基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,从而识别目标特征区域的缺陷种类。本发明实施例提供的悬垂线夹的缺陷检测方法、装置、设备及存储介质,基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,从而识别目标特征区域的缺陷种类,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到,SE-ResNet101的参数量和计算量不大并且在数据测试上有较高的准确率,从而基于改进的Faster RCNN算法提高输电线路的悬垂线夹缺陷检测的准确性。
附图说明
图1是本发明实施例一提供的一种悬垂线夹的缺陷检测方法的流程图;
图2是本发明实施例一提供的一种SE-ResNet101模块和ResNet模块的示意图;
图3是本发明实施例二提供的一种悬垂线夹的缺陷检测方法的流程图;
图4是本发明实施例二提供的一种基于改进的Faster RCNN算法对待检测图片进行检测的示意图;
图5是本发明实施例二提供的一种输电线路中悬垂线夹的缺陷检测方法的流程图;
图6是本发明实施例三提供的一种悬垂线夹的缺陷检测装置的结构框图;
图7是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种悬垂线夹的缺陷检测方法的流程图,本实施例可适用于输电线路的悬垂线夹缺陷检测等情况,该方法可以由悬垂线夹的缺陷检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有输电线路的悬垂线夹缺陷检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤110、获取多张输电线路的悬垂线夹的图片作为训练图片。
其中,多张输电线路的悬垂线夹的图片包括输电线路的悬垂线夹存在各种缺陷种类的图片,各种缺陷种类的图片可包括输电线路的悬垂线夹缺垫片、输电线路的悬垂线夹缺螺母、悬垂线夹缺锁紧销等缺陷的图片。例如获取的多张输电线路的图片可以是6000张110kV电压等级的输电线路的悬垂线夹的图片和6000张220kV电压等级的输电线路的悬垂线夹的图片,获取的图片总共为12000张,12000张图片中输电线路中的悬垂线夹可标注出来,将其中10000张图片作为训练图片,其余2000张图片作为待检测图片。获取的多张输电线路的图片可以是通过无人机拍摄的输电线路的悬垂线夹的图片,如悬垂线夹的缺陷检测装置在获取多张输电线路的悬垂线夹的图片时,可通过自身设置的输入端口获取无人机拍摄的多张输电线路的悬垂线夹的图片,将获取的多张输电线路的悬垂线夹的图片作为训练图片,以通过训练图片建立悬垂线夹的缺陷种类识别模型。
步骤120、使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型。
其中,悬垂线夹的缺陷种类识别模型根据改进的Faster RCNN算法使用多张训练图片训练得到,由于训练图片包括输电线路中悬垂线夹存在各种缺陷种类的图片,因此使用多张训练图片训练得到的悬垂线夹的缺陷种类识别模型可识别输电线路的悬垂线夹的图片中对应悬垂线夹存在的各种缺陷。改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到。图2是本发明实施例一提供的一种SE-ResNet101模块和ResNet模块的示意图,图2的SE-ResNet101模块中对应方框右侧的c×h×w、c×1×1、c/16×1×1代表相应方框所在层的输出维度,SE-ResNet101模块使用全局平均池化(global average pooling)作为压缩(Squeeze)操作,两个全连接(Fully Connected)层组成一个结构去建立通道间的相关性,并且SE-ResNet101模块的输出和输入有同样数目的权重。首先全连接层将特征维度降低到输入的1/16,然后特征维度可通过ReLu函数即线性整流函数激活后再通过一个全连接层升回到原来的维度,这样比直接用一个全连接层的好处在于:1)具有更多的非线性,可以更好地拟合通道间复杂的相关性;2)极大地减少了参数量和计算量。再通过一个Sigmoid函数输出获得0到1之间归一化的权重,最后通过一个Scale函数的操作将归一化后的权重加权到每个通道的特征上(即相乘),最后在两分支相加前对Residual分支即残差分支的特征进行特征重标定。SE-ResNet模块相比ResNet模块参数几乎没有增长,而且计算量相差不大,但是在开源数据集的测试上有较高的准确率,相比原Faster R-CNN的VGG16网络性能提升更加明显,因此用SE-ResNet101替代Faster R-CNN的特征提取网络VGG16以对Faster RCNN算法进行改进。
步骤130、将待检测图片输入缺陷种类识别模型。
其中,待检测图片可以是至少一张输电线路的悬垂线夹的图片,如在需要检测输电线路中悬垂线夹是否存在缺陷时,待检测图片是输电线路中包含悬垂线夹的图片,以通过输入至缺陷种类识别模型中的待检测图片检测输电线路中悬垂线夹的缺陷种类。
步骤140、基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。
其中,缺陷种类识别模型中的待检测图片可通过改进的Faster RCNN算法中的SE-ResNet101特征提取网络、区域池化层和全连接层,得到待检测图片中的目标特征区域,通过NMS或Softer-NMS等目标检测算法可识别目标特征区域的缺陷种类,从而实现待检测图片的缺陷种类的识别,以使相关工作人员通过待检测图片的缺陷种类对输定线路中的悬垂线夹的相应位置进行维修。
本实施例提供的悬垂线夹的缺陷检测方法,基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,从而识别目标特征区域的缺陷种类,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到,SE-ResNet101的参数量和计算量不大并且在数据测试上有较高的准确率,从而基于改进的Faster RCNN算法提高输电线路的悬垂线夹缺陷检测的准确性。
实施例二
图3是本发明实施例二提供的一种悬垂线夹的缺陷检测方法的流程图,该方法可以由悬垂线夹的缺陷检测装置来执行,该装置可以由软件和/或硬件的方式实现,该装置可以集成在具有输电线路的悬垂线夹缺陷检测功能的电子设备如计算机中,该方法具体包括如下步骤:
步骤210、获取多张输电线路的悬垂线夹的图片作为训练图片。
其中,训练图片可以是包括悬垂线夹的各种缺陷类型以及无缺陷的图片,各种缺陷类型的图片可包括输电线路的悬垂线夹缺垫片、输电线路的悬垂线夹缺螺母、悬垂线夹缺锁紧销等各种缺陷种类的图片,无缺陷的图片即输电线路的悬垂线夹正常的图片。获取训练图片后还可对训练图片中对应的悬垂线夹存在缺陷的图片进行标注,从而区分悬垂线夹存在缺陷和无缺陷的图片,输电线路的悬垂线夹的图片可以是通过无人机拍摄的图片,如悬垂线夹的缺陷检测装置在获取多张输电线路的悬垂线夹的图片时,可通过自身设置的输入端口获取无人机拍摄的多张输电线路的悬垂线夹的图片,将获取的多张输电线路的悬垂线夹的图片作为训练图片,以通过训练图片建立悬垂线夹的缺陷种类识别模型。
步骤220、使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型。
其中,悬垂线夹的缺陷种类识别模型根据改进的Faster RCNN算法使用多张训练图片训练得到,由于训练图片包括输电线路的悬垂线夹存在各种缺陷种类的图片,因此使用多张训练图片训练得到的悬垂线夹的缺陷种类识别模型可识别输电线路的悬垂线夹的图片中对应悬垂线夹存在的各种缺陷。改进的Faster RCNN算法可由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到,还可由Faster RCNN算法中的NMS算法替换为Softer-NMS算法而得到,NMS算法即非极大抑制算法对于目前state-of-the-art目标检测算法从多个候选位置定位目标非常重要,在NMS算法中,使用目标的分类分数作为候选位置精确度的体现,即分类成某类物体的分数越高代表定位精度也越精确,但其实很多时候并不是如此。目前NMS会出现候选包围框不精确以及拥有高的分类分数的候选包围框不精确的问题,这些问题都说明了目标框的位置和目标框的得分不是强相关的。Softer-NMS提出使用KL loss算法作为物体边框回归loss算法,首先将边界框的预测值和真实值分别建模成高斯分布和狄拉克分布,然后训练模型,降低来自于这两个分布的KL散度边框回归损失函数,最后提出一个基于权重平均的soft NMS算法。不管目标框的分类得分是多少,当目标框具有较高的置信度时,会得到较大的权重,Softer-NMS算法相比普通NMS算法具有更高的定位精度,因而可提高改进的Faster RCNN算法的检测精度。
步骤230、将待检测图片输入缺陷种类识别模型。
其中,待检测图片和训练图片可以是通过无人机拍摄的输电线路的悬垂线夹的图片,待检测图片为输电线路中悬垂线夹的待检测图片,如待检测图片包括输电线路中的悬垂线夹的图片,以通过本实施例所述的缺陷检测方法对输入至缺陷种类识别模型的待检测图片对应的输电线路中的悬垂线夹的缺陷进行检测。
步骤240、缺陷种类识别模型通过改进的Faster RCNN算法中的SE-ResNet101特征提取网络,提取待检测图片的多个特征块。
具体的,图4是本发明实施例二提供的一种基于改进的Faster RCNN算法对待检测图片进行检测的示意图,首先通过改进的Faster RCNN算法中的SE-ResNet101特征提取网络,提取待检测图片的多个特征块,若待检测图片是输电线路包含悬垂线夹的图片,SE-ResNet101特征提取网络提取的多个特征块中包含有悬垂线夹特征的特征块,以根据提取的包含有悬垂线夹特征的特征块对悬垂线夹进行缺陷检测。
步骤250、将特征块输入改进的Faster RCNN算法中的RPN网络,得到多个区域建议框。
其中,RPN网络即区域建议网络,特征块和区域建议网络以及Fast R-CNN网络可共享参数,特征块通过RPN网络可得到区域建议框,RPN网络通过训练图片的训练能够预测出目标区域的区域建议框,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来预测生成区域建议框。如包含有悬垂线夹特征的特征块通过RPN网络得到的区域建议框可为包括悬垂线夹特征的边框,边框内的特征多为悬垂线夹的特征,以便于对目标特征区域如悬垂线夹特征区域进行缺陷检测。
步骤260、将多个区域建议框对应的特征输入改进的Faster RCNN算法中的区域池化层,得到目标特征区域。
示例性地,若多个区域建议框中的特征均为输电线路中悬垂线夹的特征,每个区域建议框中的悬垂线夹的特征可能仅为悬垂线夹的部分特征,则区域池化层将这些区域建议框对应的特征进行融合和叠加,映射输出目标特征区域即悬垂线夹的较完整的特征区域,以对悬垂线夹进行较准确地缺陷检测。
步骤270、将目标特征区域输入改进的Faster RCNN算法中的全连接层,全连接层通过分类函数以及边框回归函数对目标特征区域进行调整定位,得到调整后的目标特征区域。
其中,全连接层通过分类函数以及边框回归函数对目标特征区域进行调整定位,如目标特征区域为悬垂线夹的特征区域,输入到全连接层的目标特征区域可能与悬垂线夹的实际特征区域存在偏差,通过分类函数以及边框回归函数对目标特征区域进行调整定位,可调整目标区域的大小,得到悬垂线夹的实际特征区域对应的较为准确的目标特征区域。
步骤280、基于Softer-NMS算法识别调整后的目标特征区域的缺陷种类。
具体的,上述缺陷种类识别模型通过训练图片的训练,可基于Softer-NMS算法识别各种缺陷种类,从而基于Softer-NMS算法对全连接层中调整后的目标特征区域的缺陷种类进行识别,以识别出目标特征区域的具体的缺陷种类。
在一种具体实施方式中,上述缺陷检测方法可应用于输电线路的悬垂线夹,实现对输电线路中悬垂线夹的缺陷检测,图5是本发明实施例二提供的一种输电线路中悬垂线夹的缺陷检测方法的流程图,具体包括如下步骤:
步骤一:根据110kV和220kV电压等级构建训练样本集。
其中,训练样本集中可包括多张输电线路中悬垂线夹的图片,如采用6000张110kV电压等级的输电线路的图片和6000张220kV电压等级的输电线路的图片中的10000张图片作为训练样本集,其余2000张图片作为待检测图片,训练样本集中的图片可以是输电线路中包括悬垂线夹各种缺陷如缺螺母、缺锁紧销等缺陷的图片,待检测图片可以是输电线路中包括悬垂线夹的图片。
步骤二:基于改进的Faster RCNN算法对悬垂线夹的缺陷进行训练。
其中,改进的Faster RCNN算法可由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到,还可由Faster RCNN算法中的NMS算法替换为Softer-NMS算法得到,基于改进的Faster RCNN算法,由训练样本集对悬垂线夹的缺陷进行训练,得到垂线线夹缺陷种类识别模型,以识别悬垂线夹的各种缺陷。
步骤三:将待检测图片输入至悬垂线夹缺陷检测算法中。
其中,待检测图片可以是无人机拍摄的输电线路中包括悬垂线夹的图片,悬垂线夹缺陷检测算法可以是基于深度学习的改进的Faster RCNN算法,以通过深度学习的改进的Faster RCNN算法对输入至算法中的待检测图片进行缺陷检测。
步骤四:识别悬垂线夹的缺陷种类。
具体的,通过训练好的模型进行缺陷检测,可基于深度学习的改进的Faster RCNN算法识别待检测图片中的悬垂线夹及悬垂线夹的缺陷种类,以便于相关工作人员根据悬垂线夹缺陷的具体种类对输电线路中相应位置的悬垂线夹进行维修。
本实施例提供的悬垂线夹的缺陷检测方法,通过改进的Faster RCNN算法中的SE-ResNet101特征提取网络提取待检测图片的多个特征块,特征块通过RPN网络得到多个区域建议框,多个区域建议框对应的特征通过区域池化层得到目标特征区域,全连接层对目标特征区域进行调整定位,并基于Softer-NMS算法识别调整后的目标特征区域的缺陷种类,其中SE-ResNet101特征提取网络在数据测试即特征提取上有较高的准确率,Softer-NMS算法中的目标框具有较高的置信度时,会得到较大的权重,Softer-NMS算法相比NMS算法具有更高的定位精度,从而基于改进的Faster RCNN算法提高输电线路的悬垂线夹缺陷种类识别的精度即提高输电线路的悬垂线夹缺陷检测的准确性。
实施例三
图6是本发明实施例三提供的一种悬垂线夹的缺陷检测装置的结构框图,该装置包括图片获取模块310、模型建立模块320、图片输入模块330和缺陷识别模块340;其中,图片获取模块310用于获取多张输电线路的悬垂线夹的图片作为训练图片;模型建立模块320用于使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型,其中,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;图片输入模块330用于将待检测图片输入缺陷种类识别模型;缺陷识别模块340用于基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。
在一种实施方式中,缺陷识别模块340包括特征块提取单元、区域建议框获取单元、目标特征区域获取单元和缺陷识别单元;特征块提取单元用于缺陷种类识别模型通过改进的Faster RCNN算法中的SE-ResNet101特征提取网络,提取待检测图片的多个特征块;区域建议框获取单元用于将特征块输入改进的Faster RCNN算法中的RPN网络,得到多个区域建议框;目标特征区域获取单元用于将多个区域建议框对应的特征输入改进的FasterRCNN算法中的区域池化层,得到目标特征区域;缺陷识别单元用于将目标特征区域输入改进的Faster RCNN算法中的全连接层,基于Softer-NMS算法识别全连接层中的目标特征区域的缺陷种类。
优选的,上述缺陷识别单元包括区域调整定位子单元和缺陷识别子单元;区域调整定位子单元用于全连接层通过分类函数以及边框回归函数对目标特征区域进行调整定位,得到调整后的目标特征区域;缺陷识别子单元用于基于Softer-NMS算法识别调整后的目标特征区域的缺陷种类。
在一种实施方式中,图片获取模块310还用于对训练图片中对应的悬垂线夹存在缺陷的图片进行标注。
本实施例提供的悬垂线夹的缺陷检测装置,具备悬垂线夹的缺陷检测方法相应的有益效果。
实施例四
图7是本发明实施例四提供的一种电子设备的结构示意图。图7示出了适于用来实现本发明实施方式的示例性电子设备412的框图。图7显示的电子设备412仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备412以通用设备的形式表现。电子设备412的组件可以包括但不限于:一个或者多个处理器416,存储装置428,连接不同系统组件(包括存储装置428和处理器416)的总线418。
总线418表示几类总线结构中的一种或多种,包括存储装置总线或者存储装置控制器,外围总线,图形加速端口,处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(Industry SubversiveAlliance,ISA)总线,微通道体系结构(Micro Channel Architecture,MAC)总线,增强型ISA总线、视频电子标准协会(Video Electronics Standards Association,VESA)局域总线以及外围组件互连(Peripheral Component Interconnect,PCI)总线。
电子设备412典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备412访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
存储装置428可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(Random Access Memory,RAM)430和/或高速缓存存储器432。电子设备412可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统434可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘,例如只读光盘(Compact Disc Read-Only Memory,CD-ROM),数字视盘(Digital Video Disc-Read Only Memory,DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线418相连。存储装置428可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块442的程序/实用工具440,可以存储在例如存储装置428中,这样的程序模块442包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块442通常执行本发明所描述的实施例中的功能和/或方法。
电子设备412也可以与一个或多个外部设备414(例如键盘、指向终端、显示器424等)通信,还可与一个或者多个使得用户能与该电子设备412交互的终端通信,和/或与使得该电子设备412能与一个或多个其它计算终端进行通信的任何终端(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口422进行。并且,电子设备412还可以通过网络适配器420与一个或者多个网络(例如局域网(Local Area Network,LAN),广域网(Wide Area Network,WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器420通过总线418与电子设备412的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备412使用其它硬件和/或软件模块,包括但不限于:微代码、终端驱动器、冗余处理器、外部磁盘驱动阵列、磁盘阵列(Redundant Arrays of Independent Disks,RAID)系统、磁带驱动器以及数据备份存储系统等。
处理器416通过运行存储在存储装置428中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的悬垂线夹的缺陷检测方法,该方法包括:
获取多张输电线路的悬垂线夹的图片作为训练图片;
使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型,其中,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;
将待检测图片输入缺陷种类识别模型;
基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。
实施例五
本发明实施例五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,该程序被处理器执行时实现如本发明实施例所提供的悬垂线夹的缺陷检测方法,该方法包括:
获取多张输电线路的悬垂线夹的图片作为训练图片;
使用多张训练图片,根据改进的Faster RCNN算法建立悬垂线夹的缺陷种类识别模型,其中,改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;
将待检测图片输入缺陷种类识别模型;
基于改进的Faster RCNN算法和缺陷种类识别模型确定待检测图片中的目标特征区域,并识别目标特征区域的缺陷种类。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括——但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、python、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或终端上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种悬垂线夹的缺陷检测方法,其特征在于,所述缺陷检测方法包括:
获取多张输电线路的悬垂线夹的图片作为训练图片;
使用多张所述训练图片,根据改进的Faster RCNN算法建立所述悬垂线夹的缺陷种类识别模型,其中,所述改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;
将待检测图片输入所述缺陷种类识别模型;
基于所述改进的Faster RCNN算法和所述缺陷种类识别模型确定所述待检测图片中的目标特征区域,并识别所述目标特征区域的缺陷种类。
2.根据权利要求1所述的缺陷检测方法,其特征在于,所述基于所述改进的FasterRCNN算法和所述缺陷种类识别模型确定所述待检测图片中的目标特征区域,并识别所述目标特征区域的缺陷种类,包括:
所述缺陷种类识别模型通过所述改进的Faster RCNN算法中的SE-ResNet101特征提取网络,提取所述待检测图片的多个特征块;
将所述特征块输入所述改进的Faster RCNN算法中的RPN网络,得到多个区域建议框;
将多个所述区域建议框对应的特征输入所述改进的Faster RCNN算法中的区域池化层,得到目标特征区域;
将所述目标特征区域输入所述改进的Faster RCNN算法中的全连接层,基于Softer-NMS算法识别所述全连接层中的所述目标特征区域的缺陷种类。
3.根据权利要求2所述的缺陷检测方法,其特征在于,所述基于Softer-NMS算法识别所述全连接层中的所述目标特征区域的缺陷种类,包括:
所述全连接层通过分类函数以及边框回归函数对所述目标特征区域进行调整定位,得到调整后的所述目标特征区域;
基于Softer-NMS算法识别调整后的所述目标特征区域的缺陷种类。
4.根据权利要求2所述的缺陷检测方法,其特征在于,所述改进的Faster RCNN算法由所述Faster RCNN算法中的NMS算法替换为Softer-NMS算法而得到。
5.根据权利要求1所述的缺陷检测方法,其特征在于,所述获取多张输电线路的悬垂线夹的图片作为训练图片之后,包括:
对所述训练图片中对应的悬垂线夹存在缺陷的图片进行标注。
6.根据权利要求1所述的缺陷检测方法,其特征在于,所述待检测图片和所述训练图片均是通过无人机拍摄的所述输电线路的悬垂线夹的图片,所述待检测图片包括所述输电线路中的悬垂线夹的图片。
7.根据权利要求1所述的缺陷检测方法,其特征在于,所述待检测图片为所述输电线路中悬垂线夹的待检测图片,所述训练图片为包括所述输电线路中悬垂线夹的各种缺陷类型的图片。
8.一种悬垂线夹的缺陷检测装置,其特征在于,包括:
图片获取模块,用于获取多张输电线路的悬垂线夹的图片作为训练图片;
模型建立模块,用于使用多张所述训练图片,根据改进的Faster RCNN算法建立所述悬垂线夹的缺陷种类识别模型,其中,所述改进的Faster RCNN算法由Faster RCNN算法中特征提取部分中VGG16替换为SE-ResNet101而得到;
图片输入模块,用于将待检测图片输入所述缺陷种类识别模型;
缺陷识别模块,用于基于改进的Faster RCNN算法和所述缺陷种类识别模型确定所述待检测图片中的目标特征区域,并识别所述目标特征区域的缺陷种类。
9.一种电子设备,其特征在于,包括:存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-7任一所述的缺陷检测方法。
10.一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时实现如权利要求1-7任一所述的缺陷检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311365.1A CN111539924A (zh) | 2020-04-20 | 2020-04-20 | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010311365.1A CN111539924A (zh) | 2020-04-20 | 2020-04-20 | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111539924A true CN111539924A (zh) | 2020-08-14 |
Family
ID=71978793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010311365.1A Pending CN111539924A (zh) | 2020-04-20 | 2020-04-20 | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111539924A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN112884738A (zh) * | 2021-02-18 | 2021-06-01 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于斜框标注的悬垂线夹倾斜故障检测方法 |
CN115187881A (zh) * | 2022-09-08 | 2022-10-14 | 国网江西省电力有限公司电力科学研究院 | 电力设备铭牌识别及台区合规性自动校核系统及方法 |
CN115841485A (zh) * | 2023-02-13 | 2023-03-24 | 成都数联云算科技有限公司 | 一种面板缺陷检测方法、装置、设备及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618129A (zh) * | 2019-07-24 | 2019-12-27 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
-
2020
- 2020-04-20 CN CN202010311365.1A patent/CN111539924A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110618129A (zh) * | 2019-07-24 | 2019-12-27 | 安徽南瑞继远电网技术有限公司 | 一种电网线夹自动检测与缺陷识别方法及装置 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
Non-Patent Citations (5)
Title |
---|
张银松 等: "基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数", 《中国农业大学学报》 * |
张银松 等: "基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数", 《中国农业大学学报》, 14 May 2019 (2019-05-14), pages 115 - 122 * |
李静 等: "复杂场景下基于R-FCN 的小人脸检测研究", 计算机工程与应用, 1 January 2020 (2020-01-01), pages 203 - 208 * |
胡正平 等: "基于注意力机制的 时间分组深度网络行为识别算法", 模式识别与人工智能, 31 October 0198 (0198-10-31), pages 892 - 900 * |
黄萱昆: "基于深度学习的移动端图像识别算法", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 November 2018 (2018-11-15), pages 138 - 397 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112070134A (zh) * | 2020-08-28 | 2020-12-11 | 广东电网有限责任公司 | 电力设备图像分类方法、装置、电力设备及存储介质 |
CN112884738A (zh) * | 2021-02-18 | 2021-06-01 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于斜框标注的悬垂线夹倾斜故障检测方法 |
CN115187881A (zh) * | 2022-09-08 | 2022-10-14 | 国网江西省电力有限公司电力科学研究院 | 电力设备铭牌识别及台区合规性自动校核系统及方法 |
CN115841485A (zh) * | 2023-02-13 | 2023-03-24 | 成都数联云算科技有限公司 | 一种面板缺陷检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
CN107742093B (zh) | 一种红外图像电力设备部件实时检测方法、服务器及系统 | |
US11676257B2 (en) | Method and device for detecting defect of meal box, server, and storage medium | |
CN107886048A (zh) | 目标跟踪方法及系统、存储介质及电子终端 | |
CN111462109A (zh) | 一种耐张线夹的缺陷检测方法、装置、设备及存储介质 | |
US11734954B2 (en) | Face recognition method, device and electronic equipment, and computer non-volatile readable storage medium | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
US20200402242A1 (en) | Image analysis method and apparatus, and electronic device and readable storage medium | |
CN113436100B (zh) | 用于修复视频的方法、装置、设备、介质和产品 | |
CN111695620A (zh) | 一种电力系统时间序列异常数据检测与修正方法及系统 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN112232354A (zh) | 一种文字识别方法、装置、设备及存储介质 | |
CN114359932B (zh) | 文本检测方法、文本识别方法及装置 | |
CN113361473B (zh) | 图像处理、模型训练方法、装置、设备、存储介质及程序 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN109064464B (zh) | 用于检测电池极片毛刺的方法和装置 | |
CN113936232A (zh) | 一种碎屏识别方法、装置、设备和存储介质 | |
CN113378969A (zh) | 一种目标检测结果的融合方法、装置、设备及介质 | |
CN116823793A (zh) | 设备缺陷检测方法、装置、电子设备和可读存储介质 | |
CN112348085A (zh) | 一种电力数据监测系统与方法 | |
CN110728229A (zh) | 图像处理方法、装置、设备和存储介质 | |
US20220392192A1 (en) | Target re-recognition method, device and electronic device | |
CN110083807B (zh) | 合同的修改影响自动预测方法、装置、介质及电子设备 | |
CN114841980A (zh) | 基于巡线航拍图像的绝缘子缺陷检测方法及系统 |
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 |