CN111680759A - 一种电网巡检绝缘子检测分类方法 - Google Patents

一种电网巡检绝缘子检测分类方法 Download PDF

Info

Publication number
CN111680759A
CN111680759A CN202010547029.7A CN202010547029A CN111680759A CN 111680759 A CN111680759 A CN 111680759A CN 202010547029 A CN202010547029 A CN 202010547029A CN 111680759 A CN111680759 A CN 111680759A
Authority
CN
China
Prior art keywords
detection
layer
power grid
regression model
model
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.)
Granted
Application number
CN202010547029.7A
Other languages
English (en)
Other versions
CN111680759B (zh
Inventor
余志斌
廖琦沁
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.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong 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 Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202010547029.7A priority Critical patent/CN111680759B/zh
Publication of CN111680759A publication Critical patent/CN111680759A/zh
Application granted granted Critical
Publication of CN111680759B publication Critical patent/CN111680759B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Signal Processing (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种电网巡检绝缘子检测分类方法，通过目标先验模型确定正样本和负样本，并通过特征共享使目标先验模型的参数在多层级间流动，极大的提升了绝缘子的检测精度的同时缩短了其搜索进程；利用目标先验机制挖掘匹配无关负样本，从而引导检测绝缘子的进程在源数据中更好的鉴别，提高生成正样本的稳定性，达成借助先验知识对绝缘子的有效识别。

Description

一种电网巡检绝缘子检测分类方法
技术领域
本发明涉及图像识别领域，具体涉及一种电网巡检绝缘子检测分类方法。
背景技术
现如今，人们生产生活的需求不断提高，电力系统的建设规模也跟着不断扩大。在电力系统的网络监测方面航空拍摄可监测大部分电力线路和设备，成为一个很重要的监测手段，其中输电线路的巡检是重要的组成部分。而绝缘子作为输电线路的重要组成部分，对保证电力系统的安全运行起着重要作用。
在电力巡查任务中，需要针对不同类型的绝缘子进行缺陷检测以及分类，而随着电力系统的规模不断扩大，大量的航空测量图像数据接踵而来，手工测量方法无法针对不同种类的缺陷做出高效准确的判断，已经无法满足现在的处理需求。寻找一种高效准确、检测速度快且鲁棒性好的的模型至关重要。
近些年，大数据和机器学习的兴起给模式识别领域带来很大冲击，在大规模图像数据集和图形处理单元(GPU)等高性能计算平台的推动下，基于深度学习、神经网络的模型方法在目标检测、图像分类等任务中都有着卓越的表现。有关计算机视觉的辅助方法在电力系统中也得到了广泛的应用，神经网络模型能够提取出缺陷绝缘子的深度特征表示。利用卷积神经网络，可以提取高层语义信息，特征表示能力较强。卷积神经网络模型由多层次的卷积层、池化层和非线性层构成，利用高层次与低层次的特征在语义信息的差异性，提取融合卷积神经网络不同层的信息，提升目标检测性能。
发明人在实现本发明的过程中，发现现有技术中至少存在以下缺陷和不足：
现有的基于卷积神经网络的电网巡检绝缘子检测分类方法提取不同层次的语义信息的方式较为简单，信息提取不够充分，不能够将多尺度的卷积特征图的语义信息高效的利用在目标检测上，尤其是在一些背景比较复杂的场景下，对目标的检测识别能力不够高效。
发明内容
针对现有技术中的上述不足，本发明提供的一种电网巡检绝缘子检测分类方法解决了现有基于卷积神经网络的电网巡检绝缘子检测分类方法信息提取不够充分，不能够将多尺度的卷积特征图的语义信息高效的利用在目标检测上，且对目标的检测识别能力不够高效的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种电网巡检绝缘子检测分类方法，包括以下步骤：
S1、获取输电线路绝缘子数据集；
S2、对数据集进行人工标注，得到训练数据集；
S3、构建电网巡检绝缘子检测分类模型；
S4、将训练数据集输入目标先验模型，得到正样本和负样本；
S5、将正样本和负样本输入电网巡检绝缘子检测分类模型进行训练，得到训练完成的电网巡检绝缘子检测分类模型；
S6、采集输电线路绝缘子数据，并将其输入到训练完成的电网巡检绝缘子检测分类模型，得到分辨率不同的特征图；
S7、对分辨率不同的特征图同时进行Softmax分类预测和边框回归处理，得到包含绝缘子的图像及其分类结果。
进一步地，所述步骤S3中电网巡检绝缘子检测分类模型包括：改进型VGG-16网络结构、多尺度特征卷积层Conv8_1、多尺度特征卷积层Conv8_2、多尺度特征卷积层Conv9_1、多尺度特征卷积层Conv9_2、加法器SUM1、加法器SUM2、加法器SUM3、第一反卷积层、第二反卷积层、第三反卷积层、第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型；
所述加法器SUM3的第一输入端与改进型VGG-16网络结构的第10层卷积层Conv4_3连接，其第二输入端与第二反卷积层的第一输出端连接；所述改进型VGG-16网络结构的卷积层Conv7的输出端分别与加法器SUM2的第一输入端和多尺度特征卷积层Conv8_1的输入端连接；所述多尺度特征卷积层Conv8_1的输出端与多尺度特征卷积层Conv8_2的输入端连接；所述多尺度特征卷积层Conv8_2的输出端分别与加法器SUM1的第一输入端和多尺度特征卷积层Conv9_1的输入端连接；所述多尺度特征卷积层Conv9_2的输出端分别与加法器SUM1的第二输入端和第四检测回归模型的输入端连接，其输入端与多尺度特征卷积层Conv9_1的输出端连接；所述加法器SUM1的输出端与第一反卷积层的输入端连接；所述第一反卷积层的第一输出端与加法器SUM2的第二输入端连接，其第二输出端与第三检测回归模型的输入端连接；所述加法器SUM2的输出端与第二反卷积层的输入端连接；所述第二反卷积层的第二输出端与第二检测回归模型的输入端连接；所述第三反卷积层的输出端与第一检测回归模型的输入端连接，其输入端与加法器SUM3的输出端连接。
上述进一步方案的有益效果为：将高语义信息、低分辨率的高层特征图通过反卷积等操作之后与低语义信息、高分辨率的低层特征图特征融合，实现高层特征图与低层特征图的特征共享，提升了图像内不同视距绝缘子的图像检测精度。
进一步地，所述改进型VGG-16网络结构以VGG-16为框架，将VGG-16中的全连接层fc6替换成卷积层Conv6，将其全连接层fc7替换成卷积层Conv7。
进一步地，所述第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的结构均相同，均包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；
所述第一卷积层的输入端与第三卷积层的输入端连接，并作为第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的输入端，其输出端与第二卷积层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接。
进一步地，所述第一反卷积层、第二反卷积层和第三反卷积层的计算公式为：
f＝(G-1)*s+O-2p
其中，f为反卷积层输出的特征图的尺寸大小，s为卷积步长，G为反卷积层输入的特征图的尺寸大小，O为卷积核尺寸，p为填充。
进一步地，所述步骤S4包括以下分步骤：
S41、根据输电线路绝缘子的类型，确定模糊聚类类别I；
S42、根据模糊聚类类别I，初始化聚类中心矩阵和迭代次数：
V(q)＝{v1，...，vi，...，vI}，q＝0
其中，V(0)为初始的聚类中心矩阵，vi为第i类特征图，q为迭代次数；
S43、采用欧氏距离，计算目标函数的最小值；
Figure BDA0002541070760000041
其中，Jm为目标函数，dij(xj，vi)为数据集的第j个样本与vi之间的失真度，J为数据集中样本数量，I为特征图总类别，uij为样本xj的隶属度系数，m为加权指数。
S44、根据目标函数的最小值，对第q次迭代的聚类中心矩阵进行更新，得到第q+1次迭代的聚类中心矩阵；
S45、判断第q+1次迭代的聚类中心矩阵与第q次迭代的聚类中心矩阵的差值是否小于阈值ε，若是，则停止迭代，将q+1次迭代的聚类中心矩阵作为最终的聚类中心矩阵，并跳转至步骤S46，若否，则q自加1，并跳转至步骤S43；
S46、根据聚类中心矩阵，计算训练数据集中候选框与真值的交并比；
S47、设置交并比的阈值，判断训练数据集中每个样本的交并比是否大于其阈值，若是，则将该样本归为正样本，进入步骤S5，若否，则将该样本归为负样本，进入步骤S5。
进一步地，所述步骤S5中的训练过程包括以下步骤：
S51、初始化电网巡检绝缘子检测分类模型，输入正样本和负样本；
S52、根据模型目标损失函数，计算巡检绝缘子检测分类模型的损失值；
S53、根据巡检绝缘子检测分类模型的损失值，通过反向传播，得到梯度值；
S54、根据梯度值，采用随机梯度下降法和Adam优化器对电网巡检绝缘子检测分类模型进行迭代更新，得到训练完成的电网巡检绝缘子检测分类模型。
进一步地，所述步骤S52中的模型目标损失函数满足以下方程组：
Figure BDA0002541070760000051
Lcls(pk，pk *)＝-log[pk *pk+(1-pk *)(1-pk)]
Lreg(uk，uk*)＝smoothL1(uk-uk *)
Figure BDA0002541070760000052
其中，L({pk}，{uk})为计算的损失值，Ncls为分类项的归一化参数，Nreg为回归项的归一化参数，Lcls(pk，pk *)为分类损失函数，α为平衡权重参数，k为候选框中的索引，pk为预测为目标的概率，pk *∈{0，1}为指示参数，Lreg(uk，uk *)为回归损失函数，smoothL1为smoothL1损失函数，uk为预测的坐标向量，uk *为真实坐标向量。
综上，本发明的有益效果为：
(1)、通过目标先验模型确定正样本和负样本，并通过特征共享使目标先验模型的参数在多层级间流动，极大的提升了绝缘子的检测精度的同时缩短了其搜索进程。
(2)、利用目标先验机制挖掘匹配无关负样本，从而引导检测绝缘子的进程在源数据中更好的鉴别，提高生成正样本的稳定性，达成借助先验知识对绝缘子的有效识别。
附图说明
图1为一种电网巡检绝缘子检测分类方法的流程图；
图2为电网巡检绝缘子检测分类模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种电网巡检绝缘子检测分类方法，包括以下步骤：
S1、获取输电线路绝缘子数据集；
S2、对数据集进行人工标注，得到训练数据集；
S3、构建电网巡检绝缘子检测分类模型；
如图2所示，所述步骤S3中电网巡检绝缘子检测分类模型包括：改进型VGG-16网络结构、多尺度特征卷积层Conv8_1、多尺度特征卷积层Conv8_2、多尺度特征卷积层Conv9_1、多尺度特征卷积层Conv9_2、加法器SUM1、加法器SUM2、加法器SUM3、第一反卷积层、第二反卷积层、第三反卷积层、第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型；
所述加法器SUM3的第一输入端与改进型VGG-16网络结构的第10层卷积层Conv4_3连接，其第二输入端与第二反卷积层的第一输出端连接；所述改进型VGG-16网络结构的卷积层Conv7的输出端分别与加法器SUM2的第一输入端和多尺度特征卷积层Conv8_1的输入端连接；所述多尺度特征卷积层Conv8_1的输出端与多尺度特征卷积层Conv8_2的输入端连接；所述多尺度特征卷积层Conv8_2的输出端分别与加法器SUM1的第一输入端和多尺度特征卷积层Conv9_1的输入端连接；所述多尺度特征卷积层Conv9_2的输出端分别与加法器SUM1的第二输入端和第四检测回归模型的输入端连接，其输入端与多尺度特征卷积层Conv9_1的输出端连接；所述加法器SUM1的输出端与第一反卷积层的输入端连接；所述第一反卷积层的第一输出端与加法器SUM2的第二输入端连接，其第二输出端与第三检测回归模型的输入端连接；所述加法器SUM2的输出端与第二反卷积层的输入端连接；所述第二反卷积层的第二输出端与第二检测回归模型的输入端连接；所述第三反卷积层的输出端与第一检测回归模型的输入端连接，其输入端与加法器SUM3的输出端连接。
将高语义信息、低分辨率的高层特征图通过反卷积等操作之后与低语义信息、高分辨率的低层特征图特征融合，实现高层特征图与低层特征图的特征共享，提升了图像内不同视距绝缘子的图像检测精度。
所述改进型VGG-16网络结构以VGG-16为框架，将VGG-16中的全连接层fc6替换成卷积层Conv6，将其全连接层fc7替换成卷积层Conv7。
所述第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的结构均相同，均包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；
所述第一卷积层的输入端与第三卷积层的输入端连接，并作为第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的输入端，其输出端与第二卷积层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接。
所述第一反卷积层、第二反卷积层和第三反卷积层的计算公式为：
f＝(G-1)*s+O-2p
其中，f为反卷积层输出的特征图的尺寸大小，s为卷积步长，G为反卷积层输入的特征图的尺寸大小，O为卷积核尺寸，p为填充。
S4、将训练数据集输入目标先验模型，得到正样本和负样本；
所述步骤S4包括以下分步骤：
S41、根据输电线路绝缘子的类型，确定模糊聚类类别I；
S42、根据模糊聚类类别I，初始化聚类中心矩阵和迭代次数：
V(q)＝{v1，...，vi，...，vI}，q＝0
其中，V(0)为初始的聚类中心矩阵，vi为第i类特征图，q为迭代次数；
S43、采用欧氏距离，计算目标函数的最小值；
Figure BDA0002541070760000081
其中，Jm为目标函数，dij(xj，vi)为数据集的第j个样本与vi之间的失真度，J为数据集中样本数量，I为特征图总类别，uij为样本xj的隶属度系数，m为加权指数。
S44、根据目标函数的最小值，对第q次迭代的聚类中心矩阵进行更新，得到第q+1次迭代的聚类中心矩阵；
S45、判断第q+1次迭代的聚类中心矩阵与第q次迭代的聚类中心矩阵的差值是否小于阈值ε，若是，则停止迭代，将q+1次迭代的聚类中心矩阵作为最终的聚类中心矩阵，并跳转至步骤S46，若否，则q自加1，并跳转至步骤S43；
S46、根据聚类中心矩阵，计算训练数据集中候选框与真值的交并比；
S47、设置交并比的阈值，判断训练数据集中每个样本的交并比是否大于其阈值，若是，则将该样本归为正样本，进入步骤S5，若否，则将该样本归为负样本，进入步骤S5。
S5、将正样本和负样本输入电网巡检绝缘子检测分类模型进行训练，得到训练完成的电网巡检绝缘子检测分类模型；
所述步骤S5中的训练过程包括以下步骤：
S51、初始化电网巡检绝缘子检测分类模型，输入正样本和负样本；
S52、根据模型目标损失函数，计算巡检绝缘子检测分类模型的损失值；
所述步骤S52中的模型目标损失函数满足以下方程组：
Figure BDA0002541070760000091
Lcls(pk，pk *)＝-log[pk *pk+(1-pk *)(1-pk)]
Lreg(uk，uk *)＝smoothL1(uk-uk *)
Figure BDA0002541070760000092
其中，L({pk}，{uk})为计算的损失值，Ncls为分类项的归一化参数，Nreg为回归项的归一化参数，Lcls(pk，pk *)为分类损失函数，α为平衡权重参数，k为候选框中的索引，pk为预测为目标的概率，pk *∈{0，1}为指示参数，Lreg(uk，uk *)为回归损失函数，smoothL1为smoothL1损失函数，uk为预测的坐标向量，uk *为真实坐标向量。
S53、根据巡检绝缘子检测分类模型的损失值，通过反向传播，得到梯度值；
S54、根据梯度值，采用随机梯度下降法和Adam优化器对电网巡检绝缘子检测分类模型进行迭代更新，得到训练完成的电网巡检绝缘子检测分类模型。
S6、采集输电线路绝缘子数据，并将其输入到训练完成的电网巡检绝缘子检测分类模型，得到分辨率不同的特征图；
S7、对分辨率不同的特征图同时进行Softmax分类预测和边框回归处理，得到包含绝缘子的图像及其分类结果。
综上，本发明的有益效果为：
(1)、通过目标先验模型确定正样本和负样本，并通过特征共享使目标先验模型的参数在多层级间流动，极大的提升了绝缘子的检测精度的同时缩短了其搜索进程。
(2)、利用目标先验机制挖掘匹配无关负样本，从而引导检测绝缘子的进程在源数据中更好的鉴别，提高生成正样本的稳定性，达成借助先验知识对绝缘子的有效识别。

Claims (8)

1.一种电网巡检绝缘子检测分类方法，其特征在于，包括以下步骤：
S1、获取输电线路绝缘子数据集；
S2、对数据集进行人工标注，得到训练数据集；
S3、构建电网巡检绝缘子检测分类模型；
S4、将训练数据集输入目标先验模型，得到正样本和负样本；
S5、将正样本和负样本输入电网巡检绝缘子检测分类模型进行训练，得到训练完成的电网巡检绝缘子检测分类模型；
S6、采集输电线路绝缘子数据，并将其输入到训练完成的电网巡检绝缘子检测分类模型，得到分辨率不同的特征图；
S7、对分辨率不同的特征图同时进行Softmax分类预测和边框回归处理，得到包含绝缘子的图像及其分类结果。
2.根据权利要求1所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S3中电网巡检绝缘子检测分类模型包括：改进型VGG-16网络结构、多尺度特征卷积层Conv8_1、多尺度特征卷积层Conv8_2、多尺度特征卷积层Conv9_1、多尺度特征卷积层Conv9_2、加法器SUM1、加法器SUM2、加法器SUM3、第一反卷积层、第二反卷积层、第三反卷积层、第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型；
所述加法器SUM3的第一输入端与改进型VGG-16网络结构的第10层卷积层Conv4_3连接，其第二输入端与第二反卷积层的第一输出端连接；所述改进型VGG-16网络结构的卷积层Conv7的输出端分别与加法器SUM2的第一输入端和多尺度特征卷积层Conv8_1的输入端连接；所述多尺度特征卷积层Conv8_1的输出端与多尺度特征卷积层Conv8_2的输入端连接；所述多尺度特征卷积层Conv8_2的输出端分别与加法器SUM1的第一输入端和多尺度特征卷积层Conv9_1的输入端连接；所述多尺度特征卷积层Conv9_2的输出端分别与加法器SUM1的第二输入端和第四检测回归模型的输入端连接，其输入端与多尺度特征卷积层Conv9_1的输出端连接；所述加法器SUM1的输出端与第一反卷积层的输入端连接；所述第一反卷积层的第一输出端与加法器SUM2的第二输入端连接，其第二输出端与第三检测回归模型的输入端连接；所述加法器SUM2的输出端与第二反卷积层的输入端连接；所述第二反卷积层的第二输出端与第二检测回归模型的输入端连接；所述第三反卷积层的输出端与第一检测回归模型的输入端连接，其输入端与加法器SUM3的输出端连接。
3.根据权利要求2所述的电网巡检绝缘子检测分类方法，其特征在于，所述改进型VGG-16网络结构以VGG-16为框架，将VGG-16中的全连接层fc6替换成卷积层Conv6，将其全连接层fc7替换成卷积层Conv7。
4.根据权利要求2所述的电网巡检绝缘子检测分类方法，其特征在于，所述第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的结构均相同，均包括：第一卷积层、第二卷积层、第三卷积层和第四卷积层；
所述第一卷积层的输入端与第三卷积层的输入端连接，并作为第一检测回归模型、第二检测回归模型、第三检测回归模型和第四检测回归模型的输入端，其输出端与第二卷积层的输入端连接；所述第三卷积层的输出端与第四卷积层的输入端连接。
5.根据权利要求2所述的电网巡检绝缘子检测分类方法，其特征在于，所述第一反卷积层、第二反卷积层和第三反卷积层的计算公式为：
f＝(G-1)*s+O-2p
其中，f为反卷积层输出的特征图的尺寸大小，s为卷积步长，G为反卷积层输入的特征图的尺寸大小，O为卷积核尺寸，p为填充。
6.根据权利要求1所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S4包括以下分步骤：
S41、根据输电线路绝缘子的类型，确定模糊聚类类别I；
S42、根据模糊聚类类别I，初始化聚类中心矩阵和迭代次数：
V(q)＝{v1,…,υi,…,υI},q＝0
其中，V(0)为初始的聚类中心矩阵，vi为第i类特征图，q为迭代次数；
S43、采用欧氏距离，计算目标函数的最小值；
Figure FDA0002541070750000031
其中，Jm为目标函数，dij(xj,υi)为数据集的第j个样本与vi之间的失真度，J为数据集中样本数量，I为特征图总类别，uij为样本xj的隶属度系数，m为加权指数。
S44、根据目标函数的最小值，对第q次迭代的聚类中心矩阵进行更新，得到第q+1次迭代的聚类中心矩阵；
S45、判断第q+1次迭代的聚类中心矩阵与第q次迭代的聚类中心矩阵的差值是否小于阈值ε，若是，则停止迭代，将q+1次迭代的聚类中心矩阵作为最终的聚类中心矩阵，并跳转至步骤S46，若否，则q自加1，并跳转至步骤S43；
S46、根据聚类中心矩阵，计算训练数据集中候选框与真值的交并比；
S47、设置交并比的阈值，判断训练数据集中每个样本的交并比是否大于其阈值，若是，则将该样本归为正样本，进入步骤S5，若否，则将该样本归为负样本，进入步骤S5。
7.根据权利要求1所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S5中的训练过程包括以下步骤：
S51、初始化电网巡检绝缘子检测分类模型，输入正样本和负样本；
S52、根据模型目标损失函数，计算巡检绝缘子检测分类模型的损失值；
S53、根据巡检绝缘子检测分类模型的损失值，通过反向传播，得到梯度值；
S54、根据梯度值，采用随机梯度下降法和Adam优化器对电网巡检绝缘子检测分类模型进行迭代更新，得到训练完成的电网巡检绝缘子检测分类模型。
8.根据权利要求6所述的电网巡检绝缘子检测分类方法，其特征在于，所述步骤S52中的模型目标损失函数满足以下方程组：
Figure FDA0002541070750000041
Lcls(pk,pk *)＝-log[pk *pk+(1-pk *)(1-pk)]
Lreg(uk,uk *)＝smoothL1(uk-uk *)
Figure FDA0002541070750000042
其中，L({pk},{uk})为计算的损失值，Ncls为分类项的归一化参数，Nreg为回归项的归一化参数，Lcls(pk,pk *)为分类损失函数，α为平衡权重参数，k为候选框中的索引，pk为预测为目标的概率，pk *∈{0,1}为指示参数，Lreg(uk,uk *)为回归损失函数，smoothL1为smooth L1损失函数，uk为预测的坐标向量，uk *为真实坐标向量。
CN202010547029.7A 2020-06-16 2020-06-16 一种电网巡检绝缘子检测分类方法 Active CN111680759B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010547029.7A CN111680759B (zh) 2020-06-16 2020-06-16 一种电网巡检绝缘子检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010547029.7A CN111680759B (zh) 2020-06-16 2020-06-16 一种电网巡检绝缘子检测分类方法

Publications (2)

Publication Number Publication Date
CN111680759A true CN111680759A (zh) 2020-09-18
CN111680759B CN111680759B (zh) 2022-05-10

Family

ID=72436425

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010547029.7A Active CN111680759B (zh) 2020-06-16 2020-06-16 一种电网巡检绝缘子检测分类方法

Country Status (1)

Country Link
CN (1) CN111680759B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966697A (zh) * 2021-03-17 2021-06-15 西安电子科技大学广州研究院 基于场景语义的目标检测方法、装置、设备及存储介质
CN113313706A (zh) * 2021-06-28 2021-08-27 安徽南瑞继远电网技术有限公司 基于检测参考点偏移分析的电力设备缺陷图像检测方法
CN116883980A (zh) * 2023-09-04 2023-10-13 国网湖北省电力有限公司超高压公司 一种紫外光绝缘子目标检测方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503742A (zh) * 2016-11-01 2017-03-15 广东电网有限责任公司电力科学研究院 一种可见光图像绝缘子识别方法
CN109166094A (zh) * 2018-07-11 2019-01-08 华南理工大学 一种基于深度学习的绝缘子故障定位识别方法
CN110838112A (zh) * 2019-11-08 2020-02-25 上海电机学院 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106503742A (zh) * 2016-11-01 2017-03-15 广东电网有限责任公司电力科学研究院 一种可见光图像绝缘子识别方法
CN109166094A (zh) * 2018-07-11 2019-01-08 华南理工大学 一种基于深度学习的绝缘子故障定位识别方法
CN110838112A (zh) * 2019-11-08 2020-02-25 上海电机学院 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
翟永杰等: "基于聚类分析和Adaboost算法的绝缘子串识别", 《传感器世界》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112966697A (zh) * 2021-03-17 2021-06-15 西安电子科技大学广州研究院 基于场景语义的目标检测方法、装置、设备及存储介质
CN113313706A (zh) * 2021-06-28 2021-08-27 安徽南瑞继远电网技术有限公司 基于检测参考点偏移分析的电力设备缺陷图像检测方法
CN116883980A (zh) * 2023-09-04 2023-10-13 国网湖北省电力有限公司超高压公司 一种紫外光绝缘子目标检测方法及系统

Also Published As

Publication number Publication date
CN111680759B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN111680759B (zh) 一种电网巡检绝缘子检测分类方法
CN110569738B (zh) 基于密集连接网络的自然场景文本检测方法、设备和介质
CN108038846A (zh) 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
CN112183414A (zh) 一种基于混合空洞卷积的弱监督遥感目标检测方法
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN109829414B (zh) 一种基于标签不确定性和人体组件模型的行人再识别方法
CN113592822A (zh) 一种电力巡检图像的绝缘子缺陷定位方法
CN115205256A (zh) 一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统
CN112149612A (zh) 一种基于深度神经网络的海洋生物识别系统及识别方法
Wang et al. Automatic identification and location of tunnel lining cracks
CN110222636B (zh) 基于背景抑制的行人属性识别方法
CN116630753A (zh) 一种基于对比学习的多尺度小样本目标检测方法
CN116681961A (zh) 基于半监督方法和噪声处理的弱监督目标检测方法
CN115223157A (zh) 一种基于循环神经网络的电网设备铭牌光学字符识别方法
CN112949630B (zh) 基于边框分级筛选的弱监督目标检测方法
Bi et al. CASA-Net: a context-aware correlation convolutional network for scale-adaptive crack detection
CN114170625A (zh) 一种上下文感知、噪声鲁棒的行人搜索方法
CN111291820B (zh) 一种结合定位信息和分类信息的目标检测方法
CN114462490A (zh) 图像目标的检索方法、检索设备、电子设备和存储介质
CN113326885A (zh) 训练分类模型和数据分类的方法及装置
CN116030347B (zh) 一种基于注意力网络的高分辨率遥感影像建筑物提取方法
CN111291624B (zh) 一种挖掘机目标识别方法及系统
CN116758010B (zh) 一种飞机蒙皮表面缺陷识别方法、系统、设备及介质
CN113792630B (zh) 一种基于对比学习的地外探测图像识别方法及系统
Li et al. Generative adversarial network based on LSTM and convolutional block attention module for industrial smoke image recognition

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