CN112381798A - 一种输电线路缺陷识别方法和终端 - Google Patents

Abstract

本发明提出了一种输电线路缺陷识别方法和终端，该方法包括：获取输电线路的待识别图像；将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；基于训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。本发明以图像自动化识别的方式，实现了对输电线路中缺陷的快速自动化的识别，提升了效率，降低了成本。

Description

一种输电线路缺陷识别方法和终端

技术领域

本发明涉及输电线路的缺陷检测技术领域，特别涉及一种输电线路缺陷识别方法和终端。

背景技术

输电线路给人们的工作生活提供源源不断的电力支持，也由此，输电线路在现代社会被大规模的应用，但是随着输电线路本身以及随着在不同环境下的使用，特别是恶劣环境中的使用，输电线路会出现一些缺陷，这些缺陷会影响到供电的正常进行，因此需要及时对输电线路的缺陷进行识别。

目前，在输电线路的缺陷识别中，比较常规的方式是采用人工的方式来进行的，具体的，是派遣有经验的工作人员，以肉眼的方式实地查看输电线路，或者通过显示器查看输电线路的图片的方式来人工检测出是否存在缺陷，但是这种方式效率低下，需要大量的人力，而目前输电线路的数量是海量的，人工的方式无法有效的应对这种数量规模的输电线路的识别需要。目前也有通过无人机拍照识别的，例如公布号为CN109544501A、公布日为2019.3.29的中国专利-一种基于无人机多源图像特征匹配的输电设备缺陷检测方法，该专利通过无人机进行拍摄照片，直接对图片进行分析识别，虽然不用人力，但是识别的精度不高，而且效率低，为此，目前需要一种更好的方案来输电线路进行识别。

发明内容

本发明提出了一种输电线路缺陷识别方法和终端，以图像自动化识别的方式，实现了对输电线路中缺陷的快速自动化的识别，提升了效率，降低了成本。

具体的，本发明提出了以下具体的技术方案：

一种输电线路缺陷识别方法，包括：

获取输电线路的待识别图像；

将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；

基于训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

在一个具体的实施例中，预设的特征提取算法是通过人工经验知识并基于颜色空间分解的方法得到的。

在一个具体的实施例中，疑似存在缺陷的区域为以下一个或多个的任意组合：存在导线散股断股烧蚀特征的区域、存在绝缘子瓷瓶雷击烧蚀特征的区域、存在破损的几何特征区域、存在特定颜色特征的区域、存在特定纹理特征的区域、存在特定形状特征的区域。

在一个具体的实施例中，还包括：

获取输电线路的样本图像；其中，样本图像包括标识有缺陷的正向样本图像以及确定不存在缺陷的反向样本图像；

通过正向样本图像与所述反向样本图像在深度卷积神经网络中进行训练，得到训练好的深度卷积神经网络分类器。

在一个具体的实施例中，正向样本图像的数量多于反向样本图像的数量。

在一个具体的实施例中，正向样本图像与反向样本图像的数量之比为4:1。

在一个具体的实施例中，基于训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域的具体过程包括：

通过训练好的深度卷积神经网络分类器对候选区域进行处理，并提取深度卷积神经网络分类器中深度神经网络倒数第二层的特征数据；

通过图像检测算法对特征数据进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

在一个具体的实施例中，图像检测算法包括：基于BP神经网络的图像检测方法或基于SVM的图像检测方法。

在一个具体的实施例中，基于SVM的图像检测方法检测输电线路的缺陷，具体包括：

分别截取预设长度的输电线路的多个断股图像与多个非断股图像；

对断股图像与非断股图像进行特征提取后采用SVM算法进行训练，得到SVM识别模型；

将输电线路的待识别图像进行预处理后输入SVM识别模型，以对比确定识别图像中预设长度的输电线的图像区域面积；

若图像区域面积小于正常输电线的预设长度的图像区域面积，则确定待识别图像对应的输电线为断股输电线；其中，正常输电线的预设长度的图像区域面积是基于对非断股图像进行特征提取后采用SVM算法进行训练得到的。

本发明还提出了一种输电线路缺陷识别终端，该终端包括获取模块、候选处理模块、识别分类模块，其中：

获取模块，用于获取输电线路的待识别图像；

候选处理模块，用于将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；

识别分类模块，将训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

本发明还提出了一种计算机存储介质，计算机存储介质存储有程序，程序用于执行上述的方法。

本发明的有益效果为：

本发明提出了一种输电线路缺陷识别方法和终端，本发明先对待识别图像进行处理确定疑似存在缺陷的区域，排除掉不需要处理的区域，后只需要对确定的区域基于深度卷积神经网络分类器与图像检测算法进行分类与检测，以此实现了对输电线路图像的自动化识别，只要输入待识别图像，即可进行批量快速的识别，相对于人工识别的方式，实现了对输电线路中缺陷的快速自动化的识别，提升了效率，降低了成本。

附图说明

图1为本发明的输电线路缺陷识别方法的流程示意图；

图2为本发明的手机终端的结构示意图；

图3为本发明的输电线路缺陷识别终端的功能框架结构示意图；

图4为本发明的计算机存储介质的结构示意图。

具体实施方式

在下文中，将更全面地描述本公开的各种实施例。本公开可具有各种实施例，并且可在其中做出调整和改变。然而，应理解：不存在将本公开的各种实施例限于在此公开的特定实施例的意图，而是应将本公开理解为涵盖落入本公开的各种实施例的精神和范围内的所有调整、等同物和/或可选方案。

在本公开的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本公开的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本公开的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本公开的各种实施例中被清楚地限定。

实施例1

一种多载荷数据融合的输电线路缺陷识别方法，如图1所示，包括：

步骤101、获取输电线路的待识别图像；

具体的，待识别图像可以为对输电线路进行拍摄得到的。

步骤102、将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；

具体的，预设的特征提取算法是通过人工经验知识并基于颜色空间分解的方法得到的，至于疑似存在缺陷的区域为以下一个或多个的任意组合：存在导线散股断股烧蚀特征的区域、存在绝缘子瓷瓶雷击烧蚀特征的区域、存在破损的几何特征区域、存在特定颜色特征的区域、存在特定纹理特征的区域、存在特定形状特征的区域。通过步骤102，可以确定候选区域，以减轻后续的处理压力，提升处理的效率。

步骤103、基于训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

在本实施例中，获取输电线路的样本图像；其中，样本图像包括标识有缺陷的正向样本图像以及确定不存在缺陷的反向样本图像；

通过正向样本图像与反向样本图像在深度卷积神经网络中进行训练，得到训练好的深度卷积神经网络分类器。

通过这种方式，训练得到的深度卷积神经网络分类器，可以很好的对输电线路的缺陷进行很好的识别；

为了进一步提升识别的准确率以及提升训练的效率，正向样本图像的数量多于反向样本图像的数量。优选地，正向样本图像与所述反向样本图像的数量之比为4:1。经过实践证明，正向样本图像与反向样本图像的数量之比为4:1的这个比例，可以综合训练效率与样本的数量，且能起到很好的训练效果。

在本实施例中，步骤103具体包括：

通过训练好的深度卷积神经网络分类器对候选区域进行处理，并提取深度卷积神经网络分类器中深度神经网络倒数第二层的特征数据；

通过图像检测算法对特征数据进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

在本实施例中，图像检测算法包括：基于BP神经网络的图像检测方法或基于SVM的图像检测方法。例如，采用支持向量机SVM将特征向量映射到高维空间进行分类。

在本实施例中，采用深度神经网络对候选区域中目标特征进行全方位提取，大多数情形下得到的特征完整性、有效性优于传统人工提取的特征。但考虑到深度神经网络最后一层的判别层通常采用传统神经网络的全连接层形式，通过Softmax进行分类，在训练样本数量较少的情况下容易产生或拟合的情况。

考虑到这种情况，本方案中将深度神经网络倒数第二层的特征数据提取出来，然后采用常规的图像检测算法对所述特征数据进行分类和检测，以区分出背景区域、正常区域与缺陷区域(对此，需要说明的是，上述将深度神经网络倒数第二层的特征数据提取，是本实施例的重要技术创新技术点之一，其对特征数据源头进行了选择优化处理，因此其对后续识别具有重要的技术意义)。则能全面利用传统方法在特征分类方面的优势，并结合深度神经网络在图像特征提取方面的优势，实现传统手段和现代技术融合的输电典型缺陷自动识别，提高输电典型缺陷识别准确率。

以此，本发明中根据传统方法(如BP神经网络、支持向量机SVM等)和深度神经网络法(卷积神经网络CNN)对导线典型缺陷图像分割、特征提取、缺陷识别等不同处理阶段的差异化特点，研究针对导线断股、散股、烧蚀等缺陷的多技术融合识别方案，发挥传统方法和深度神经网络方法在图像识别各阶段的优势，提高对不同缺陷类型的识别准确率。

下面对本实施例中采用的SVM算法，实现对导线典型缺陷图像的缺陷识别进行进一步说明：基于SVM的图像检测方法检测输电线路的缺陷，具体包括：

分别截取预设长度的输电线路的多个断股图像与多个非断股图像；

对断股图像与所述非断股图像进行特征提取后采用SVM算法进行训练，得到SVM识别模型；

将输电线路的待识别图像进行预处理后输入SVM识别模型，以对比确定识别图像中预设长度的输电线的图像区域面积；

若图像区域面积小于正常输电线的预设长度的图像区域面积，则确定待识别图像对应的输电线为断股输电线；其中，正常输电线的预设长度的图像区域面积是基于对非断股图像进行特征提取后采用SVM算法进行训练得到的。

通过上述步骤103即可以获得缺陷区域；以下例举一个步骤103在本实施例中识别导线线段的断股进行识别的具体过程，如下：

研究发现断股的导线其预定长度的图像区域面积将会变小；然而预设长度的导线其正常的长乘宽面积是固定值，有一个最小域面阈值；经过大量数据训练可以得到该最小域面阈值；后续再进行SVM算法就可以得到断股异常的导线图像区域；具体操作方法如下：

先构建SVM算法识别训练集及测试集并进行训练，截取预设长度的A×A像素的断股图像m张、截取预设长度的非断股图像n张构成测试集；随后对于截取的图像进行特征提取；然后使用SVM算法进行训练，确定SVM识别模型；

再对待识别图像进行预处理(待识别图像作为测试集输入SVM识别模型)，对预处理后图像进行分割，确定待识别矩形区域以准确确定导线的位置；

最后分离预设长度的导线图像的断股图像和图像背景；最终使用SVM算法识别模型进行预设长度的断股异常识别，如果发现当前导线图像与标准数据集中的图像匹配成功可判断为断股导线(即与低于最小域面阈值的一系列的典型缺陷的图像匹配成功的当前导线更图像即可判断为断股导线)。

需要特殊说明的是，对待识别图像进行预处理包括：使用背景差分法去除断股图像背景得到一次过滤图像；对一次过滤图像进行阈值分割，得到二次过滤图像；对二次过滤图像中的像素统计各个连通区域的面积大小，估计预设长度的导线区域的面积，将小面积区域将提取出来(即将低于最小域面阈值的一系列的典型缺陷的图像提取出来，作为最终的典型缺陷导线的标准数据集使用)。

实施例2

本发明还提供了一种输电线路缺陷识别终端，如图2所示，为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该终端可以为包括手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、POS(Point of Sales，销售终端)、车载电脑等任意终端设备。

以终端是手机为例：

图2示出的是与本发明实施例提供的终端相关的手机的部分结构的框图。参考图2，手机包括：射频(Radio Frequency，RF)电路、存储器、输入单元、显示单元、传感器、音频电路、WiFi模块、处理器等部件。本领域技术人员可以理解，图2中示出的手机结构并不构成对手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

下面结合图2对手机的各个构成部件进行具体的介绍：

RF电路可用于收发信息或通话过程中，信号的接收和发送，特别地，将基站的下行信息接收后，给处理器处理；另外，将设计上行的数据发送给基站。通常，RF电路包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器(Low Noise Amplifier，LNA)、双工器等。此外，RF电路还可以通过无线通信与网络和其他设备通信。上述无线通信可以使用任一通信标准或协议，包括但不限于全球移动通讯系统(Global System of Mobilecommunication，GSM)、通用分组无线服务(General Packet Radio Service，GPRS)、码分多址(Code Division Multiple Access，CDMA)、宽带码分多址(Wideband Code DivisionMultiple Access,WCDMA)、长期演进(Long Term Evolution，LTE)、电子邮件、短消息服务(Short Messaging Service，SMS)等。

存储器可用于存储软件程序以及模块，处理器通过运行存储在存储器的软件程序以及模块，从而执行手机的各种功能应用以及数据处理。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

输入单元可用于接收输入的数字或字符信息，以及产生与手机的用户设置以及功能控制有关的键信号输入。具体地，输入单元可包括触控面板以及其他输入设备。触控面板，也称为触摸屏，可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板上或在触控面板附近的操作)，并根据预先设定的程式驱动相应的连接终端。可选的，触控面板可包括触摸检测终端和触摸控制器两个部分。其中，触摸检测终端检测用户的触摸方位，并检测触摸操作带来的信号，将信号传送给触摸控制器；触摸控制器从触摸检测终端上接收触摸信息，并将它转换成触点坐标，再送给处理器，并能接收处理器发来的命令并加以执行。此外，可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板。除了触控面板，输入单元还可以包括其他输入设备。具体地，其他输入设备可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆等中的一种或多种。

显示单元可用于显示由用户输入的信息或提供给用户的信息以及手机的各种菜单。显示单元可包括显示面板，可选的，可以采用液晶显示器(Liquid Crystal Display，LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板。进一步的，触控面板可覆盖显示面板，当触控面板检测到在其上或附近的触摸操作后，传送给处理器以确定触摸事件的类型，随后处理器根据触摸事件的类型在显示面板上提供相应的视觉输出。虽然在图2中，触控面板与显示面板是作为两个独立的部件来实现手机的输入和输入功能，但是在某些实施例中，可以将触控面板与显示面板集成而实现手机的输入和输出功能。

手机还可包括至少一种传感器，比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示面板的亮度，接近传感器可在手机移动到耳边时，关闭显示面板和/或背光。作为运动传感器的一种，加速计传感器可检测各个方向上(一般为三轴)加速度的大小，静止时可检测出重力的大小及方向，可用于识别手机姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等；至于手机还可配置的陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

音频电路、扬声器，传声器可提供用户与手机之间的音频接口。音频电路可将接收到的音频数据转换后的电信号，传输到扬声器，由扬声器转换为声音信号输出；另一方面，传声器将收集的声音信号转换为电信号，由音频电路接收后转换为音频数据，再将音频数据输出处理器处理后，经RF电路以发送给比如另一手机，或者将音频数据输出至存储器以便进一步处理。

WiFi属于短距离无线传输技术，手机通过WiFi模块可以帮助用户收发电子邮件、浏览网页和访问流式媒体等，它为用户提供了无线的宽带互联网访问。虽然图2示出了WiFi模块，但是可以理解的是，其并不属于手机的必须构成，完全可以根据需要在不改变发明的本质的范围内而省略。

处理器是手机的控制中心，利用各种接口和线路连接整个手机的各个部分，通过运行或执行存储在存储器内的软件程序和/或模块，以及调用存储在存储器内的数据，执行手机的各种功能和处理数据，从而对手机进行整体监控。可选的，处理器可包括一个或多个处理单元；优选的，处理器可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。

手机还包括给各个部件供电的电源(比如电池)，优选的，电源可以通过电源管理系统与处理器逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。

尽管未示出，手机还可以包括摄像头、蓝牙模块等，在此不再赘述。

在本发明实施例中，该手机终端所包括的处理器还具有以下功能：如图3所示，该终端包括获取模块、候选处理模块，识别分类模块；获取模块用于获取输电线路的待识别图像；候选处理模块用于将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；识别分类模块用于将训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

在一个具体的实施例中，预设的特征提取算法是通过人工经验知识并基于颜色空间分解的方法得到的。在一个具体的实施例中，疑似存在缺陷的区域为以下一个或多个的任意组合：存在导线散股断股烧蚀特征的区域、存在绝缘子瓷瓶雷击烧蚀特征的区域、存在破损的几何特征区域、存在特定颜色特征的区域、存在特定纹理特征的区域、存在特定形状特征的区域。

在一个具体的实施例中，还包括：获取输电线路的样本图像；其中，样本图像包括标识有缺陷的正向样本图像以及确定不存在缺陷的反向样本图像；通过正向样本图像与反向样本图像在深度卷积神经网络中进行训练，得到训练好的深度卷积神经网络分类器。其中，正向样本图像的数量多于反向样本图像的数量，正向样本图像与反向样本图像的数量之比为4:1。

在一个具体的实施例中，通过训练好的深度卷积神经网络分类器对候选区域进行处理，并提取深度卷积神经网络分类器中深度神经网络倒数第二层的特征数据；通过图像检测算法对特征数据进行分类和检测，以区分出背景区域、正常区域与缺陷区域。其中，图像检测算法包括：基于BP神经网络的图像检测方法或基于SVM的图像检测方法。

基于SVM的图像检测方法检测输电线路的缺陷，具体包括：

分别截取预设长度的输电线路的多个断股图像与多个非断股图像；对断股图像与非断股图像进行特征提取后采用SVM算法进行训练，得到SVM识别模型；将输电线路的待识别图像进行预处理后输入SVM识别模型，以对比确定识别图像中预设长度的输电线的图像区域面积；若图像区域面积小于正常输电线的预设长度的图像区域面积，则确定待识别图像对应的输电线为断股输电线；其中，正常输电线的预设长度的图像区域面积是基于对非断股图像进行特征提取后采用SVM算法进行训练得到的。

实施例3

本发明还提供一种计算机存储介质，计算机存储介质存储有程序，程序用于执行实施例1中的方法。

具体的，图4示出了可以实现根据本发明的自适应识别骚扰电话的处理方法的计算设备。该计算设备传统上包括处理器和以存储设备形式的计算机程序产品或者计算机可读介质。存储设备可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储设备具有存储用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，存储程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘、紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为便携式或者固定存储单元。该存储单元可以具有与图4的计算设备中的存储设备类似布置的存储段、存储空间等。程序代码可以例如以适当形式进行压缩。通常，存储单元包括用于执行根据本发明的方法步骤的计算机可读代码，即可以由诸如之类的处理器读取的代码，当这些代码由计算设备运行时，导致该计算设备执行实施例1中所描述的方法中的各个步骤。

本领域技术人员可以理解附图只是一个优选实施场景的示意图，附图中的模块或流程并不一定是实施本发明所必须的。本领域技术人员可以理解实施场景中的终端中的模块可以按照实施场景描述进行分布于实施场景的终端中，也可以进行相应变化位于不同于本实施场景的一个或多个终端中。上述实施场景的模块可以合并为一个模块，也可以进一步拆分成多个子模块。上述本发明序号仅仅为了描述，不代表实施场景的优劣。以上公开的仅为本发明的几个具体实施场景，但是，本发明并非局限于此，任何本领域的技术人员能思之的变化都应落入本发明的保护范围。

Claims (10)

1.一种输电线路缺陷识别方法，其特征在于，包括：

获取输电线路的待识别图像；

将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；

基于训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

2.如权利要求1所述的缺陷识别方法，其特征在于，预设的特征提取算法是通过人工经验知识并基于颜色空间分解的方法得到的。

3.如权利要求1所述的缺陷识别方法，其特征在于，疑似存在缺陷的区域为以下一个或多个的任意组合：存在导线散股断股烧蚀特征的区域、存在绝缘子瓷瓶雷击烧蚀特征的区域、存在破损的几何特征区域、存在特定颜色特征的区域、存在特定纹理特征的区域、存在特定形状特征的区域。

4.如权利要求1所述的缺陷识别方法，其特征在于，还包括：

获取输电线路的样本图像；其中，样本图像包括标识有缺陷的正向样本图像以及确定不存在缺陷的反向样本图像；

通过正向样本图像与反向样本图像在深度卷积神经网络中进行训练，得到训练好的深度卷积神经网络分类器。

5.如权利要求4所述的缺陷识别方法，其特征在于，正向样本图像的数量多于反向样本图像的数量。

6.如权利要求4或5所述的缺陷识别方法，其特征在于，正向样本图像与反向样本图像的数量之比为4:1。

7.如权利要求1所述的缺陷识别方法，其特征在于，基于训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域的具体过程包括：

通过训练好的深度卷积神经网络分类器对候选区域进行处理，并提取深度卷积神经网络分类器中深度神经网络倒数第二层的特征数据；

通过图像检测算法对特征数据进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

8.如权利要求1所述的缺陷识别方法，其特征在于，图像检测算法包括：基于BP神经网络的图像检测方法或基于SVM的图像检测方法。

9.如权利要求8所述的缺陷识别方法，其特征在于，基于SVM的图像检测方法检测输电线路的缺陷，具体包括：

分别截取预设长度的输电线路的多个断股图像与多个非断股图像；

对断股图像与非断股图像进行特征提取后采用SVM算法进行训练，得到SVM识别模型；

将输电线路的待识别图像进行预处理后输入SVM识别模型，以对比确定识别图像中预设长度的输电线的图像区域面积；

若图像区域面积小于正常输电线的预设长度的图像区域面积，则确定待识别图像对应的输电线为断股输电线；其中，正常输电线的预设长度的图像区域面积是基于对非断股图像进行特征提取后采用SVM算法进行训练得到的。

10.一种输电线路缺陷识别终端，其特征在于，该终端包括获取模块、候选处理模块、识别分类模块，其中：

获取模块，用于获取输电线路的待识别图像；

候选处理模块，用于将待识别图像输入预设的特征提取算法，将疑似存在缺陷的区域设置为候选区域；

识别分类模块，将训练好的深度卷积神经网络分类器与图像检测算法对候选区域进行分类和检测，以区分出背景区域、正常区域与缺陷区域。

Images