CN112419268A - 一种输电线路图像缺陷检测方法、装置、设备及介质 - Google Patents
一种输电线路图像缺陷检测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN112419268A CN112419268A CN202011322962.0A CN202011322962A CN112419268A CN 112419268 A CN112419268 A CN 112419268A CN 202011322962 A CN202011322962 A CN 202011322962A CN 112419268 A CN112419268 A CN 112419268A
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- power transmission
- classification model
- dual
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 92
- 230000007547 defect Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims description 70
- 238000013145 classification model Methods 0.000 claims description 64
- 238000012795 verification Methods 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 49
- 235000005770 birds nest Nutrition 0.000 claims description 22
- 238000001514 detection method Methods 0.000 claims description 22
- 235000005765 wild carrot Nutrition 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 19
- 239000013598 vector Substances 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000009413 insulation Methods 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 50
- 239000012212 insulator Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及计算机图像分类技术领域，公开了一种输电线路图像缺陷检测方法、装置、设备及介质，通过获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集，然后构建双通道CNN图像分类模型，将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，最后将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率，从而能够及时发现并处理输电线路的故障，减少不必要的经济损失。
Description
技术领域
本发明涉及计算机图像分类技术领域，尤其涉及一种输电线路图像缺陷检测方法、装置、设备及介质。
背景技术
电力系统作为一种涉及民生的基础资源，对社会的正常生产以及民众的日常生活具有极其重要的意义。但是电气线路大多运行在偏远地区，周围环境地形复杂，暴露在室外难免会受到雷电、强风、鸟害等外界因素影响，一旦发现问题却没有即时处理，很容易造成大面积停电，进而造成大量的经济损失等严重后果。因此，对输电线路图像的缺陷识别是输配电线路中必不可少的环节。
目前最常见的输电线路缺陷识别包括鸟巢缺陷识别与绝缘子缺陷识别，鉴于输电线路缺陷背景复杂，缺陷不明显，数量巨大等因素，在没有丰富经验的情况下，仅凭肉眼不易高效的分辨出缺陷图像。因此，自动化识别输电线路的缺陷就显得十分重要。
目前，深度学习已经成为解决图像分类问题的一种重要方法，尤其是基于卷积神经网络(Convolutional Neural Network，CNN)的深度学习，该方法能够更加准确的接近图像的高级语义特征，并已在图像分类方面取得了突破性进展。在现有研究中，出现了利用AlexNet网络提取第六和第七个连接层的全连接层的特征图对绝缘子图像进行分类，或者采用Faster R-CNN算法为基础，利用ZF-NET网络提取鸟巢特征图，修正后输出矩阵候选区域并利用检测窗口完成有无鸟巢的检测等针对缺陷图像进行分类的研究，但是上述这些研究都面临着分类精度不高的问题。
发明内容
本发明的目的是提供一种输电线路图像缺陷检测方法、装置、设备及介质，能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率，从而能够及时发现并处理输电线路的故障，减少不必要的经济损失。
为实现上述目的，本发明实施例提供了一种输电线路图像缺陷检测方法，包括以下步骤：
获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；
构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；
将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；
将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。
进一步的，获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集，具体步骤为：
获取输电线路图像的样本集，将所述样本集中每一个图像的大小统一调整为224*224；
对调整后的样本集中的每一个图像进行预处理，得到所述图像中输电线路的具体位置，并保存对应的图片块；
按照预设的比例将经过预处理后的样本集分为训练集、验证集和测试集。
进一步的，将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，具体为：
将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中，结合交叉熵损失函数，得到所述双通道CNN图像分类模型的交叉熵损失函数的值，再根据所述交叉熵损失函数的值，采用随机梯度下降法对所述双通道CNN图像分类模型进行训练，得到训练好的双通道CNN图像分类模型。
进一步的，所述交叉熵损失函数的公式为：
其中，M为所述训练集和所述验证集中的图像的总类别数，N为所述训练集和所述验证集中的图像的总数，aki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的真实概率值，yki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的预测概率值。
本发明实施例还提供了一种输电线路缺陷检测装置，包括：
样本处理模块，用于获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；
模型构建模块，用于构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；
模型训练模块，用于将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；
缺陷检测模块，用于将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。
本发明实施例还提供了一种计算机设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一项所述的输电线路图像缺陷检测方法。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述任一项所述的输电线路图像缺陷检测方法。
与现有技术相比，本发明实施例提供的一种输电线路图像缺陷检测方法、装置、设备及介质，通过获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集，然后构建双通道CNN图像分类模型，将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，最后将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率，从而能够及时发现并处理输电线路的故障，减少不必要的经济损失。
附图说明
图1是本发明实施例提供的一种输电线路图像缺陷检测方法的流程示意图；
图2是本发明实施例提供的一种输电线路图像缺陷检测方法的双通道CNN图像分类模型的结构示意图；
图3是本发明实施例提供的一种输电线路图像缺陷检测装置的结构示意图；
图4是本发明实施例提供的一种计算机设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，其是本发明实施例提供的一种输电线路图像缺陷检测方法的流程示意图，包括以下步骤：
S1、获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像。
S2、构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像。
S3、将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型。
S4、将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。
进一步的，步骤S1具体为：
获取输电线路图像的样本集，将所述样本集中每一个图像的大小统一调整为224*224，然后对调整后的样本集中的每一个图像进行预处理，得到所述图像中输电线路的具体位置，并保存对应的图片块。
按照预设的比例将经过预处理后的样本集分为训练集、验证集和测试集。
输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像，对于输电线路鸟巢图像来说，令包含鸟巢的图像为负样本，即有缺陷的鸟巢图像，令不包含鸟巢的图像为正样本，即无缺陷的鸟巢图像，对于输电线路绝缘子图像来说，令包含自爆绝缘子的图像为负样本，即有缺陷的绝缘子图像，令包含正常绝缘子的图像为正样本，即无缺陷的绝缘子图像。
为了避免类别不平衡问题导致双通道CNN图像分类模型的分类表现不佳，将训练集和验证集的正负样本数量的比例设为1:1，在实际情况中，由于输电线路出现故障的次数相对较小，即正样本远远大于负样本的数量，为了模拟真实的情况，将测试集的正负样本数量的比例设为14:1。
预设的比例指将训练集、验证集和测试集的正样本数量的比例设为4:2:1，将训练集、验证集和测试集的负样本数量的比例设为2:1:7。
进一步的，参见图2，是本发明实施例提供的一种输电线路图像缺陷检测方法的双通道CNN图像分类模型的结构示意图。
基于双通道特征融合残差网络(Dual Channel Feature Fusion-ResNet32，DCFF-ResNet32)结构的双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成。
特征提取层，由基于残差网络结构的两个并行分支构成，其中的一支分支用于提取样本集中的每一个图像的局部特征，提取的具体的过程是，对图片块进行局部信息收集，并将局部特征信息作为双通道CNN图像分类模型中的第二条分支的输入，经过第二条分支处理得到对应的局部特征。
在特征融合层中，全局特征与局部特征均为512维的特征向量，将这两个特征向量串行合并，可以得到一个1024维的特征向量，再将此特征向量通过全连接层，输出两个概率，这两个概率对应图像是否有缺陷。
进一步的，步骤S3具体为：
将预处理后的训练集输入到双通道CNN图像的分类模型中，得出预测结果，使用预测结果与训练集图像标签计算得到训练集的交叉熵损失函数的值loss_CE为：
其中，i为缺陷图像的类别序号，ai为训练集和验证集中的图像属于第i类缺陷的真实概率值，yi为训练集和验证集中的图像属于第i类缺陷的预测概率值。
对于所有N个输电线路图像，交叉熵损失函数L的公式为：
其中，M为所述训练集和所述验证集中的图像的总类别数，N为所述训练集和所述验证集中的图像的总数，aki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的真实概率值，yki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的预测概率值。
使用随机梯度下降优化算法，优化训练集的交叉熵损失函数的值。
将验证集输入到当前双通道CNN图像分类模型中，得出预测结果，使用预测结果和验证集图像标签计算当前验证集的交叉熵损失函数值，并将当前验证集的交叉熵损失函数的值与设置的最优验证集交叉熵损失函数的值进行比较。
若当前验证集的交叉熵损失函数的值小于设置的最优验证集交叉熵损失函数值，则将最优验证集交叉熵损失函数的值更新为当前验证集的交叉熵损失函数的值，并保存当前网络模型。否则，继续进行下一轮训练过程。
在训练的过程中，由于最开始通过特征融合层输出的概率不一定是完全正确的，这就需要通过损失函数来对整个模型中的参数进行优化，使得模型输出正确的值。
为了更客观的对比双通道CNN图像分类模型以及训练机制对图像分类准确率的影响，对超参数进行了统一的处理，超参数的具体数值如表1所示。
表1 双通道CNN图像分类模型超参数数值表
为了更好的说明本发明的上述技术方案，下面取一次实验进行举例说明。
随机抽取3340张图像来构建输电线路图像的样本集，其中，输电线路绝缘子图像共有2565张，输电线路鸟巢图像共有675张，如表2和表3所示。所有的图像大小均被统一224*224的尺寸，训练集和验证集的正负样本比例设为1：1，测试集的正负样本比例设置为14：1。
表2 绝缘子样本数据分布
| 样本类别 | 训练集 | 验证集 | 测试集 | 总计 |
| 自爆绝缘子 | 100 | 50 | 25 | 175 |
| 正常绝缘子 | 100 | 50 | 350 | 500 |
| 总计 | 200 | 100 | 375 | 675 |
表3 鸟巢样本数据分布
| 样本类别 | 训练集 | 验证集 | 测试集 | 总计 |
| 有鸟巢图像 | 380 | 190 | 95 | 665 |
| 无鸟巢图像 | 380 | 190 | 1330 | 1900 |
| 总计 | 760 | 380 | 1425 | 2565 |
将训练集和验证集输入到双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，然后将测试集输入到训练好的双通道CNN图像分类模型中，对测试集中的每一个图像进行检测，获得图像的缺陷检测结果。
在通过本实验得到分类结果后，可以通过表4的分类结果评价指标参数对图像进行准确的检测，对分类结果的准确率进行评价。
表4 分类结果评价指标参数
| 参数 | 含义 |
| ALL | 测试集图像的总个数 |
| TP | 正常图像分类结果为正常的个数 |
| FN | 正常图像分类结果为有缺陷的个数 |
| FP | 有缺陷图像分类结果为正常的个数 |
| TN | 有缺陷图像分类结果为有缺陷的个数 |
其中，正确率ACC的公式为：
查准率P的公式为：
查全率R的公式为：
假正例率FPR，也就是缺陷的漏检率为：
假反例率FNR，也就是缺陷的误检率为：
参见上述表2和表3，本次试验中输电线路鸟巢图像的测试集共有1425张图片，输电线路绝缘子图像的测试集共有375张图片。
在训练好双通道CNN图像分类模型后，将测试集输入到训练好的模型中即可得到分类结果，基于上述评价指标的计算公式，如下表5所示，得到鸟巢图像的测试结果，如下表6所示，得到绝缘子图像的测试结果。
表5 输电线路鸟巢图像测试结果
| 算法 | 正确率 | 查准率 | 查全率 | 假正例率 | 假反例率 |
| AlexNet | 74.25％ | 98.68％ | 73.38％ | 13.68％ | 81.19％ |
| ResNet32 | 79.80％ | 99.33％ | 78.87％ | 7.36％ | 76.15％ |
| ResNet50 | 79.93％ | 99.53％ | 78.87％ | 5.26％ | 75.74％ |
| DCFF-AlexNet | 77.33％ | 98.93％ | 76.54％ | 11.58％ | 78.79％ |
| DCFF-ResNet32 | 82.24％ | 99.54％ | 81.35％ | 5.26％ | 73.37％ |
| DCFF-ResNet50 | 82.18％ | 99.44％ | 81.35％ | 6.32％ | 73.59％ |
表6 输电线路绝缘子图像测试结果
| 算法 | 正确率 | 查准率 | 查全率 | 假正例率 | 假反例率 |
| AlexNet | 68.26％ | 91.69％ | 72.57％ | 92％ | 97.79％ |
| ResNet32 | 74.41％ | 95.03％ | 76.57％ | 56％ | 81.17％ |
| ResNet50 | 74.67％ | 95.69％ | 76.29％ | 48％ | 86.45％ |
| DCFF-AlexNet | 70.13％ | 94.07％ | 72.57％ | 64％ | 91.43％ |
| DCFF-ResNet32 | 77.87％ | 96.19％ | 79.43％ | 44％ | 83.72％ |
| DCFF-ResNet50 | 77.33％ | 95.85％ | 79.14％ | 48％ | 84.88％ |
由上表5、表6可以看出，基于本发明采用的DCFF-ResNet32结构构造的双通道CNN图像分类模型，对图像的分类的正确率、查准率和查全率均是最高的，假正例率和假反例率均是最低的，由此可以得知，采用本发明实施例的检测方法，能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率。
参见图3，是本发明实施例提供的一种输电线路图像缺陷检测装置的结构示意图，包括：
样本处理模块11，用于获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；
模型构建模块12，用于构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；
模型训练模块13，用于将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；
缺陷检测模块14，用于将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。
参见图4，是本发明实施例提供的一种计算机设备的结构示意图。所述终端设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备，所述终端设备可包括，但不限于处理器40和存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的示例，并不构成对终端设备4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，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所称存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步的，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
其中，所述输电线路图像缺陷检测装置的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，上述的计算机程序可存储与计算机可存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，上述计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
相对于现有技术，本发明实施例提供的一种输电线路图像缺陷检测方法、装置、设备及介质，通过获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集，然后构建双通道CNN图像分类模型，将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，最后将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。能够对输电线路图像的缺陷进行准确检测，进一步提高对输电线路图像的缺陷进行分类的准确率，从而能够及时发现并处理输电线路的故障，减少不必要的经济损失。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种输电线路图像缺陷检测方法，其特征在于，包括以下步骤：
获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；
构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；
将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；
将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。
2.根据权利要求1所述的输电线路图像缺陷检测方法，其特征在于，获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集，具体步骤为：
获取输电线路图像的样本集，将所述样本集中每一个图像的大小统一调整为224*224；
对调整后的样本集中的每一个图像进行预处理，得到所述图像中输电线路的具体位置，并保存对应的图片块；
按照预设的比例将经过预处理后的样本集分为训练集、验证集和测试集。
3.根据权利要求1所述的输电线路图像缺陷检测方法，其特征在于，将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型，具体为：
将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中，结合交叉熵损失函数，得到所述双通道CNN图像分类模型的交叉熵损失函数的值，再根据所述交叉熵损失函数的值，采用随机梯度下降法对所述双通道CNN图像分类模型进行训练，得到训练好的双通道CNN图像分类模型。
4.根据权利要求3所述的输电线路图像缺陷检测方法，所述交叉熵损失函数的公式为：
其中，M为所述训练集和所述验证集中的图像的总类别数，N为所述训练集和所述验证集中的图像的总数，aki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的真实概率值，yki为所述训练集和所述验证集中的图像中图像k属于第i类缺陷的预测概率值。
5.一种输电线路缺陷检测装置，其特征在于，包括：
样本处理模块，用于获取输电线路图像的样本集，对所述样本集进行预处理，并将经过预处理后的样本集分为训练集、验证集和测试集；其中，所述输电线路图像包括输电线路绝缘子图像和输电线路鸟巢图像；
模型构建模块，用于构建双通道CNN图像分类模型；其中，所述双通道CNN图像分类模型由特征提取层、特征融合层和图像分类层组成，所述特征提取层由基于残差网络结构的两个并行分支构成，所述两个并行分支分别用于提取所述样本集中的每一个图像的全局特征和局部特征，所述特征融合层用于对所述全局特征和所述局部特征进行融合，得到所述样本集中的每一个图像对应的特征向量，所述图像分类层用于通过对融合后的特征向量进行分类，判断所述样本集中的每一个图像是否为缺陷图像；
模型训练模块，用于将所述训练集和所述验证集输入到所述双通道CNN图像分类模型中进行训练，得到训练好的双通道CNN图像分类模型；
缺陷检测模块，用于将所述测试集输入到所述训练好的双通道CNN图像分类模型中，对所述测试集中的每一个图像进行检测，获得所述图像的缺陷检测结果。
6.一种计算机设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4中任一项所述的输电线路图像缺陷检测方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-4中任一项所述的输电线路图像缺陷检测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011322962.0A CN112419268A (zh) | 2020-11-23 | 2020-11-23 | 一种输电线路图像缺陷检测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011322962.0A CN112419268A (zh) | 2020-11-23 | 2020-11-23 | 一种输电线路图像缺陷检测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112419268A true CN112419268A (zh) | 2021-02-26 |
Family
ID=74778362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011322962.0A Pending CN112419268A (zh) | 2020-11-23 | 2020-11-23 | 一种输电线路图像缺陷检测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112419268A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907138A (zh) * | 2021-03-26 | 2021-06-04 | 国网陕西省电力公司电力科学研究院 | 一种从局部到整体感知的电网场景预警分类方法及系统 |
| CN113205039A (zh) * | 2021-04-29 | 2021-08-03 | 广东电网有限责任公司东莞供电局 | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 |
| CN113255626A (zh) * | 2021-07-14 | 2021-08-13 | 杭州大杰智能传动科技有限公司 | 一种基于扫描图像分析的智能塔吊结构状态检测方法和装置 |
| CN114397306A (zh) * | 2022-03-25 | 2022-04-26 | 南方电网数字电网研究院有限公司 | 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
| CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学（保定） | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
| CN110348494A (zh) * | 2019-06-27 | 2019-10-18 | 中南大学 | 一种基于双通道残差神经网络的人体动作识别方法 |
| CN111598842A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子缺陷样本生成模型的方法、系统及存储介质 |
-
2020
- 2020-11-23 CN CN202011322962.0A patent/CN112419268A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108961245A (zh) * | 2018-07-06 | 2018-12-07 | 西安电子科技大学 | 基于双通道深度并行卷积网络的图像质量分类方法 |
| CN110348494A (zh) * | 2019-06-27 | 2019-10-18 | 中南大学 | 一种基于双通道残差神经网络的人体动作识别方法 |
| CN110335270A (zh) * | 2019-07-09 | 2019-10-15 | 华北电力大学（保定） | 基于层级区域特征融合学习的输电线路缺陷检测方法 |
| CN111598842A (zh) * | 2020-04-24 | 2020-08-28 | 云南电网有限责任公司电力科学研究院 | 一种绝缘子缺陷样本生成模型的方法、系统及存储介质 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112907138A (zh) * | 2021-03-26 | 2021-06-04 | 国网陕西省电力公司电力科学研究院 | 一种从局部到整体感知的电网场景预警分类方法及系统 |
| CN112907138B (zh) * | 2021-03-26 | 2023-08-01 | 国网陕西省电力公司电力科学研究院 | 一种从局部到整体感知的电网场景预警分类方法及系统 |
| CN113205039A (zh) * | 2021-04-29 | 2021-08-03 | 广东电网有限责任公司东莞供电局 | 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法 |
| CN113255626A (zh) * | 2021-07-14 | 2021-08-13 | 杭州大杰智能传动科技有限公司 | 一种基于扫描图像分析的智能塔吊结构状态检测方法和装置 |
| CN114397306A (zh) * | 2022-03-25 | 2022-04-26 | 南方电网数字电网研究院有限公司 | 一种电网均压环超复杂类别缺陷多阶段模型联合检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
| CN110135505B (zh) | 图像分类方法、装置、计算机设备及计算机可读存储介质 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
| CN112860841A (zh) | 一种文本情感分析方法、装置、设备及存储介质 | |
| 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 | |
| CN110968689A (zh) | 罪名及法条预测模型的训练方法以及罪名及法条预测方法 | |
| CN110969600A (zh) | 一种产品缺陷检测方法、装置、电子设备及存储介质 | |
| CN115660262B (zh) | 一种基于数据库应用的工程智慧质检方法、系统及介质 | |
| CN113591948A (zh) | 一种缺陷模式识别方法、装置、电子设备和存储介质 | |
| CN116167010A (zh) | 具有智能迁移学习能力的电力系统异常事件快速识别方法 | |
| CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
| CN111931721B (zh) | 年检标签颜色和个数的检测方法、装置及电子设备 | |
| CN116910592B (zh) | 日志检测方法、装置、电子设备及存储介质 | |
| CN113012107A (zh) | 电网缺陷检测方法及系统 | |
| CN115620083B (zh) | 模型训练方法、人脸图像质量评价方法、设备及介质 | |
| CN116091874A (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
| CN111144429A (zh) | 对象分类方法及其系统、计算机系统及计算机可读介质 | |
| CN117036843A (zh) | 目标检测模型训练方法、目标检测方法和装置 | |
| CN113989632A (zh) | 一种遥感图像桥梁检测方法、装置、电子设备及存储介质 | |
| Liu et al. | Component detection for power line inspection using a graph-based relation guiding network | |
| CN114077663A (zh) | 应用日志的分析方法及装置 | |
| Gao et al. | Intelligent appearance quality detection of air conditioner external unit and dataset construction | |
| CN117173448B (zh) | 一种基建工程进度智能化管控与预警方法及装置 | |
| CN116541713B (zh) | 基于局部时频特征迁移学习的轴承故障诊断模型训练方法 | |
| Liao et al. | Image Classification Algorithm for Transmission Line Defects Based on Dual-Channel Feature Fusion |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210226 |
|
| RJ01 | Rejection of invention patent application after publication |