CN114897858A - 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 - Google Patents

一种基于深度学习的快速绝缘子缺陷检测方法及其系统 Download PDF

Info

Publication number
CN114897858A
CN114897858A CN202210569439.0A CN202210569439A CN114897858A CN 114897858 A CN114897858 A CN 114897858A CN 202210569439 A CN202210569439 A CN 202210569439A CN 114897858 A CN114897858 A CN 114897858A
Authority
CN
China
Prior art keywords
insulator
model
defect detection
layer
segmentation
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
Application number
CN202210569439.0A
Other languages
English (en)
Inventor
张颖慧
候静
王文武
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.)
Inner Mongolia University
Original Assignee
Inner Mongolia 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 Inner Mongolia University filed Critical Inner Mongolia University
Priority to CN202210569439.0A priority Critical patent/CN114897858A/zh
Publication of CN114897858A publication Critical patent/CN114897858A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06T7/10—Segmentation; Edge detection
    • 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]
    • 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)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供一种基于深度学习的快速绝缘子缺陷检测方法及其系统，属于计算机技术领域，该方法包括：获取待检测绝缘子图像；基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，输出绝缘子分割效果图；将绝缘子分割效果图输入到预先训练的绝缘子缺陷检测模型中，对绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。本申请在保证检测精度的同时有效提高绝缘子缺陷检测速度。

Description

一种基于深度学习的快速绝缘子缺陷检测方法及其系统
技术领域
本申请涉及计算机技术领域，尤其涉及一种基于深度学习的快速绝缘子缺陷检测方法及其系统。
背景技术
作为高压输电线路中的重要组成部分，绝缘子监测对于电力系统的安全稳定至关重要，由于其在电气绝缘和机械支撑方面的作用，绝缘子元件的损坏会直接导致输电线路中断，进而严重影响输电线路的正常运行。因此，预防绝缘子缺陷是电力公司的首要任务。此外，现代电网通常具有更复杂的互联拓扑结构，在早期阶段检测设备的潜在故障是很有必要的，以防止永久故障的发生。
在现有相关研究中，传统的绝缘子缺陷检测方法采用了纹理特征、检测特征等手段。例如，现有技术中提出了一种利用半局域算子构造轮廓模型来提取绝缘子纹理特征的方法(Q.G.Wu and J.B.An,“An active contour model based on texture distributionfor extracting inhomogeneous insulators from aerial images,”IEEE Transactionson Geoscience and Remote Sensing,vol.52,no.6,pp.3613-3626,Jun.2014)，虽然该方法得到了满意的分割结果，但权重参数的自适应选择能力较差。然后，还提出了使用K-Means算法对图像进行聚类(H.Zou and F.Z.Huang,“Anovel intelligent faultdiagnosis method for electrical equipment using infrared thermography,”Infrared Physics and Technology,vol.73,pp.29-35,Nov.2015)，获得图像的统计特征，利用支持向量机进行检测。然而，在检测过程中，准确性和速度不能同时获得较好的性能。另外，还使用快速区域卷积神经网络(Faster Regions with Convolutional NeuralNetwork，Faster R-CNN)进行绝缘子定位，并由深度材料分类器和深度去噪自编码器组成的深度多任务神经网络进行绝缘子缺陷检测。然而，由于该模型复杂度高，导致检测速度过慢。此外，还提出了一种基于改进的特征融合SSD的红外绝缘子图像检测模型(H.B.Zheng,Y.H.Sun,X.H.Liu,etc.Infrared Image Detection ofSubstation Insulators Using anImproved Fusion Single Shot Multibox Detector[J].IEEE Transactions on PowerDelivery,2021,36(6):3351-3359.)，实现变电站绝缘子的自动检测。虽然该方法提升了检测速度，但是检测精度有所下降，且当绝缘子与周围环境对比度较低时，检测精度性能极低。
为了解决检索精度和检索速度不能平衡的问题，目前，在计算机视觉领域提出一系列语义分割方法,包括全卷积网络(Fully Convolutional Networks，FCN)[11]、U型网络(U-network，U-net)和PSPnet网络等。将语义分割方法应用于复杂背景的绝缘子状况检测。利用Fast R-CNN进行绝缘子检测，然后将检测到的绝缘子裁剪之后利用FCN进行分割，最后，进行故障检测。将Unet网络进行改进分割绝缘子串，然后利用卷积神经网络(Convolutional Neural Network，CNN)进行缺陷检测。利用掩膜区域卷积神经网络(MaskRegions with Convolutional Neural Network，Mask R-CNN)在红外图像中自动提取多个绝缘子，再通过函数拟合提取每个绝缘子的温度分布，并使用机器语言建立相关标准规则用来评估绝缘子状况。上述技术虽然都对绝缘子进行了更好的分割，但检测速度却没有达到很好的性能。且大多数只是进行了绝缘子的分割，而未将绝缘子分割和绝缘子缺陷检测相结合。
因此，目前亟需解决的技术问题是：如何在保证检测精度的同时有效提高绝缘子缺陷检测速度。
发明内容
本申请的目的在于提供一种基于深度学习的快速绝缘子缺陷检测方法及其系统，该方法在保证检测精度的同时有效提高绝缘子缺陷检测速度。
为达到上述目的，本申请提供一种基于深度学习的快速绝缘子缺陷检测方法，该方法包括：
获取待检测绝缘子图像；
基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，输出绝缘子分割效果图；
将绝缘子分割效果图输入到预先训练的绝缘子缺陷检测模型中，对绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。
如上的，其中，绝缘子分割模型的训练方法包括如下步骤：
将标准数据集输入到金字塔场景解析网络模型中进行预训练，获得预训练模型；
将被标注过的绝缘子图像输入到预训练后的金字塔场景解析网络模型中进一步训练参数，获得绝缘子分割模型。
如上的，其中，将被标注过的绝缘子图像输入到预训练后的金字塔场景解析网络模型中进一步训练参数，获得绝缘子分割模型的方法包括：
收集绝缘子图像，并将绝缘子图像进行绝缘子轮廓标注，生成相应的标签，获得绝缘子数据集，将绝缘子数据集分成训练集、验证集和测试集；
将训练集和验证集输入到预训练后的金字塔场景解析网络模型中，优化调整金字塔场景解析网络模型的参数，并计算损失函数，输出损失函数和金字塔场景解析网络模型的权重；
将输出的权重引入金字塔场景解析网络模型中，作为绝缘子分割模型，用于对待检测绝缘子图像中的绝缘子进行分割。
如上的，其中，对待检测绝缘子图像中的绝缘子进行分割包括如下子步骤：
利用主干残差网络对待检测绝缘子图像中的绝缘子进行特征提取，获得基础特征层；
利用金字塔池化模块，对基础特征层进行加强特征提取，获取加强特征层；
将加强特征层融合待检测绝缘子图像中不同区域的上下文信息，生成全局特征层；
将基础特征层和全局特征层进行聚合，获得包含丰富语义信息的绝缘子图像特征层；
对绝缘子图像特征层中的每个像素进行分类进而获得绝缘子分割结果，输出绝缘子分割效果图。
如上的，其中，绝缘子缺陷检测模型对绝缘子进行缺陷检测的方法包括如下步骤：
将绝缘子分割效果图输入缺陷检测主干网络中进行基础特征提取，获取缺陷检测基础特征层；
从缺陷检测基础特征层中获取预测结果；
对预测结果进行解码处理和非极大值抑制处理(NMS)，生成最终的缺陷检测结果。
如上的，其中，从缺陷检测基础特征层中获取预测结果的方方法包括：
从缺陷检测基础特征层中提取六个特征层作为有效特征层；
对提取的每个有效特征层进行num_anchors×4的卷积运算；其中，num_anchors×4中的num_anchors表示该有效特征层每个特征点所拥有的先验框数量；4表示x_offset、y_offset、h和w四个参数的调整情况；x_offset表示真实框距离先验框中心的x轴方向的偏移情况；y_offset表示真实框距离先验框中心的y轴方向的偏移情况；h表示真实框的高度相对于先验框的变化情况；w表示真实框的宽度相对于先验框的变化情况；
预测有效特征层上每个网格点上的每个先验框的偏移量，并根据偏移量将对应的先验框进行调整，获得预测框；
再对有效特征层进行num_anchors×num_classes的卷积运算,预测有效特征层上每个网格点上每个预测框对应的缺陷种类；
其中，num_classes表示缺陷总类别数。
如上的，其中，绝缘子缺陷检测模型的训练方法包括如下步骤：
对绝缘子分割效果图进行缺陷标注，生成相应标签形成绝缘子缺陷数据集，将绝缘子缺陷数据集分成绝缘子缺陷训练集、绝缘子缺陷验证集和绝缘子缺陷测试集；
预先利用VOC公共数据集训练SSD模型，获得预训练后的SSD模型；
将绝缘子缺陷训练集和绝缘子缺陷验证集输入预训练后的SSD模型；
调整SSD模型的训练参数，并输出损失函数，输出SSD模型的权重；
将输出的SSD模型的权重引入SSD模型，作为绝缘子缺陷检测模型，用于对绝缘子图像进行缺陷检测。
本申请还提供一种基于深度学习的快速绝缘子缺陷检测系统，该系统包括：
图像获取装置，用于获取待检测绝缘子图像；
绝缘子分割单元，用于基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，输出绝缘子分割效果图；
绝缘子缺陷检测单元，用于与绝缘子分割单元连接，对绝缘子分割单元输出的绝缘子分割效果图中的绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。
如上的，其中，绝缘子分割单元包括绝缘子分割模型，
绝缘子分割模型包括数据层、训练层和测试层；
数据层，用于收集绝缘子图像，并将绝缘子图像进行标注生成相应的标签，将生成的数据集分成训练集、验证集和测试集；
验证集，用于验证金字塔场景解析网络(PSPNet)模型的参数是否过拟合；
训练层，用于确定金字塔场景解析网络模型的参数，金字塔场景解析网络模型的参数包含学习率、迭代次数、批次和迁移学习的网络权重；
测试层，用于通过计算评价指标，测试训练后的金字塔场景解析网络模型对于绝缘子的分割精度。
如上的，其中，绝缘子缺陷检测单元包括绝缘子缺陷检测模型，
绝缘子缺陷检测模型包括数据层、训练层和测试层；
数据层，用于对绝缘子分割效果图进行标注生成相应标签形成数据集，将其分成训练集、验证集和测试集；
训练层，用于确定SSD模型的参数，包含学习率、迭代次数和批次；
验证集，用于验证SSD模型的参数是否过拟合；
测试层，用于通过计算评价指标，测试训练后的SSD模型对于绝缘子缺陷检测的精度。
本申请实现的有益效果如下：
(1)本申请提出利用迁移学习、数据增强技术和Dice loss优化PSPNet模型，再将优化后的语义分割网络IPSPNet模型和目标检测模型SSD相结合生成绝缘子缺陷检测算法，简化了检测流程，且同时提高了检测速度。
(2)将本申请提出的算法和基于Unet-SSD模型、Deeplab-SSD模型和原始PSPNet-SSD模型的绝缘子缺陷检测算法进行性能对比。测试结果表明，提出的基于IPSPNet-SSD模型的快速绝缘子缺陷检测算法的检测精度有所提高，且检测时间也缩短了。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请中记载的一些实施例，对于本领域技术人员来讲，还可以根据这些附图获得其他的附图。
图1为本申请实施例的一种基于深度学习的快速绝缘子缺陷检测方法的流程图。
图2为本申请实施例的绝缘子分割模型的训练方法的流程图。
图3为本申请实施例的获得绝缘子分割模型的方法流程图。
图4为本申请实施例的对待检测绝缘子图像中的绝缘子进行分割的方法流程图。
图5为本申请实施例的绝缘子缺陷检测模型对绝缘子进行缺陷检测的方法流程图。
图6为本申请实施例的从缺陷检测基础特征层中获取预测结果的方法流程图。
图7为本申请实施例的对预测结果进行解码处理和非极大值抑制处理，生成最终的缺陷检测结果的方法流程图。
图8为本申请实施例的对绝缘子分割进行测试的方法流程图。
图9为本申请实施例的对绝缘子缺陷检测进行测试的方法流程图。
图10为本申请实施例的绝缘子缺陷检测模型的训练方法流程图。
图11为本申请实施例的IPSPNet网络模型的示意图。
图12为本申请实施例的一种基于深度学习的快速绝缘子缺陷检测系统的结构示意图。
附图标记：10-图像获取装置；20-绝缘子分割单元；30-绝缘子缺陷检测单元；100-绝缘子缺陷检测系统。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
实施例一
如图12所示，本申请提供一种基于深度学习的快速绝缘子缺陷检测系统100，该系统包括：
图像获取装置10，用于获取待检测绝缘子图像。
绝缘子分割单元20，用于基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，并计算绝缘子分割均交并比和绝缘子分割均像素精度，输出绝缘子分割效果图、绝缘子分割均交并比和绝缘子分割均像素精度。
绝缘子分割均交并比和绝缘子分割均像素精度用于评估绝缘子分割效果图的精度。
其中，绝缘子分割单元20包括绝缘子分割模型，绝缘子分割模型主要基于IPSPNet模型(改进金字塔场景解析网络模型)进行绝缘子分割。如图11所示，为IPSPNet网络模型。IPSPNet模型由特征提取模块和金字塔池化模块组成。特征提取模块主要采用ResNet网络，用于在图像中对绝缘子进行特征提取生成基础特征层。金字塔池化模块包括池化模块、卷积模块、上采样模块和层解析模块。金字塔池化模块主要用于获取不同层级的语境信息，再将其融合生成全局特征图，从而提高获取全局信息的能力。
其中，绝缘子分割模型包括数据层、训练层和测试层。数据层被用于收集绝缘子图像，并将绝缘子图像进行标注生成相应的标签，将生成的数据集分成训练集、验证集和测试集。然后，训练层被用于确定IPSPNet的参数，IPSPNet的参数包含学习率、迭代次数、批次和迁移学习的网络权重。验证集被用于验证参数是否过拟合。最后，在测试层通过计算评价指标测试训练后的IPSPNet模型对于绝缘子的分割精度。
绝缘子缺陷检测单元30，用于与绝缘子分割单元20连接，对绝缘子分割单元输出的绝缘子分割效果图中的绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。
绝缘子缺陷检测单元30包括绝缘子缺陷检测模型。绝缘子缺陷检测模型主要是基于SSD(单阶段实时检测模型)进行绝缘子缺陷检测。SSD是一个快速的单阶段目标检测模型，由特征提取模块和预测模块组成。特征提取模块主要对VGG进行了改进用于绝缘子缺陷的特征提取生成基础特征层。预测模块从基础特征中获取检测结果，再将检测结果进行NMS处理生成最终的缺陷检测结果。
其中，绝缘子缺陷检测模型包括数据层、训练层和测试层。数据层用于对绝缘子分割效果图进行标注生成相应标签形成数据集，将其分成训练集、验证集和测试集。然后，训练层被用于确定SSD模型的参数，包含学习率、迭代次数、批次等。验证集被用于验证参数是否过拟合。最后，在测试层通过计算评价指标测试训练后的SSD模型对于绝缘子缺陷检测的精度。
实施例二
如图1所示，本申请提供一种基于深度学习的快速绝缘子缺陷检测方法，该方法包括如下步骤：
步骤S1，获取待检测绝缘子图像。
其中，待检测绝缘子图像的获取方法为通过航拍方式获取绝缘子图像。
步骤S2，基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，输出绝缘子分割效果图。
具体的，基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，并计算绝缘子分割均交并比和绝缘子分割均像素精度，输出绝缘子分割效果图、绝缘子分割均交并比和绝缘子分割均像素精度。
如图2所示，绝缘子分割模型的训练方法包括如下步骤：
步骤T1，将PASCALVOC标准数据集输入到金字塔场景解析网络模型中微调参数进行预训练，获得预训练模型。
PASCALVOC数据集为图像识别和分类提供了一整套标准化的数据集，是衡量图像分类识别能力的基准，为绝缘子图像识别的公共数据集。PASCALVOC数据集输入到IPSPNet模型中微调参数进行预训练，获得预训练后的IPSPNet模型。预训练后的IPSPNet模型已经学习到了大量普遍几何形状的绝缘子图像特征。
步骤T2，将被标注过的绝缘子图像输入到预训练后的金字塔场景解析网络模型中进一步训练参数，获得绝缘子分割模型。
在步骤T1的基础上执行步骤T2，步骤T2的训练过程被加速，且提升了绝缘子分割方法的收敛速度和准确度。
其中，被标注过的绝缘子图像指的是沿着绝缘子轮廓逐点描绘，将其标签设为insulator(绝缘子)的图像。
如图3所示，步骤T2包括如下子步骤：
步骤T210，收集绝缘子图像，并将绝缘子图像进行绝缘子轮廓标注，生成相应的标签，获得绝缘子数据集。
将绝缘子数据集分成训练集、验证集和测试集。
带有绝缘子轮廓标注的绝缘子数据集以9：1：1的比例被分成训练集、验证集和测试集。
步骤T220，将训练集和验证集输入到预训练后的IPSPNet模型中，优化调整IPSPNet模型的参数，并计算损失函数，输出损失函数和IPSPNet模型的权重。
IPSPNet模型的参数包含学习率、迭代次数、批次和迁移学习的网络权重。
其中，损失函数的计算包括两部分：交叉分类熵损失函数和Dice损失函数。
第一部分，交叉熵分类损失函数定义如下：
Figure BDA0003659692640000081
其中，l(y,z)表示以y和z为自变量的交叉熵分类损失函数；f(zk)表示输入到预训练后的IPSPNet模型的绝缘子图像中绝缘子分割检测值，yk表示输入的绝缘子图像中的绝缘子分割真实值，c表示输入的绝缘子图像的数量；k表示输入的第k个绝缘子图像。具体的，绝缘子分割检测值指的是输入的绝缘子图像中检测器对绝缘子像素的分类结果，分类结果显示输入图像中的绝缘子像素；绝缘子分割真实值是指人工在绝缘子图像中沿着绝缘子轮廓逐点描绘的结果，也即人工标注的绝缘子像素值。
交叉熵分类损失函数通过逐个对比每个像素对绝缘子进行分类得到损失值，整个图像的损失就是每个像素的损失求平均，主要用于绝缘子分类。
交叉熵损失函数适用于大多数语义分割场景中，但是在对本申请绝缘子的航拍图像中对绝缘子进行语义分割时，绝缘子像素点数远小于背景区域的像素点数，存在样本类别不平衡的问题，此时背景损失占主导地位，导致网络性能不佳，提出使用Dice损失函数来平衡绝缘子和背景像素点数，达到更精确地对绝缘子像素点进行分类的目的。
第二部分，Dice损失函数定义如下:
Dice loss＝1-s；
其中，Dice loss表示Dice损失函数；s表示Dice系数，Dice系数取值范围为[0，1]，Dice系数越大表示绝缘子分割检测值和绝缘子分割真实值重合度越大，因此，Dice系数越大越好。
Dice系数定义如下：
Figure BDA0003659692640000082
其中，X表示绝缘子分割检测值，Y表示绝缘子分割真实值。此处的X与上述f(zk)是同一数据；Y与上述yk是同一数据。
步骤T230，将输出的IPSPNet模型的权重引入IPSPNet模型中，作为绝缘子分割模型，用于对待检测绝缘子图像中的绝缘子进行分割。
步骤T240，对绝缘子分割模型进行测试。
将绝缘子图像和对应标签输入到绝缘子分割模型，对绝缘子进行分割，并MAP(均交并比)值和MIoU(均像素精度)值；输出MAP(均交并比)值、MIoU(均像素精度)值和绝缘子分割效果图。
当绝缘子图像和其对应的绝缘子标签(insulator)输入到绝缘子分割模型后，绝缘子分割模型对绝缘子图像中的绝缘子进行分割，并计算MAP(均交并比)值和MIoU(均像素精度)值，输出MAP值、MIoU值和绝缘子分割效果图。
MAP值和MIoU值用于为综合评估绝缘子分割算法性能。
其中，单类的像素精度为该类真实值和预测值的交与真实值的比值，MAP值的计算方法为：
Figure BDA0003659692640000091
其中，P表示绝缘子分割预测值，也就是在绝缘子图像中预测的绝缘子像素集合；GT表示表示人工标注的绝缘子图像中绝缘子像素集合，也就是绝缘子分割真实值。
其中，单类的交并比为该类真实值和预测值的交和并的比值，MIoU值的计算方法为：
Figure BDA0003659692640000092
其中，TP表示被模型预测为正的正样本(真正)；FN表示被模型预测为负的正样本(假负)；FP表示被模型预测为正的负样本(假正)。
如图4所示，对待检测绝缘子图像中的绝缘子进行分割包括如下子步骤：
步骤S210，利用主干残差网络(Residual Network，ResNet50)对待检测绝缘子图像中的绝缘子进行特征提取，获得基础特征层。
主干残差网络(Residual Network，ResNet50)在传统CNN基础上提出残差结构的思想，通过堆叠残差结构使网络越来越深，解决了深层神经网络梯度消失的问题同时保证了卓越的精确度。ResNet50主要由两种残差结构堆叠而成，分别为卷积块和本体块。其中，卷积块输入和输出的维度是不一样的，所以不能连续串联，用于改变网络维度；本体块输入和输出维度相同，可以串联，用于加深网络。
卷积块主要是由两部分叠加而成，第一部分是将输入图像经过二次卷积、批归一化和Relu激活操作，再经过单次卷积和批归一化操作生成第一部分特征层，第二部分是将输入图像只经过单次卷积和批归一化操作，生成与第一部分同样大小的特征层，再将第一部分和第二部分这两部分特征层进行叠加，最后将叠加后的特征层输入到Relu激活函数，生成卷积块部分输出的特征层。
本体块同样是由两部分组成，第一部分是将输入图像经过二次卷积、批归一化和Relu激活操作，再经过单次卷积和批归一化操作，生成第一部分特征层，最后，将第一部分生成的特征层和输入图像进行叠加输入到Relu激活函数中，生成本体块部分输出的特征层。
采用Relu激活函数的优点在于：增加了神经网络各层之间的非线性关系，否则，如果没有激活函数，层与层之间是简单的线性关系，每层都相当于矩阵相乘，无法完成需要神经网络完成的复杂任务，因此，使用Relu激活函数后，整个特征提取过程的计算量节省很多，实现深层网络的训练，Relu激活函数会使一部分神经元的输出为0，这样就造成了网络的稀疏性，并且减少了参数的相互依存关系，缓解了过拟合问题的发生。
在Resnet50的网络结构中，首先，将图像输入进行零填充，再进行单次卷积、批归一化、激活和最大池化操作。然后，依次间隔通过单次卷积块和多次本体块，最后进行了平均池化和全连接操作，输出了深度特征提取后的基础特征层。
步骤S220，利用金字塔池化模块，对基础特征层进行加强特征提取，获取加强特征层。
具体的，将基础特征层划分为不同大小的区域，并将对应区域内的上下文信息进行整合。上下文信息为绝缘子特征信息，首先，将输入进来的基础特征层分区域进行平均池化，再利用卷积操作进行通道数调整且扩大特征层面积。然后，利用3×3卷积对特征进行整合。最后，利用1×1卷积将通道数调整为类别数，重新调整图片大小使得输出层宽高和整体PSPNet网络模型的输入图片一样。
步骤S230，将加强特征层融合待检测绝缘子图像中不同区域的上下文信息，生成全局特征层。
步骤S240，将基础特征层和全局特征层进行聚合，获得包含丰富语义信息的绝缘子图像特征层。
步骤S250，对绝缘子图像特征层中的每个像素进行分类进而获得绝缘子分割结果，输出绝缘子分割效果图。
步骤S3，将绝缘子分割效果图输入到预先训练的绝缘子缺陷检测模型中，对绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。
如图5所示，绝缘子缺陷检测模型对绝缘子进行缺陷检测的方法包括如下步骤：
步骤S310，将绝缘子分割效果图输入缺陷检测主干网络中进行基础特征提取，获取缺陷检测基础特征层。
具体的，缺陷检测主干网络为改进后的VGG网络。将VGG16的全连接层转化为卷积层，去掉所有的Dropout层，在VGG网络之后又添加多重卷积层，最终将绝缘子分割效果图输入到数层卷积层组成的网络中进行基础特征提取，目的在于可以更好的学习缺陷特征。
步骤S320，从缺陷检测基础特征层中获取预测结果。
如图6所示，步骤S320包括如下子步骤：
步骤S321，从缺陷检测基础特征层中提取六个特征层作为有效特征层，有效特征层用来获取预测结果。
步骤S322，对提取的每个有效特征层进行num_anchors×4的卷积运算。
其中，num_anchors×4中的num_anchors表示该有效特征层每个特征点所拥有的先验框数量；4表示x_offset、y_offset、h和w四个参数的调整情况(即调整值)；x_offset表示真实框距离先验框中心的x轴方向的偏移情况(即偏移距离)；y_offset表示真实框距离先验框中心的y轴方向的偏移情况(即偏移距离)；h表示真实框的高度相对于先验框的变化情况(即变化值)；w表示真实框的宽度相对于先验框的变化情况(即变化值)，其中真实框是指工作人员先用labelmg软件预先在缺陷处生成的矩形框。
步骤S323，预测有效特征层上每个网格点上的每个先验框的偏移量，并根据偏移量将对应的先验框进行调整，获得预测框。
步骤S324，再对有效特征层进行num_anchors×num_classes的卷积运算,预测有效特征层上每个网格点上每个预测框对应的缺陷种类。
其中，num_classes表示缺陷总类别数，即绝缘子缺陷检测模型训练的缺陷总类别数。
步骤S330，对预测结果进行解码处理和非极大值抑制处理(NMS)，生成最终的缺陷检测结果。
如图7所示，步骤S330包括如下子步骤：
步骤S331，将网格的中心点坐标加上对应的真实框距离先验框中心的偏移距离(x_offset和y_offset)，生成预测框的中心点坐标。
步骤S332，用真实框相对于先验框的相对量h和w，调整先验框，获得预测框的高和宽，在图片上绘制出预测框。
具体的，对每个绝缘子的缺陷检测结果进行解码生成一系列的检测框，其中解码过程为将每个网格的中心点加上真实框距离先验框中心的偏离情况，加完后的结果就是检测框的中心，然后再将先验框和真实框长和宽相对于先验框的变化情况结合，计算出预测框的长和宽，这样就能得到整个预测框的位置。
步骤S333，计算每一个预测框的置信度得分，取出置信度得分大于置信度阈值的检测框，生成检测框。
其中，置信度阈值是预设的，本申请置信度阈值设置为0.5，置信度得分指属于某一缺陷类别的概率分数。
通过真实框和先验框的重合程度计算得到每一个预测框的置信度得分，对每一个预测框进行置信度得分排序，从预测框中取出置信度得分大于指定置信度阈值所对应的检测框，利用检测框和置信度得分进行非极大值抑制，从而去除同一目标重复的检测框，从而输出置信度得分最高的检测框和相应的置信度得分。
步骤S334，对检测框的位置和所属缺陷类别的概率分数进行非极大值抑制筛选，获得只有一个缺陷检测框的预测结果。
其中，非极大值抑制筛选即选择置信度最大的检测框，并将其输出。
如图10所示，绝缘子缺陷检测模型的训练方法包括如下步骤：
步骤Y1，对绝缘子分割效果图进行缺陷标注，生成相应标签形成绝缘子缺陷数据集，将绝缘子缺陷数据集分成绝缘子缺陷训练集、绝缘子缺陷验证集和绝缘子缺陷测试集。
带有缺陷标注的绝缘子数据集以9：1：1的比例被分成绝缘子缺陷训练集、绝缘子缺陷验证集和绝缘子缺陷测试集。
步骤Y2，预先利用VOC公共数据集训练SSD模型，获得预训练后的SSD模型。
步骤Y3，将绝缘子缺陷训练集和绝缘子缺陷验证集输入预训练后的SSD模型。
步骤Y4，调整SSD模型的训练参数，并输出损失函数，输出SSD模型的权重。
其中，绝缘子缺陷检测模型所采用的损失函数分别为用于生成绝缘子及缺陷预测框的SmoothL1回归损失函数，用于预测绝缘子及缺陷类别和用于预测背景类别的交叉熵分类损失函数。
其中，绝缘子缺陷检测模型所采用的损失函数包括：
第一个，SmoothL1回归损失函数，定义如下：
Figure BDA0003659692640000121
其中，Smoothl1表示SmoothL1回归损失函数；x表示绝缘子缺陷预测结果和绝缘子缺陷真实结果的差距，else表示其他情况。
其中，SmoothL1回归损失函数用于计算缺陷检测框损失，输出绝缘子缺陷检测框。先输出缺陷检测框四角处的四点坐标的损失，然后相加得到最终的检测框损失值。交叉熵分类损失函数通过逐个对比每个像素对绝缘子缺陷像素点进行分类得到损失值，用于绝缘子缺陷像素点的分类。
第二个，交叉熵分类损失函数：
Figure BDA0003659692640000122
其中，zk表示绝缘子缺陷预测结果(预测的绝缘子缺陷像素点)；c1表示输入绝缘子分割效果图的数量；y1k表示绝缘子缺陷真实结果(手工标记的真实缺陷像素点)。
步骤Y5，将输出的SSD模型的权重引入SSD模型，作为绝缘子缺陷检测模型，用于对绝缘子图像进行缺陷检测。
步骤Y6，对绝缘子缺陷检测模型进行测试。
将进行缺陷标注后的绝缘子分割效果图和对应标签输入到SSD模型，对绝缘子缺陷进行检测，并计算MAP值；输出MAP值和绝缘子缺陷检测效果图。
进一步，本申请提出了对绝缘子分割和绝缘子缺陷检测两部分的测试方法。为保证测试的运行效率和训练速度，本申请均基于GPU设备进行训练和测试。测试环境为：CPU：Intel(R)Core(TM)i7-10875H CPU@2.30GHz；显卡：NVIDIA GeForce RTX 2060；内存：32GB；深度学习框架：Keras＝2.1.5；Python版本：Python3.6；CUDA(由NVIDIA推出的通用并行计算架构)：Cuda10.0；Cudnn：Cudnn 7.4.1。
如图8所示，对绝缘子分割进行测试的方法包括如下步骤：
步骤S410，获取绝缘子分割数据集，利用数据增强技术对数据集进行了扩充。
作为本发明的具体实施例，扩充后的数据集共有889张图像。
步骤S420，采用LabelMe软件对绝缘子图像进行手动绝缘子标注。
作为本发明的具体实施例，在绝缘子标注时，先沿着绝缘子轮廓逐点描绘，将其标签设为insulator(绝缘子)，再沿着缺陷轮廓逐点描绘，将其标签设为defect(缺陷)，其他区域为背景，然后生成了标签JSON文件，被用于网络权重的训练。
步骤S430，将绝缘子原图(img.jpg)与标签图(label.png)共同读取出来的数据，作为最终的数据集。
标签图为标注了绝缘子缺陷轮廓的图。
作为本发明的具体实施例，按照9：1：1的比例将生成的数据集划分为训练集、验证集和测试集。
步骤S440，将训练集输入到网络模型中进行训练。
作为本发明的具体实施例，在训练过程中不断利用验证集对训练的权重进行验证，得到性能最好的权重并将其输出，利用测试集对训练好的网络权重模型进行性能测试。
在IPSPNet分割方法的训练过程中引入了迁移学习和动态学习率。先利用VOC数据集对IPSPNet分割方法进行预训练输出预训练模型权重，再在预训练权重模型的基础上输入制作好的绝缘子分割数据集提取绝缘子图像特征，最后，网络模型在学习率动态变化的情况下不断对比损失函数和收敛速度选择最好的学习率进行训练。训练集727张被用于每轮的训练，验证集80张被用于避免参数过拟合并且在每轮训练之后验证网络性能。同时利用早停法记录训练过程中最好的验证集精度，该过程中设置整体训练每十轮验证损失都不下降，则表示模型基本收敛，则会停止训练。
其中，IPSPNet模型基本网络参数如下表：
Figure BDA0003659692640000141
其中，5e-4和1e-4表示学习率，其中，一个Epoch(epoch)是指把所有训练数据完整的训练一遍,数据进行一次前向-后向的训练。
将本申请提出的方法与基于Unet模型，Deeplab模型的绝缘子分割进行性能对比，验证本申请提出的基于IPSPNet模型的绝缘子分割方法性能。IPSPNet模型输入80张高分辨率的绝缘子图像进行测试，大小统一缩放成473×473。在测试阶段，在原始PSPNet模型上先添加了Transfer Learning生成Tansfer-PSPNet模型，为进一步提升绝缘子分割准确度，又加入数据增强技术和Dice loss生成IPSPNet模型，并进行了不同模型下的绝缘子分割。分别测试了基于Unet模型、Deeplab模型和不同优化程度下PSPNet模型的绝缘子分割方法，并进行了性能对比。其中，绝缘子分割性能对比如下表：
Figure BDA0003659692640000142
从绝缘子分割性能对比表中可知，本申请优化的模型逐步提升了绝缘子分割准确度，IPSPNet模型具有最高的像素精度MPA92.52％，同时绝缘子分割均交并比MIoU较原始PSPNet模型提升了11.14％。在其他方法中，Deeplab模型绝缘子分割精度偏低，效果较差，Unet模型绝缘子分割效果均低于优化后的PSPNet模型。
如图9所示，对绝缘子缺陷检测进行测试的方法包括如下步骤：
步骤S510，将绝缘子分割方法输出的图像作为绝缘子缺陷检测算法的输入。
按照9：1：1的比例将绝缘子缺陷检测数据集划分为训练集、验证集和测试集。
步骤S520，将绝缘子分割图(img.jpg)与已经生成的标签文件(img.xml)共同组成数据集。
作为本发明的具体实施例，采用labelImg软件进行手动标注。在标注时利用矩形框将绝缘子缺陷部分标注，将其标签设为defect，其他区域为背景。标注后生成XML文件，将绝缘子分割图(img.jpg)与标签文件(img.xml)共同组成数据集。
步骤S530，在绝缘子缺陷检测方法的训练过程中加入迁移学习和动态学习率。
首先，利用VOC数据集对SSD模型进行预训练，输出预训练模型权重。然后，在预训练模型权重的基础上利用迁移学习训练SSD模型学习绝缘子缺陷的图像特征。最后，模型在学习率不断调整的情况下对比损失函数和收敛速度选择最好的学习率进行训练。利用早停法记录训练过程中最好的验证集精度，设置训练集每训练十轮验证损失不下降，则停止训练。
其中，SSD模型的网络基本参数如下表：
Figure BDA0003659692640000151
为了更好地评价绝缘子缺陷检测算法性能，本申请从模型检测精度和模型运算速度两方面进行评估。使用MAP综合评估检测精度，使用模型的训练时间和单张图像检测花费的时间评估模型运算速度。
将本申请所提方法与Unet-SSD、Deeplab-SSD和原始PSPNet-SSD三种不同的绝缘子缺陷检测算法进行对比，获得的对比结果如下表所示：
Figure BDA0003659692640000152
Figure BDA0003659692640000161
从上表可以看出，本申请提出的基于IPSPNet-SSD的绝缘子缺陷检测算法具有最短的训练时间167分钟和最低的检测速度48ms。在四种缺陷检测算法中，在同样的设备条件下，基于Unet-SSD的绝缘子缺陷检测算法训练的epoch数相对较少，但是训练花费的时间最长，平均每张图片检测耗时也相对较长。Deeplab-SSD模型的epoch数最少同时训练耗时也相对较短，但是单张图片的检测速度最慢。原始PSPNet-SSD模型epoch数最长，训练时间也较长，但单张图片检测速度较快。本申请所提算法在原始PSPNet-SSD模型绝缘子缺陷检测算法基础上引入了迁移学习、数据增强技术和Dice loss，与原始算法相比，减少了epoch数，大大缩短了训练时间。同Unet-SSD模型和Deeplab-SSD模型相比，大大加快了检测速度，使得每张图片检测时间缩短至48ms。
本申请将Double-M2Det算法和IPSPNet-SSD算法进行对比，对算法的精确度和速度进行客观分析，如下表所示：
Figure BDA0003659692640000162
分析可以得出本申请提出的IPSPNet-SSD算法不仅保证了高平均精度性能，而且缩短了训练时间，提升了模型运行速度，将检测速度提升了20ms/张。这是由于M2Det模型复杂，且基于Double-M2Det算法的绝缘子缺陷检测算法检测流程繁琐导致训练时间长，检测速度性能下降。
本申请实现的有益效果如下：
(1)本申请提出利用迁移学习、数据增强技术和Dice loss优化PSPNet模型，再将优化后的语义分割网络IPSPNet模型和目标检测模型SSD相结合生成绝缘子缺陷检测算法，简化了检测流程，且同时提高了检测速度。
(2)将本申请提出的算法和基于Unet-SSD模型、Deeplab-SSD模型和原始PSPNet-SSD模型的绝缘子缺陷检测算法进行性能对比。测试结果表明，提出的基于IPSPNet-SSD模型的快速绝缘子缺陷检测算法的检测精度有所提高，且检测时间也缩短了。
以上所述仅为本发明的实施方式而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理内所做的任何修改、等同替换、改进等，均应包括在本发明的权利要求范围之内。

Claims (10)

1.一种基于深度学习的快速绝缘子缺陷检测方法，其特征在于，该方法包括：
获取待检测绝缘子图像；
基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，输出绝缘子分割效果图；
将绝缘子分割效果图输入到预先训练的绝缘子缺陷检测模型中，对绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。
2.根据权利要求1所述的基于深度学习的快速绝缘子缺陷检测方法，其特征在于，绝缘子分割模型的训练方法包括如下步骤：
将标准数据集输入到金字塔场景解析网络模型中进行预训练，获得预训练模型；
将被标注过的绝缘子图像输入到预训练后的金字塔场景解析网络模型中进一步训练参数，获得绝缘子分割模型。
3.根据权利要求2所述的基于深度学习的快速绝缘子缺陷检测方法，其特征在于，将被标注过的绝缘子图像输入到预训练后的金字塔场景解析网络模型中进一步训练参数，获得绝缘子分割模型的方法包括：
收集绝缘子图像，并将绝缘子图像进行绝缘子轮廓标注，生成相应的标签，获得绝缘子数据集，将绝缘子数据集分成训练集、验证集和测试集；
将训练集和验证集输入到预训练后的金字塔场景解析网络模型中，优化调整金字塔场景解析网络模型的参数，并计算损失函数，输出损失函数和金字塔场景解析网络模型的权重；
将输出的权重引入金字塔场景解析网络模型中，作为绝缘子分割模型，用于对待检测绝缘子图像中的绝缘子进行分割。
4.根据权利要求1所述的基于深度学习的快速绝缘子缺陷检测方法，其特征在于，对待检测绝缘子图像中的绝缘子进行分割包括如下子步骤：
利用主干残差网络对待检测绝缘子图像中的绝缘子进行特征提取，获得基础特征层；
利用金字塔池化模块，对基础特征层进行加强特征提取，获取加强特征层；
将加强特征层融合待检测绝缘子图像中不同区域的上下文信息，生成全局特征层；
将基础特征层和全局特征层进行聚合，获得包含丰富语义信息的绝缘子图像特征层；
对绝缘子图像特征层中的每个像素进行分类进而获得绝缘子分割结果，输出绝缘子分割效果图。
5.根据权利要求1所述的基于深度学习的快速绝缘子缺陷检测方法，其特征在于，绝缘子缺陷检测模型对绝缘子进行缺陷检测的方法包括如下步骤：
将绝缘子分割效果图输入缺陷检测主干网络中进行基础特征提取，获取缺陷检测基础特征层；
从缺陷检测基础特征层中获取预测结果；
对预测结果进行解码处理和非极大值抑制处理，生成最终的缺陷检测结果。
6.根据权利要求5所述的基于深度学习的快速绝缘子缺陷检测方法，其特征在于，从缺陷检测基础特征层中获取预测结果的方方法包括：
从缺陷检测基础特征层中提取六个特征层作为有效特征层；
对提取的每个有效特征层进行num_anchors×4的卷积运算；其中，num_anchors×4中的num_anchors表示该有效特征层每个特征点所拥有的先验框数量；4表示x_offset、y_offset、h和w四个参数的调整情况；x_offset表示真实框距离先验框中心的x轴方向的偏移情况；y_offset表示真实框距离先验框中心的y轴方向的偏移情况；h表示真实框的高度相对于先验框的变化情况；w表示真实框的宽度相对于先验框的变化情况；
预测有效特征层上每个网格点上的每个先验框的偏移量，并根据偏移量将对应的先验框进行调整，获得预测框；
再对有效特征层进行num_anchors×num_classes的卷积运算,预测有效特征层上每个网格点上每个预测框对应的缺陷种类；
其中，num_classes表示绝缘子缺陷总类别数。
7.根据权利要求1所述的基于深度学习的快速绝缘子缺陷检测方法，其特征在于，绝缘子缺陷检测模型的训练方法包括如下步骤：
对绝缘子分割效果图进行缺陷标注，生成相应标签形成绝缘子缺陷数据集，将绝缘子缺陷数据集分成绝缘子缺陷训练集、绝缘子缺陷验证集和绝缘子缺陷测试集；
预先利用VOC公共数据集训练SSD模型，获得预训练后的SSD模型；
将绝缘子缺陷训练集和绝缘子缺陷验证集输入预训练后的SSD模型；
调整SSD模型的训练参数，并输出损失函数，输出SSD模型的权重；
将输出的SSD模型的权重引入SSD模型，作为绝缘子缺陷检测模型，用于对绝缘子图像进行缺陷检测。
8.一种基于深度学习的快速绝缘子缺陷检测系统，用于执行权利要求1-7之一的方法，其特征在于，该系统包括：
图像获取装置，用于获取待检测绝缘子图像；
绝缘子分割单元，用于基于预先训练的绝缘子分割模型，对待检测绝缘子图像中的绝缘子进行分割，输出绝缘子分割效果图；
绝缘子缺陷检测单元，用于与绝缘子分割单元连接，对绝缘子分割单元输出的绝缘子分割效果图中的绝缘子进行缺陷检测，输出绝缘子缺陷检测结果。
9.根据权利要求8所述的基于深度学习的快速绝缘子缺陷检测系统，其特征在于，绝缘子分割单元包括绝缘子分割模型，
绝缘子分割模型包括数据层、训练层和测试层；
数据层，用于收集绝缘子图像，并将绝缘子图像进行标注生成相应的标签，将生成的数据集分成训练集、验证集和测试集；
验证集，用于验证金字塔场景解析网络模型的参数是否过拟合；
训练层，用于确定金字塔场景解析网络模型的参数，金字塔场景解析网络模型的参数包含学习率、迭代次数、批次和迁移学习的网络权重；
测试层，用于通过计算评价指标，测试训练后的金字塔场景解析网络模型对于绝缘子的分割精度。
10.根据权利要求8所述的基于深度学习的快速绝缘子缺陷检测系统，其特征在于，绝缘子缺陷检测单元包括绝缘子缺陷检测模型，
绝缘子缺陷检测模型包括数据层、训练层和测试层；
数据层，用于对绝缘子分割效果图进行标注生成相应标签形成数据集，将其分成训练集、验证集和测试集；
训练层，用于确定SSD模型的参数，包含学习率、迭代次数和批次；
验证集，用于验证SSD模型的参数是否过拟合；
测试层，用于通过计算评价指标，测试训练后的SSD模型对于绝缘子缺陷检测的精度。
CN202210569439.0A 2022-05-24 2022-05-24 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 Pending CN114897858A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210569439.0A CN114897858A (zh) 2022-05-24 2022-05-24 一种基于深度学习的快速绝缘子缺陷检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210569439.0A CN114897858A (zh) 2022-05-24 2022-05-24 一种基于深度学习的快速绝缘子缺陷检测方法及其系统

Publications (1)

Publication Number Publication Date
CN114897858A true CN114897858A (zh) 2022-08-12

Family

ID=82723492

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210569439.0A Pending CN114897858A (zh) 2022-05-24 2022-05-24 一种基于深度学习的快速绝缘子缺陷检测方法及其系统

Country Status (1)

Country Link
CN (1) CN114897858A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090559A (zh) * 2023-02-03 2023-05-09 深圳智现未来工业软件有限公司 一种基于晶圆图检测数据生成知识点的方法
CN116612116A (zh) * 2023-07-19 2023-08-18 天津伍嘉联创科技发展股份有限公司 一种基于深度学习图像分割的晶体外观缺陷检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090559A (zh) * 2023-02-03 2023-05-09 深圳智现未来工业软件有限公司 一种基于晶圆图检测数据生成知识点的方法
CN116612116A (zh) * 2023-07-19 2023-08-18 天津伍嘉联创科技发展股份有限公司 一种基于深度学习图像分割的晶体外观缺陷检测方法

Similar Documents

Publication Publication Date Title
CN112070729B (zh) 一种基于场景增强的anchor-free遥感图像目标检测方法及系统
CN114897858A (zh) 一种基于深度学习的快速绝缘子缺陷检测方法及其系统
CN113920107A (zh) 一种基于改进yolov5算法的绝缘子破损检测方法
CN112767357A (zh) 一种基于Yolov4的混凝土结构病害检测方法
CN111242144B (zh) 电网设备异常的检测方法和装置
CN111444939A (zh) 电力领域开放场景下基于弱监督协同学习的小尺度设备部件检测方法
CN116503318A (zh) 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、系统及设备
CN114463759A (zh) 一种基于无锚框算法的轻量化文字检测方法及装置
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN115131747A (zh) 基于知识蒸馏的输电通道工程车辆目标检测方法及系统
CN114821155A (zh) 一种基于可变形nts-net神经网络的多标签分类方法及系统
CN116823793A (zh) 设备缺陷检测方法、装置、电子设备和可读存储介质
CN113052103A (zh) 一种基于神经网络的电气设备缺陷检测方法及装置
CN116229272B (zh) 一种基于代表点表示的高精度遥感图像检测方法及系统
CN117152529A (zh) 基于目标检测算法的电力系统故障诊断方法
CN115620083B (zh) 模型训练方法、人脸图像质量评价方法、设备及介质
Wang et al. High-Voltage Transmission Line Foreign Object and Power Component Defect Detection Based on Improved YOLOv5
Zhao et al. Object detector based on enhanced multi-scale feature fusion pyramid network
CN112199984B (zh) 一种大尺度遥感图像的目标快速检测方法
CN111369508A (zh) 一种金属三维点阵结构的缺陷检测方法及系统
CN112070060A (zh) 识别年龄的方法、年龄识别模型的训练方法和装置
Zhuge et al. An improved deep multiscale crowd counting network with perspective awareness
CN117911662B (zh) 基于深度霍夫投票的数字孪生场景语义分割方法及系统
CN117557775B (zh) 基于红外和可见光融合的变电站电力设备检测方法及系统
CN115049639B (zh) 一种基于分类重加权YOLOv5模型的织物瑕疵检测方法

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