CN115272262A - 室外绝缘子表面缺陷识别方法、装置及电子设备 - Google Patents

室外绝缘子表面缺陷识别方法、装置及电子设备 Download PDF

Info

Publication number
CN115272262A
CN115272262A CN202210937164.1A CN202210937164A CN115272262A CN 115272262 A CN115272262 A CN 115272262A CN 202210937164 A CN202210937164 A CN 202210937164A CN 115272262 A CN115272262 A CN 115272262A
Authority
CN
China
Prior art keywords
insulator
image
network
target image
feature
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
CN202210937164.1A
Other languages
English (en)
Inventor
梁博渊
臧谦
田霖
刘振
张志猛
刘良帅
侯倩
庞先海
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
State Grid Hebei Energy Technology Service Co Ltd
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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, State Grid Hebei Energy Technology Service Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210937164.1A priority Critical patent/CN115272262A/zh
Publication of CN115272262A publication Critical patent/CN115272262A/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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Quality & Reliability (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种室外绝缘子表面缺陷识别方法、装置及电子设备。该方法包括：获取目标图像；基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；将按照绝缘子定位坐标对目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得待识别绝缘子图像与正常绝缘子图像的第一差异特征图和待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；对第一差异特征图和第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。本发明能够自动对高压电力系统和室外高速铁路牵引变电系统中的绝缘子进行准确快速的表面缺陷识别。

Description

室外绝缘子表面缺陷识别方法、装置及电子设备
技术领域
本发明涉及牵引变电运行状态检修技术领域，尤其涉及一种室外绝缘子表面缺陷识别方法、装置及电子设备。
背景技术
目前，中国电网规模已经超过美国，居世界第一，然而我国的电力巡线方法和技术却依然滞后，并造成不少人力、物力以及社会资源浪费。
传统的高压输变电领域的设备运行状态检修存在巡视范围小、检测效率低和存在安全隐患等问题。目前，基于无人机的高压输变电领域设备运行状态巡检广泛应用在我国各大电力公司，它具有机动灵活的特点，可以通过悬停在设备周边实现“无死角、无盲区”巡视诊断。然而目前基于无人机的室外绝缘子表面缺陷识别巡检一般都是利用无人机采集完图像后依靠人工进行检测，无法进行自动检测。人工检测会影响缺陷识别的效率，同时检测准确率也会因人而异。
发明内容
本发明实施例提供了一种室外绝缘子表面缺陷识别方法、装置及电子设备，以解决目前基于人工的室外绝缘子表面缺陷识别效率和准确率不高的问题。
第一方面，本发明实施例提供了一种室外绝缘子表面缺陷识别方法，包括：
获取目标图像；所述目标图像为包括绝缘子且待进行表面缺陷识别的图像；
基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；
将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图和所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；
对所述第一差异特征图和所述第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。
在一种可能的实现方式中，所述预设绝缘子检测模型，包括：第一特征提取网络、特征融合网络、特征注意网络、候选区域生成网络、分类与边界框回归网络；
所述第一特征提取网络，用于对所述目标图像进行不同尺度的特征提取，获得所述目标图像不同尺度的提取特征图；
所述特征融合网络，用于对所述目标图像不同尺度的提取特征图进行特征融合，获得所述目标图像的多尺度融合特征图；
所述特征注意网络，用于对所述多尺度融合特征图中不同通道的特征进行加权，获得加权后的多尺度融合特征图；
所述候选区域生成网络，用于按照所述加权后的多尺度融合特征图进行候选区域生成，获得含绝缘子概率较高的各个候选区域及对应的候选区域特征；
所述分类与边界框回归网络，用于对各个候选区域特征进行分类，并对各个候选区域进行回归，将损失最小的候选区域的坐标确定为所述目标图像的绝缘子定位坐标。
在一种可能的实现方式中，所述预设绝缘子检测模型的训练过程包括：
将训练集中的各幅训练图像依次输入所述第一特征提取网络、所述特征融合网络、所述特征注意网络、所述候选区域生成网络、所述分类与边界框回归网络中；
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对所述特征注意网络中不同通道的权重和所述候选区域生成网络中生成的候选区域进行迭代训练，当所述IoU损失函数收敛时，获得训练完成的预设绝缘子检测模型。
在一种可能的实现方式中，所述训练集中每幅训练图像中的绝缘子的角度不同；
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对所述候选区域生成网络中生成的候选区域进行迭代训练，包括：
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框的边框旋转角、各幅训练图像的绝缘子定位真实边框的边框旋转角和IoU损失函数，对所述候选区域生成网络中生成的候选区域进行迭代训练；
所述基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像，包括：
基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括边框旋转角的绝缘子定位坐标的目标图像；
所述将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，包括：
将按照所述绝缘子定位坐标中的边框旋转角旋转，并按照所述绝缘子定位坐标裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型。
在一种可能的实现方式中，所述预设图像重建和特征重建融合模型，包括：图像重建网络，第二特征提取网络和特征重建网络；
所述图像重建网络，用于对所述待识别绝缘子图像进行重建，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图；
所述第二特征提取网络，用于对所述待识别绝缘子图像进行特征提取；
所述特征重建网络，用于对提取的所述待识别绝缘子图像的特征进行重建，获得所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图。
在一种可能的实现方式中，所述对所述第一差异特征图和所述第二差异特征图进行融合，包括：
根据E＝W1E1+W2E2，对所述第一差异特征图和所述第二差异特征图进行融合；
其中，E为融合后的特征图，W1为所述第一差异特征图的权重，E1为所述第一差异特征图，W2为所述第二差异特征图的权重，E2为所述第二差异特征图。
在一种可能的实现方式中，所述对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果，包括：
基于大律阈值分割方法对融合后的特征图的前景和背景进行分割，根据分割结果中的前景区域确定对应绝缘子是否存在表面缺陷及表面缺陷的位置。
第二方面，本发明实施例提供了一种室外绝缘子表面缺陷识别装置，包括：
获取模块，用于获取目标图像；所述目标图像为包括绝缘子且待进行表面缺陷识别的图像；
定位模块，用于基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；
第一识别模块，用于将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图和所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；
第二识别模块，用于对所述第一差异特征图和所述第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。
第三方面，本发明实施例提供了一种电子设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例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存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种室外绝缘子表面缺陷识别方法、装置及电子设备，通过获取目标图像，然后先基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；再将按照绝缘子定位坐标对目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得待识别绝缘子图像与正常绝缘子图像的第一差异特征图和待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；以对第一差异特征图和第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。不仅可以实现对目标图像中的绝缘子的表面缺陷进行自动识别，还可以基于对第一差异特征图和第二差异特征图进行融合后的特征图提高检测准确率，进而满足绝大多数高压电力系统和室外高速铁路牵引变电系统的运行状态检修，为其关键部件维修提供必要的技术支持。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的室外绝缘子表面缺陷识别方法的实现流程图；
图2是本发明另一实施例提供的室外绝缘子表面缺陷识别方法的实现流程图；
图3是本发明实施例提供的室外绝缘子表面缺陷识别装置的结构示意图；
图4是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
参见图1，其示出了本发明实施例提供的室外绝缘子表面缺陷识别方法的实现流程图，详述如下：
在步骤101中，获取目标图像。
其中，目标图像为包括绝缘子且待进行表面缺陷识别的图像。可以通过相机和镜头构成的视觉系统/图像采集系统对高压电力系统或室外高速铁路牵引变电系统中的绝缘子进行拍摄得到。获取目标图像后，还可以对目标图像进行中值滤波处理以抑制噪声。
在步骤102中，基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像。
其中，预设绝缘子检测模型为一种目标检测模型，目标图像中的绝缘子为预设绝缘子检测模型所要检测的目标。针对绝缘子目标较小、背景复杂、存在任意角度的特点，对常用的目标检测模型例如Faster RCNN或Yolov3等的结构进行改进后，再基于训练集的训练图像进行训练，得到该预设绝缘子检测模型。
可选的，结合图2，预设绝缘子检测模型，包括：第一特征提取网络、特征融合网络、特征注意网络、候选区域生成网络、分类与边界框回归网络。
第一特征提取网络，用于对目标图像进行不同尺度的特征提取，获得目标图像不同尺度的提取特征图。
特征融合网络，用于对目标图像不同尺度的提取特征图进行特征融合，获得目标图像的多尺度融合特征图。
特征注意网络，用于对多尺度融合特征图中不同通道的特征进行加权，获得加权后的多尺度融合特征图。
候选区域生成网络，用于按照加权后的多尺度融合特征图进行候选区域生成，获得含绝缘子概率较高的各个候选区域及对应的候选区域特征。
分类与边界框回归网络，用于对各个候选区域特征进行分类，并对各个候选区域进行回归，将损失最小的候选区域的坐标确定为目标图像的绝缘子定位坐标。
可选的，基于预设绝缘子检测模型的上述结构，预设绝缘子检测模型的训练过程包括：
将训练集中的各幅训练图像依次输入第一特征提取网络、特征融合网络、特征注意网络、候选区域生成网络、分类与边界框回归网络中。
基于分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对特征注意网络中不同通道的权重和候选区域生成网络中生成的候选区域进行迭代训练，当IoU损失函数收敛时，获得训练完成的预设绝缘子检测模型。
其中，训练集中每幅训练图像中的绝缘子的角度不同，因此，基于分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对候选区域生成网络中生成的候选区域进行迭代训练，包括：
基于分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框的边框旋转角、各幅训练图像的绝缘子定位真实边框的边框旋转角和IoU损失函数，对候选区域生成网络中生成的候选区域进行迭代训练。
相应的，基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像，包括：
基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括边框旋转角的绝缘子定位坐标的目标图像。
示例性的，包括边框旋转角的绝缘子定位坐标可以为(xi,yi,a,b,α)，其中，(xi,yi)可以为目标图像中绝缘子所在边界框的左上角坐标或中心坐标，(a,b)可以为目标图像中绝缘子所在边界框的长和宽，α为目标图像中绝缘子所在边界框与垂直方向/水平方向的夹角。
本实施例中，通过在常用的目标检测模型的特征提取网络后加入特征融合网络，将特征提取网络提取的多尺度特征进行叠加或相加，以对不同尺度的特征进行融合，可以改善常用的目标检测模型对诸如绝缘子等小型目标的检测效果。除此之外，还可以针对训练集中的训练图像的锚框区域(即训练图像中的绝缘子所在区域)进行大量样本采样，基于采样后的图像和训练集中原始的训练图像对上述结构的绝缘子检测模型进行训练，获得对诸如绝缘子等小型目标具有良好检测效果的预设绝缘子检测模型。进一步的，通过在特征融合网络后加入特征注意网络，以给不同维度/不同通道的特征赋予不同的权重，可以针对杂乱的目标(即绝缘子)和背景，减少背景噪音并突出显示目标。进一步的，采用绝缘子在训练图像中的角度不完全相同的训练图像构成训练集，并在候选区域生成网络中生成包括边框旋转角的候选区域，然后采用IoU损失作为网络的训练损失，可以解决朝向任意的旋转目标检测的边界框回归问题，获得可以对任意角度的绝缘子进行定位的预设绝缘子检测模型。
在步骤103中，将按照绝缘子定位坐标对目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得待识别绝缘子图像与正常绝缘子图像的第一差异特征图和待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图。
本实施例中，可以基于预设图像重建和特征重建融合模型的输入图像要求对包括绝缘子定位坐标的目标图像进行剪裁，并将其统一缩放为预设尺寸。剪裁后的待识别绝缘子图像至少包括其对应的绝缘子定位坐标对应的目标图像。由于绝缘子定位坐标中包括边框旋转角，相应的，将按照绝缘子定位坐标对目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，可以包括：
将按照绝缘子定位坐标中的边框旋转角旋转，并按照绝缘子定位坐标裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型。
本实施例中，由于预设绝缘子检测模型对目标图像检测定位后的绝缘子定位坐标包括边框旋转角，按照边框旋转角将目标图像旋转为与预设图像重建和特征重建融合模型的输入图像统一的方向后，再裁剪并输入预设图像重建和特征重建融合模型，可以使预设图像重建和特征重建融合模型具有对任意角度的绝缘子表面缺陷进行识别的能力。
可选的，结合图2，预设图像重建和特征重建融合模型，包括：图像重建网络，第二特征提取网络和特征重建网络。
图像重建网络，用于对待识别绝缘子图像进行重建，获得待识别绝缘子图像与正常绝缘子图像的第一差异特征图。
第二特征提取网络，用于对待识别绝缘子图像进行特征提取。
特征重建网络，用于对提取的待识别绝缘子图像的特征进行重建，获得待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图。
本实施例中，预设图像重建和特征重建融合模型的结构可以分为两部分。一部分是图像重建网络，可以采用自动编码器结构实现，在对预设图像重建和特征重建融合模型进行训练时，采用不带缺陷的绝缘子图像，以使图像重建网络具有将待识别绝缘子图像重建为正常绝缘子图像的能力，在此基础计算重建图像(即正常绝缘子图像)与待识别绝缘子图像的差异图像，即待识别绝缘子图像的缺陷图像。另一部分包括特征提取网络和特征重建网络，其中特征提取网络即用于提取输入图像(即待识别图像)的特征，特征重建网络也可以采用自动编码器结构实现，训练好的特征重建网络具有将待识别绝缘子图像的特征重建为正常绝缘子图像的特征的能力，在此基础上即可件计算重建特征(即正常绝缘子图像的特征)与待识别绝缘子图像的特征的差异特征，也即待识别绝缘子图像的缺陷特征。
在步骤104中，对第一差异特征图和第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。
本实施例中，由于第一差异特征图和第二差异特征图从不同角度展示了待识别绝缘子图像与正常绝缘子图像的差异，因此基于融合后的特征图进行前景和背景的阈值分割，基于分割结果确定待识别绝缘子图像对应绝缘子是否存在表面缺陷以及存在表面缺陷的位置，可以提高室外绝缘子表面缺陷识别的准确率。
可选的，对第一差异特征图和第二差异特征图进行融合，包括：
根据E＝W1E1+W2E2，对第一差异特征图和第二差异特征图进行融合。
其中，E为融合后的特征图，W1为第一差异特征图的权重，E1为第一差异特征图，W2为第二差异特征图的权重，E2为第二差异特征图。
本实施例中，对第一差异特征图和第二差异特征图直接采用加权融合。其中，第一差异特征图的权重W1和第二差异特征图的权重W2可以基于经验确定，也可以通过训练神经网络模型确定。
可选的，对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果，包括：
基于大律阈值分割方法对融合后的特征图的前景和背景进行分割，根据分割结果中的前景区域确定对应绝缘子是否存在表面缺陷及表面缺陷的位置。
其中，大律阈值分割方法又称类间方差阈值分割法，它是按图像的灰度特性，将图像分成背景和目标两部分。背景和目标之间的类间方差越大，说明构成图像的两部分的差别越大，当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小。因此，使类间方差最大的分割意味着错分概率最小。因此基于大律阈值分割方法对融合后的特征图的前景和背景进行分割，根据分割结果中的前景区域可以更准确地确定对应绝缘子是否存在表面缺陷及表面缺陷的位置。
本发明实施例通过获取目标图像，然后先基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；再将按照绝缘子定位坐标对目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得待识别绝缘子图像与正常绝缘子图像的第一差异特征图和待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；以对第一差异特征图和第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。不仅可以实现对目标图像中的绝缘子的表面缺陷进行自动识别，还可以基于对第一差异特征图和第二差异特征图进行融合后的特征图提高检测准确率，进而满足绝大多数高压电力系统和室外高速铁路牵引变电系统的运行状态检修，为其关键部件维修提供必要的技术支持。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的室外绝缘子表面缺陷识别装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
如图3所示，室外绝缘子表面缺陷识别装置包括：获取模块31、定位模块32、第一识别模块33和第二识别模块34。
获取模块31，用于获取目标图像；所述目标图像为包括绝缘子且待进行表面缺陷识别的图像；
定位模块32，用于基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；
第一识别模块33，用于将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图和所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；
第二识别模块34，用于对所述第一差异特征图和所述第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。
本发明实施例通过获取目标图像，然后先基于预设绝缘子检测模型对目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；再将按照绝缘子定位坐标对目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得待识别绝缘子图像与正常绝缘子图像的第一差异特征图和待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；以对第一差异特征图和第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。不仅可以实现对目标图像中的绝缘子的表面缺陷进行自动识别，还可以基于对第一差异特征图和第二差异特征图进行融合后的特征图提高检测准确率，进而满足绝大多数高压电力系统和室外高速铁路牵引变电系统的运行状态检修，为其关键部件维修提供必要的技术支持。
在一种可能的实现方式中，所述预设绝缘子检测模型，包括：第一特征提取网络、特征融合网络、特征注意网络、候选区域生成网络、分类与边界框回归网络；
所述第一特征提取网络，用于对所述目标图像进行不同尺度的特征提取，获得所述目标图像不同尺度的提取特征图；
所述特征融合网络，用于对所述目标图像不同尺度的提取特征图进行特征融合，获得所述目标图像的多尺度融合特征图；
所述特征注意网络，用于对所述多尺度融合特征图中不同通道的特征进行加权，获得加权后的多尺度融合特征图；
所述候选区域生成网络，用于按照所述加权后的多尺度融合特征图进行候选区域生成，获得含绝缘子概率较高的各个候选区域及对应的候选区域特征；
所述分类与边界框回归网络，用于对各个候选区域特征进行分类，并对各个候选区域进行回归，将损失最小的候选区域的坐标确定为所述目标图像的绝缘子定位坐标。
在一种可能的实现方式中，所述预设绝缘子检测模型的训练过程包括：
将训练集中的各幅训练图像依次输入所述第一特征提取网络、所述特征融合网络、所述特征注意网络、所述候选区域生成网络、所述分类与边界框回归网络中；
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对所述特征注意网络中不同通道的权重和所述候选区域生成网络中生成的候选区域进行迭代训练，当所述IoU损失函数收敛时，获得训练完成的预设绝缘子检测模型。
在一种可能的实现方式中，所述训练集中每幅训练图像中的绝缘子的角度不同；
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对所述候选区域生成网络中生成的候选区域进行迭代训练，包括：
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框的边框旋转角、各幅训练图像的绝缘子定位真实边框的边框旋转角和IoU损失函数，对所述候选区域生成网络中生成的候选区域进行迭代训练；
定位模块32，可以用于基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括边框旋转角的绝缘子定位坐标的目标图像；
第一识别模块33，可以用于将按照所述绝缘子定位坐标中的边框旋转角旋转，并按照所述绝缘子定位坐标裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型。
在一种可能的实现方式中，所述预设图像重建和特征重建融合模型，包括：图像重建网络，第二特征提取网络和特征重建网络；
所述图像重建网络，用于对所述待识别绝缘子图像进行重建，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图；
所述第二特征提取网络，用于对所述待识别绝缘子图像进行特征提取；
所述特征重建网络，用于对提取的所述待识别绝缘子图像的特征进行重建，获得所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图。
在一种可能的实现方式中，第二识别模块34，可以用于根据E＝W1E1+W2E2，对所述第一差异特征图和所述第二差异特征图进行融合；
其中，E为融合后的特征图，W1为所述第一差异特征图的权重，E1为所述第一差异特征图，W2为所述第二差异特征图的权重，E2为所述第二差异特征图。
在一种可能的实现方式中，第二识别模块34，可以用于基于大律阈值分割方法对融合后的特征图的前景和背景进行分割，根据分割结果中的前景区域确定对应绝缘子是否存在表面缺陷及表面缺陷的位置。
图4是本发明实施例提供的电子设备的示意图。如图4所示，该实施例的电子设备4包括：处理器40、存储器41以及存储在存储器41中并可在处理器40上运行的计算机程序42。处理器40执行计算机程序42时实现上述各个室外绝缘子表面缺陷识别方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，处理器40执行计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块/单元31至34的功能。
示例性的，计算机程序42可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器41中，并由处理器40执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序42在电子设备4中的执行过程。例如，计算机程序42可以被分割成图3所示的模块/单元31至34。
电子设备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。电子设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备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，例如电子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。
存储器41可以是电子设备4的内部存储单元，例如电子设备4的硬盘或内存。存储器41也可以是电子设备4的外部存储设备，例如电子设备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。进一步地，存储器41还可以既包括电子设备4的内部存储单元也包括外部存储设备。存储器41用于存储计算机程序以及电子设备所需的其他程序和数据。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。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元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读取存储介质中。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，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个室外绝缘子表面缺陷识别方法实施例的步骤。其中，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代码的任何实体或装置、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(Read-Only Memory，ROM)、随机存取存储器(Random AccessMemory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种室外绝缘子表面缺陷识别方法，其特征在于，包括：
获取目标图像；所述目标图像为包括绝缘子且待进行表面缺陷识别的图像；
基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；
将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图和所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；
对所述第一差异特征图和所述第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。
2.根据权利要求1所述的室外绝缘子表面缺陷识别方法，其特征在于，所述预设绝缘子检测模型，包括：第一特征提取网络、特征融合网络、特征注意网络、候选区域生成网络、分类与边界框回归网络；
所述第一特征提取网络，用于对所述目标图像进行不同尺度的特征提取，获得所述目标图像不同尺度的提取特征图；
所述特征融合网络，用于对所述目标图像不同尺度的提取特征图进行特征融合，获得所述目标图像的多尺度融合特征图；
所述特征注意网络，用于对所述多尺度融合特征图中不同通道的特征进行加权，获得加权后的多尺度融合特征图；
所述候选区域生成网络，用于按照所述加权后的多尺度融合特征图进行候选区域生成，获得含绝缘子概率较高的各个候选区域及对应的候选区域特征；
所述分类与边界框回归网络，用于对各个候选区域特征进行分类，并对各个候选区域进行回归，将损失最小的候选区域的坐标确定为所述目标图像的绝缘子定位坐标。
3.根据权利要求2所述的室外绝缘子表面缺陷识别方法，其特征在于，所述预设绝缘子检测模型的训练过程包括：
将训练集中的各幅训练图像依次输入所述第一特征提取网络、所述特征融合网络、所述特征注意网络、所述候选区域生成网络、所述分类与边界框回归网络中；
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对所述特征注意网络中不同通道的权重和所述候选区域生成网络中生成的候选区域进行迭代训练，当所述IoU损失函数收敛时，获得训练完成的预设绝缘子检测模型。
4.根据权利要求3所述的室外绝缘子表面缺陷识别方法，其特征在于，所述训练集中每幅训练图像中的绝缘子的角度不同；
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框、各幅训练图像的绝缘子定位真实边框和IoU损失函数，对所述候选区域生成网络中生成的候选区域进行迭代训练，包括：
基于所述分类与边界框回归网络中输出的各幅训练图像的绝缘子定位预测边框的边框旋转角、各幅训练图像的绝缘子定位真实边框的边框旋转角和IoU损失函数，对所述候选区域生成网络中生成的候选区域进行迭代训练；
所述基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像，包括：
基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括边框旋转角的绝缘子定位坐标的目标图像；
所述将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，包括：
将按照所述绝缘子定位坐标中的边框旋转角旋转，并按照所述绝缘子定位坐标裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型。
5.根据权利要求1所述的室外绝缘子表面缺陷识别方法，其特征在于，所述预设图像重建和特征重建融合模型，包括：图像重建网络，第二特征提取网络和特征重建网络；
所述图像重建网络，用于对所述待识别绝缘子图像进行重建，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图；
所述第二特征提取网络，用于对所述待识别绝缘子图像进行特征提取；
所述特征重建网络，用于对提取的所述待识别绝缘子图像的特征进行重建，获得所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图。
6.根据权利要求1所述的室外绝缘子表面缺陷识别方法，其特征在于，所述对所述第一差异特征图和所述第二差异特征图进行融合，包括：
根据E＝W1E1+W2E2，对所述第一差异特征图和所述第二差异特征图进行融合；
其中，E为融合后的特征图，W1为所述第一差异特征图的权重，E1为所述第一差异特征图，W2为所述第二差异特征图的权重，E2为所述第二差异特征图。
7.根据权利要求1所述的室外绝缘子表面缺陷识别方法，其特征在于，所述对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果，包括：
基于大律阈值分割方法对融合后的特征图的前景和背景进行分割，根据分割结果中的前景区域确定对应绝缘子是否存在表面缺陷及表面缺陷的位置。
8.一种室外绝缘子表面缺陷识别装置，其特征在于，包括：
获取模块，用于获取目标图像；所述目标图像为包括绝缘子且待进行表面缺陷识别的图像；
定位模块，用于基于预设绝缘子检测模型对所述目标图像中的绝缘子进行定位，获得包括绝缘子定位坐标的目标图像；
第一识别模块，用于将按照所述绝缘子定位坐标对所述目标图像进行裁剪后的待识别绝缘子图像输入预设图像重建和特征重建融合模型，获得所述待识别绝缘子图像与正常绝缘子图像的第一差异特征图和所述待识别绝缘子图像的特征与正常绝缘子图像的特征的第二差异特征图；
第二识别模块，用于对所述第一差异特征图和所述第二差异特征图进行融合，并对融合后的特征图进行阈值分割，根据分割结果确定对应绝缘子的表面缺陷识别结果。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序，执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。
CN202210937164.1A 2022-08-05 2022-08-05 室外绝缘子表面缺陷识别方法、装置及电子设备 Pending CN115272262A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210937164.1A CN115272262A (zh) 2022-08-05 2022-08-05 室外绝缘子表面缺陷识别方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210937164.1A CN115272262A (zh) 2022-08-05 2022-08-05 室外绝缘子表面缺陷识别方法、装置及电子设备

Publications (1)

Publication Number Publication Date
CN115272262A true CN115272262A (zh) 2022-11-01

Family

ID=83749986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210937164.1A Pending CN115272262A (zh) 2022-08-05 2022-08-05 室外绝缘子表面缺陷识别方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN115272262A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661016A (zh) * 2022-12-08 2023-01-31 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115661016A (zh) * 2022-12-08 2023-01-31 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台
CN115661016B (zh) * 2022-12-08 2023-04-18 瑞纳智能设备股份有限公司 换热站的故障监视方法、系统和嵌入式图像诊断控制平台

Similar Documents

Publication Publication Date Title
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
CN109711416B (zh) 目标识别方法、装置、计算机设备和存储介质
CN110133443B (zh) 基于平行视觉的输电线路部件检测方法、系统、装置
CN115546630A (zh) 基于遥感影像特征目标检测的工地提取方法和系统
CN112989995B (zh) 文本检测方法、装置及电子设备
CN112364843A (zh) 插拔式航拍图像目标定位检测方法、系统、设备
CN111046950A (zh) 一种图像处理方法、装置、存储介质和电子装置
CN112001317A (zh) 基于语义信息的导线缺陷识别方法、系统及终端设备
CN116311201A (zh) 一种基于图像识别技术的变电站设备状态识别方法及系统
CN115272262A (zh) 室外绝缘子表面缺陷识别方法、装置及电子设备
CN117409083B (zh) 一种基于红外图像和改进yolov5的电缆终端识别方法及装置
CN113643234B (zh) 一种复合绝缘子破损检测方法、终端设备及可读存储介质
CN114648736B (zh) 基于目标检测的鲁棒工程车辆识别方法及系统
CN112446231A (zh) 一种人行横道检测方法、装置、计算机设备及存储介质
CN116109659A (zh) 一种sar影像海洋内波条纹分割方法、设备及存储介质
CN115527187A (zh) 一种障碍物的分类方法以及装置
CN114037840A (zh) 一种基于多特征融合的输电线路视物提取方法及系统
CN112418089A (zh) 一种手势识别方法、装置及终端
CN114581890B (zh) 确定车道线的方法、装置、电子设备和存储介质
Deng et al. Insulator Location and Segmentation Method Based on Improved S2ANet
WO2023221292A1 (en) Methods and systems for image generation
CN112464928B (zh) 数字式表计读数识别方法、装置、设备及存储介质
Huo et al. Grid Row Parameter Identification Using Tensorflow Convolutional Neural Network
CN115049882A (zh) 模型的训练方法、图像多标签分类方法、装置及电子设备
CN118154856A (zh) 一种目标检测方法、装置及相关设备

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