CN115546191A - 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 - Google Patents

一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 Download PDF

Info

Publication number
CN115546191A
CN115546191A CN202211354696.9A CN202211354696A CN115546191A CN 115546191 A CN115546191 A CN 115546191A CN 202211354696 A CN202211354696 A CN 202211354696A CN 115546191 A CN115546191 A CN 115546191A
Authority
CN
China
Prior art keywords
insulator
retinanet
improved
image data
defect detection
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
CN202211354696.9A
Other languages
English (en)
Inventor
于虹
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.)
Electric Power Research Institute of Yunnan Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Yunnan Power Grid 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 Electric Power Research Institute of Yunnan Power Grid Co Ltd filed Critical Electric Power Research Institute of Yunnan Power Grid Co Ltd
Priority to CN202211354696.9A priority Critical patent/CN115546191A/zh
Publication of CN115546191A publication Critical patent/CN115546191A/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
    • G06N3/08—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
    • 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]

Landscapes

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

Abstract

本发明实施例公开了一种基于改进RetinaNet的绝缘子缺陷检测方法及设备，包括：构建绝缘子图像数据集，并建立改进型RetinaNet网络模型，基于绝缘子图像数据集对改进型RetinaNet网络模型进行训练，直到改进型RetinaNet网络模型满足条件收敛，得到绝缘子缺陷检测模型；其中，建立改进型RetinaNet网络模型，包括：在RetinaNet网络模型中引入HRNet子网络用于特征提取；利用绝缘子缺陷检测模型实时检测绝缘子缺陷。本发明基于改进型RetinaNet网络模型构建绝缘子缺陷检测模型，基于绝缘子缺陷检测模型实现对绝缘子缺陷的高效识别，其中，改进型RetinaNet网络模型引入高分辨率特征提取网络HRNet替代RetinaNet算法的原有特征提取网络，使得网络传递最后得到的特征图上目标的特征信息更加完善，有效提高对小目标物体的检测精度。

Description

一种基于改进RetinaNet的绝缘子缺陷检测方法及设备
技术领域
本发明涉及电力系统陷识别技术领域，尤其涉及一种基于改进RetinaNet的绝缘子缺陷检测方法及设备。
背景技术
绝缘子串在高压输电线路中起到电绝缘和机械支撑等作用，是高压输电系统的重要组成部件，绝缘子的损坏会导致输电线的停电，给人民生活和企业生产带来巨大的不便与损失。绝缘子串往往都是安装于室外，易受自然气候(风、雨，雪，雷电等)和野生动物等的影响，因此，极容易出现破裂、污染等各种缺陷，绝缘子串的破损和污染为电力系统的正常运行埋下了巨大的安全隐患。因此，采用无人机对绝缘子串进行实时监测是电力系统安全运行方面具有实际意义的重要研究课题。
绝缘子缺陷的检测技术是工业界和学术界的研究热点，目前已有许多方法投入使用。其中，最为常用的是人工巡线法，即通过工作人员的现场观察确定绝缘子的缺陷情况。但人工巡线法耗时较长，人工劳动强度大，且无法保证实时性，作业效率低。在人力成本较高的当下，已经越来约无法适应电力系统的实际需要了。另外一种方法就是图像法，通过设备拍摄的绝缘子照片或视频来确定绝缘子的缺陷情况。常采用的方法有：(1)使用沿电力线走廊飞行的有人驾驶直升机，并配备几个用于记录检查数据的传感器(彩色摄像机、红外摄像机、激光雷达等)。然而，这种检查通常在人力和能源方面要求很高。此外，使用有人驾驶的直升机进行检查可能会带来一些风险，因为直升机必须靠近输电线路飞行，以便更好地获取检查数据。(2)为了解决有人驾驶直升机的限制，可以使用能够在电线上巡逻和跨越障碍物的机器人和无人飞行器来代替，大大提高了移动便利性和效率，同时降低了成本。无人驾驶飞行器相对于机器人的主要优势在于它们的设计不需要适应不同的场景(例如高压和中压电力线)。在获得绝缘子的图像或视频后，电力公司通常会指派员工通过目视观察来进行检查。人们必须长时间观察大量的图像或视频来检测绝缘子缺陷或异常点。很明显，这项任务既费力又耗时。此外，这种检查工作很难保持高精度。因此，基于智能算法的绝缘子缺陷识别技术越来越受到工业和学术界的重视，也必将是今后绝缘子缺陷识别方面的主流方向。
发明内容
有鉴于此，本发明提出一种基于改进RetinaNet的绝缘子缺陷检测方法，用于解决现有人工巡检绝缘子缺陷方法准确度不高、效率低下的问题。为达上述之一或部分或全部目的或是其他目的，本发明提出一种基于改进RetinaNet的绝缘子缺陷检测方法，包括：
构建绝缘子图像数据集，并建立改进型RetinaNet网络模型，基于所述绝缘子图像数据集对所述改进型RetinaNet网络模型进行训练，直到所述改进型RetinaNet网络模型满足条件收敛，得到绝缘子缺陷检测模型；其中，所述建立改进型RetinaNet网络模型，包括：在RetinaNet网络模型中引入HRNet子网络用于特征提取(替换原始的FPN结构)；
利用所述绝缘子缺陷检测模型实时检测绝缘子缺陷。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述HRNet子网络包括：并行连接的卷积单元，所述并行连接的卷积单元上能够反复交换特征图信息，以实现特征的多尺度融合。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述建立改进型RetinaNet网络模型，还包括：
在RetinaNet网络模型中引入GA锚点模块，所述GA模块设置在所述HRNet子网络之后。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述GA锚点模块包括：位置检测子模块、形状预测子模块与特征精调子模块；
其中，所述位置检测子模块采用1x1卷积单元，所述形状预测子模块采用1x1卷积单元，所述特征精调子模块采用3x3卷积单元。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述特征精调子模块基于可变形卷积原理，将锚框的形状信息直接融入特征图中，从而得到新的特征图来适应每个位置锚框的形状。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述基于所述绝缘子图像数据集对所述改进型RetinaNet网络模型进行训练，包括：
获取开源图像数据集，基于所述开源图像数据集对改进型RetinaNet网络模型进行训练进行训练，得到迁移模型；
基于所述绝缘子图像数据集对所述迁移模型进行训练，得到绝缘子缺陷检测模型。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述构建绝缘子图像数据集，包括：
采集多张绝缘子图像数据，并对采集到的绝缘子图像数据进行标注，标注图像绝缘子缺陷的边界框与类别，得到初始绝缘子图像数据集；
采用图像数据增广方法，对所述初始绝缘子图像数据集进行扩充，得到所述绝缘子图像数据集。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述图像数据增广方法为镜像、平移、缩放、旋转、裁剪、高斯噪声颜色通道标准化、随机灰度变化中的一种或多种。
根据一种具体的实施方式，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述改进RetinaNet网络模型的损失函数为：
FL(pt)＝-αt(1-pt)γlog(pt)；
其中，αt为抑制正负样本的数量失衡的影响参数，pt为正样本的概率；γ为控制简单/难区分样本数量失衡的影响参数。
本发明的另一方面，提供一种电子设备，其特征在于：包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述基于改进RetinaNet的绝缘子缺陷检测方法。
实施本发明实施例，将具有如下有益效果：
本发明实施例所提供的基于改进RetinaNet的绝缘子缺陷检测方法，基于改进型RetinaNet网络模型绝缘子缺陷检测模型，利用绝缘子缺陷检测模型实时检测绝缘子缺陷，有效解决现有人工巡检绝缘子缺陷方法准确度不高、效率低下的问题；本发明实施例所提供的改进型RetinaNet网络模型引入高分辨率特征提取网络HRNet替代RetinaNet算法的原有特征提取网络，使得网络传递最后得到的特征图上目标的特征信息更加完善，有效提高对小目标物体的检测精度。
附图说明
为了更清楚地说明本发明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的前提下，还可以根据这些附图获得其他的附图。
其中：
图1为一个实施例中基于改进RetinaNet的绝缘子缺陷检测方法流程示意图；
图2为一个实施例中HRNet网络结构示意图；
图3为一个实施例中Guided Anchoring模块结构示意图；
图4为一个实施例中改进型RetinaNet网络模型结构示意图；
图5为一个实施例中采用本发明实施例所提供的检测模型对原始巡检图像进行缺陷识别的识别效果示意图1；
图6为一个实施例中采用本发明实施例所提供的检测模型对原始巡检图像进行缺陷识别的识别效果示意图2；
图7为一个实施例中电子设备结构框图。
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。
实施例1
图1示出了本发明示例性实施例的基于改进RetinaNet的绝缘子缺陷检测方法，包括：
构建绝缘子图像数据集，并建立改进型RetinaNet网络模型，基于所述绝缘子图像数据集对所述改进型RetinaNet网络模型进行训练，直到所述改进型RetinaNet网络模型满足条件收敛，得到绝缘子缺陷检测模型；其中，所述建立改进型RetinaNet网络模型，包括：在RetinaNet网络模型中引入HRNet子网络用于特征提取；
利用所述绝缘子缺陷检测模型实时检测绝缘子缺陷。
本实施例所提供的方法，基于改进型RetinaNet网络模型构建绝缘子缺陷检测模型，基于绝缘子缺陷检测模型实现对绝缘子缺陷的高效识别，其中，改进型RetinaNet网络模型引入高分辨率特征提取网络HRNet替代RetinaNet算法的原有特征提取网络，使得网络传递最后得到的特征图上目标的特征信息更加完善，有效提高对小目标物体的检测精度。
实施例2
在一种可能的实现方式中，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述HRNet子网络包括：并行连接的卷积单元，所述并行连接的卷积单元上能够反复交换特征图信息，以实现特征的多尺度融合。
具体的，特征提取阶段是目标检测的基础，能否提取正确合适的特征是影响目标检测性能的重要因素。而输配电机巡图像中往往存在着不同像素大小的目标物体，在低分辨率的特征图上是看不见小目标物体的，这是因为当目标物体的尺寸小于卷积神经网络的下采样率时，该目标在此特征图上便会消失。比如32×32大小的目标在采样率为1/32时，该目标在特征图上就变成了一个点，而小于32×32大小的目标则会消失，这便造成了高层的特征图无法检测到小目标。标准的RetinaNet算法中主要是通过引入FPN结构来提高网络对于小目标物体的检测精度，该网络结构主要是采用浅层的大尺寸特征图来检测小目标，并且还将其与高层上采样后的特征图进行融合来丰富特征；然而高层特征图中的小目标物体的语义信息在下采样的过程中已经丢失，于是便造成了融合后特征图中来自浅层大尺寸特征图的语义信息不足，从而导致类别识别能力较弱。因此，针对这个问题，研究对特征网络进行优化，引入高分辨率特征提取网络HRNet，该网络的结构如图2所示。
从图2可以看出，HRNet采用并行连接的方式，特征图在网络的传递过程时，低尺寸的特征图通过下采样操作被分离出，随后将其作为输入分离出一条卷积神经网络，从而进一步的增加高分辨率到低分辨率的子网络，形成更多的阶段，并将多分辨率的子网络并行连接，在并行的多分辨率子网络上反复交换信息来进行多尺度的重复融合，从而不断地提高每一条子网络的高分辨率特征。当网络传递到最后时，将所有网络的特征图进行融合，于是便获得了信息更加全面的高分辨率特征，使得特征图上目标的特征信息都变得更加完善。
在一种可能的实现方式中，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述建立改进型RetinaNet网络模型，还包括：在RetinaNet网络模型中引入GA锚点模块，所述GA模块设置在所述HRNet子网络之后。
具体的，基于锚点机制的目标检测算法在整体上可以分为两个步骤，第一步是提取候选区域，第二步便是将提取出的候选区域送入后续的网络中做进一步的分类以及定位。锚框机制的引入使目标检测算法的性能有了较大的提高，但同时也带来了一些问题。基于此，在RetinaNet网络模型中引入一种新的锚框生成方法——Guided Anchoring(GA)机制，即通过图像的特征来指导锚框的生成。图3为Guided Anchoring模块的整个过程，共分为三个部分。
①位置预测
位置预测的主要目标是确定哪个区域应当是中心点，并以此生成锚框，这是一个二分类问题。首先，将整个特征图区域划分为目标中心区域、外围区域和忽视区域，并将与特征图相对应的中心区域标注为目标中心区域，在训练时将该区域视为正样本，剩余区域则根据与中心的距离分别标注为忽略样本或负样本，最终选定相应概率值大于该阈值的区域，从而判定物体的活动区域。对于具有(宽度×高度×信道数目)的特性曲线采用1x1卷积网络，获得分辨率相同但只有一个信道的输出，输出的各位置的数值代表了在原始图像上相应位置处出现目标的可能性，即概率曲线。最终，选择相应概率值比预定门限高的位置，以判断可能有目标活动的区域。利用该方法，可以在很短的时间内，选出一小块区域，以减少锚框的数目，最终在有锚框的地方进行计算。
②形状预测
形状预测分支的主要目标是根据给定锚框的中心点，预测出锚框最佳的长和宽，属于回归问题。将输入1x1的卷积网络，输出与尺寸相同的双通道的特征图，两个通道分别用和表示，表示每个位置可能的最好的锚框尺寸。对于锚框和真实框匹配的问题，传统的区域建议网络是直接计算锚框和所有的真实框的交并比(intersection of union，IoU)，然后将锚框匹配给IoU最大的真实框。通过对锚框的位置和形状预测，就可以产生最终的锚框。
③特征精调模块
由于每个位置锚框的形状是不同的，大的锚框对应着较大的感受野，小的锚框则对应小的感受野，所以不能像传统的基于锚框的方法那样直接对特征图进行卷积而进行预测，而是需要对特征图进行精调。通过借鉴可变形卷积(deformable convolution)的思想，根据形状对各个位置单独进行转换。特征精调的方法就是将锚框的形状信息直接融入特征图中，从而得到新的特征图来适应每个位置锚框的形状。经过上述三个步骤后，生成的锚框数量相对普通的锚框生成方法明显减少，且与目标的匹配度更高。
最后，通过对RetinaNet进行HRNet与GA的改进，得到了如图4所示的算法结构图。
综上，本发明实施例所提供的基于改进RetinaNet的绝缘子缺陷检测方法，基于HRNet对原始RetinaNet算法的特征提取网络进行优化，并基于GA对模型的锚点机制进行优化，使锚框的位置与形状更加接近检测目标，减少了锚框的数量，减轻计算量，以此提高模型的精确度。
在一种可能的实现方式中，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述改进RetinaNet网络模型的损失函数为：
FL(pt)＝-αt(1-pt)γlog(pt)；
其中，αt为抑制正负样本的数量失衡的影响参数，pt为正样本的概率；γ为控制简单/难区分样本数量失衡的影响参数。
在一种可能的实现方式中，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述基于所述绝缘子图像数据集对所述改进型RetinaNet网络模型进行训练，包括：
获取开源图像数据集，基于所述开源图像数据集对改进型RetinaNet网络模型进行训练进行训练，得到迁移模型；
基于所述绝缘子图像数据集对所述迁移模型进行训练，得到绝缘子缺陷检测模型。
本实施例中，通过迁移学习机制提高模型的训练效率与泛化能力。
在一种可能的实现方式中，上述基于改进RetinaNet的绝缘子缺陷检测方法中，所述构建绝缘子图像数据集，包括：
采集多张绝缘子图像数据，并对采集到的绝缘子图像数据进行标注，标注图像绝缘子缺陷的边界框与类别，得到初始绝缘子图像数据集；
采用图像数据增广方法，对所述初始绝缘子图像数据集进行扩充，得到所述绝缘子图像数据集。
具体的，通过图像采集设备采集多张绝缘子图像数据，建立初步图像数据集；对所述初步图像数据集进行收集整理后得到样本集合，为要处理的原始数据；所述初步图像数据集中样本容量大于600幅图像；
接着，根据绝缘子的缺陷(自爆和破损)解译机理及其图像学特征，对所述初步图像数据集中各图像上的缺陷进行边框标注与类别解译译；结合图像解译，采用专家经验法对所述初步图像数据集中各缺陷的位置边框与类别进行修正，得到标注好的图像数据集；
接着，采用图像数据增广方法，对所述标注后的绝缘子图像数据集进行扩容增广，得到最终的图像数据集；所述图像数据增广方法包括：图像镜像、平移、缩放、旋转、裁剪、高斯噪声等一种或多种；其中，最终的图像数据集中的图像数据大于2000幅；按8：2的比例，分为训练数据集和测试数据集，完成绝缘子图像数据集的构建，同时基于绝缘子图像数据集完成对模型的训练。
综上，本实施例所提供的检测模型通过引入高分辨率特征提取网络HRNet替代RetinaNet算法的原有特征提取网络，使得网络传递最后得到的特征图上目标的特征信息更加完善，提高对小目标物体的检测精度；同时引入Guided Anchoring机制，对模型的锚点机制进行优化，使锚框的位置与形状更加接近检测目标，减少了锚框的数量，减轻计算量，以此提高模型的精确度。实验表明，该方法在绝缘子缺陷检测精度上相较于现有的其他算法(如RetinaNet算法)等模型精度有明显提升，平均提高了3.5％的精度，准确度高达91.4％；，对于复杂背景、光线变化等复杂条件具有更强的适应性。其中，图5、图6示出了采用本发明实施例所提供的检测模型对原始巡检图像进行缺陷识别的识别效果示意图。
实施例3
本发明的另一方面，如图7所示，还提供一种电子设备，该电子设备包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述基于改进RetinaNet的绝缘子缺陷检测方法。
本发明的另一方面，还提供一种计算机存储介质，所述计算机存储介质中存储有程序指令，所述程序指令被至少一个处理器执行时，用于本发明的引导车场主动开通电子发票的方法。
在本发明的实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称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。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。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。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，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，模块之间的通信连接可以是通过一些接口，服务器或单元的间接耦合或通信连接，可以是电性或其它的形式。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。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。
所述集成的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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (10)

1.一种基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：包括：
构建绝缘子图像数据集，并建立改进型RetinaNet网络模型，基于所述绝缘子图像数据集对所述改进型RetinaNet网络模型进行训练，直到所述改进型RetinaNet网络模型满足条件收敛，得到绝缘子缺陷检测模型；其中，所述建立改进型RetinaNet网络模型，包括：在RetinaNet网络模型中引入HRNet子网络用于特征提取；
利用所述绝缘子缺陷检测模型实时检测绝缘子缺陷。
2.如权利要求1所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述HRNet子网络包括：并行连接的卷积单元，所述并行连接的卷积单元上能够反复交换特征图信息，以实现特征的多尺度融合。
3.如权利要求1所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述建立改进型RetinaNet网络模型，还包括：
在RetinaNet网络模型中引入GA锚点模块，所述GA模块设置在所述HRNet子网络之后。
4.如权利要求3所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述GA锚点模块包括：位置检测子模块、形状预测子模块与特征精调子模块；
其中，所述位置检测子模块采用1x1卷积单元，所述形状预测子模块采用1x1卷积单元，所述特征精调子模块采用3x3卷积单元。
5.如权利要求4所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述特征精调子模块基于可变形卷积原理，将锚框的形状信息直接融入特征图中，从而得到新的特征图来适应每个位置锚框的形状。
6.如权利要求1-5任一所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述基于所述绝缘子图像数据集对所述改进型RetinaNet网络模型进行训练，包括：
获取开源图像数据集，基于所述开源图像数据集对改进型RetinaNet网络模型进行训练进行训练，得到迁移模型；
基于所述绝缘子图像数据集对所述迁移模型进行训练，得到绝缘子缺陷检测模型。
7.如权利要求1-5任一所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述构建绝缘子图像数据集，包括：
采集多张绝缘子图像数据，并对采集到的绝缘子图像数据进行标注，标注图像绝缘子缺陷的边界框与类别，得到初始绝缘子图像数据集；
采用图像数据增广方法，对所述初始绝缘子图像数据集进行扩充，得到所述绝缘子图像数据集。
8.如权利要求7所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述图像数据增广方法为镜像、平移、缩放、旋转、裁剪、高斯噪声颜色通道标准化、随机灰度变化中的一种或多种。
9.如权利要求1所述的基于改进RetinaNet的绝缘子缺陷检测方法，其特征在于：所述改进RetinaNet网络模型的损失函数为：
FL(pt)＝-αt(1-pt)γlog(pt)；
其中，αt为抑制正负样本的数量失衡的影响参数，pt为正样本的概率；γ为控制简单/难区分样本数量失衡的影响参数。
10.一种电子设备，其特征在于：包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的基于改进RetinaNet的绝缘子缺陷检测方法。
CN202211354696.9A 2022-11-01 2022-11-01 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备 Pending CN115546191A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211354696.9A CN115546191A (zh) 2022-11-01 2022-11-01 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211354696.9A CN115546191A (zh) 2022-11-01 2022-11-01 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备

Publications (1)

Publication Number Publication Date
CN115546191A true CN115546191A (zh) 2022-12-30

Family

ID=84721571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211354696.9A Pending CN115546191A (zh) 2022-11-01 2022-11-01 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备

Country Status (1)

Country Link
CN (1) CN115546191A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824631A (zh) * 2023-06-14 2023-09-29 西南交通大学 一种姿态估计方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116824631A (zh) * 2023-06-14 2023-09-29 西南交通大学 一种姿态估计方法及系统
CN116824631B (zh) * 2023-06-14 2024-02-27 西南交通大学 一种姿态估计方法及系统

Similar Documents

Publication Publication Date Title
CN110059694B (zh) 电力行业复杂场景下的文字数据的智能识别方法
CN109753929B (zh) 一种高铁绝缘子巡检图像识别方法
CN112379231B (zh) 一种基于多光谱图像的设备检测方法及装置
CN111260629A (zh) 基于图像处理的受电弓结构异常检测算法
CN112381784A (zh) 一种基于多光谱图像的设备检测系统
CN112668696A (zh) 一种基于嵌入式深度学习的无人机电网巡检方法和系统
CN111784692B (zh) 一种电力系统中绝缘子缺陷的检测方法、装置及电子设备
CN107680090A (zh) 基于改进全卷积神经网络的输电线路绝缘子状态识别方法
CN110135302B (zh) 训练车道线识别模型的方法、装置、设备和存储介质
CN110569841A (zh) 基于卷积神经网络的接触网关键部件目标检测方法
CN113177566B (zh) 一种特征提取模型训练方法、装置及计算机设备
CN116883801A (zh) 基于注意力机制与多尺度特征融合的YOLOv8目标检测方法
CN111046950A (zh) 一种图像处理方法、装置、存储介质和电子装置
CN116110036B (zh) 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置
CN112508911A (zh) 基于巡检机器人的轨交接触网悬挂支撑部件裂纹检测系统及其检测方法
CN110910360A (zh) 电网图像的定位方法和图像定位模型的训练方法
CN115546191A (zh) 一种基于改进RetinaNet的绝缘子缺陷检测方法及设备
CN114842243A (zh) 一种基于大跨度巡线机器人的故障检测方法、系统及设备
CN114372922A (zh) 夜间环境下基于无人机巡检的绝缘子红外缺陷诊断方法
CN110618129A (zh) 一种电网线夹自动检测与缺陷识别方法及装置
CN112348085A (zh) 一种电力数据监测系统与方法
CN112683916A (zh) 集电线路杆塔小金具缺失或安装错误的识别方法及装置
CN117830216A (zh) 一种输电线路绝缘端子雷击损伤缺陷检测方法及装置
CN117036798A (zh) 一种基于深度学习的输配电线路图像识别方法及系统
CN117152094A (zh) 基于计算机视觉的钢板表面缺陷分析方法、装置及系统

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