CN116109557A - 一种输电线路耐张线夹x光图像压接缺陷检测方法 - Google Patents
一种输电线路耐张线夹x光图像压接缺陷检测方法 Download PDFInfo
- Publication number
- CN116109557A CN116109557A CN202211436556.6A CN202211436556A CN116109557A CN 116109557 A CN116109557 A CN 116109557A CN 202211436556 A CN202211436556 A CN 202211436556A CN 116109557 A CN116109557 A CN 116109557A
- Authority
- CN
- China
- Prior art keywords
- module
- cbl
- strain clamp
- ray image
- multiplied
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 54
- 238000001514 detection method Methods 0.000 title claims abstract description 36
- 230000005540 biological transmission Effects 0.000 title claims abstract description 27
- 238000002788 crimping Methods 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000004927 fusion Effects 0.000 claims abstract description 20
- 238000001914 filtration Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000001629 suppression Effects 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 230000006835 compression Effects 0.000 claims abstract description 4
- 238000007906 compression Methods 0.000 claims abstract description 4
- 230000007246 mechanism Effects 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012937 correction Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 8
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 4
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000010257 thawing Methods 0.000 description 3
- 238000005452 bending Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009659 non-destructive testing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000000126 substance Substances 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
-
- 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
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- 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
- G06T2207/10116—X-ray 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种输电线路耐张线夹X光图像压接缺陷检测方法。首先通过实际探伤工程收集耐张线夹X光图像，构建包含常见压接缺陷的耐张线夹X光图像样本集，利用对比度拉伸、拉普拉斯算子增强、CLAHE及高斯滤波等算法对图像样本集进行对比度增强预处理。引入SE注意力机制模块对原始YOLOv4的特征金字塔层进行改进，增强模型对耐张线夹X光图像压接缺陷通道特征的提取能力。采用预标注缺陷的耐张线夹X光图像数据集对改进YOLOv4模型进行训练和测试，并利用两次非极大值抑制搭建多网络融合缺陷检测模型，辅助输电线路运维人员快速识别耐张线夹X光图像中存在的缺陷类型。
Description
技术领域
本发明涉及输电线路领域，具体涉及一种输电线路耐张线夹X光图像压接缺陷检测方法。
背景技术
耐张线夹作为架空输电线路关键电力金具，其主要作用为承受导线间和地线间的张力。耐张线夹连接性能的好坏直接关系到电力系统的安全稳定运行，近年来，因耐张线夹连接功能失效导致输电线路掉线停电的现象时有发生。运行经验表明，压接质量是决定线夹连接性能好坏的关键因素，为保证电力系统的安全稳定运行，需对待投运或运行中的三跨线路耐张线夹进行压接质量探伤检测。
目前，针对耐张线夹压接质量的探伤检测通常采用X射线无损检测技术，而对耐张线夹X光图像中存在的压接缺陷类型，普遍采取人工判别的方式进行，存在检测效率低，且判别结果易受人为因素影响等问题，对此，本发明提出了一种输电线路耐张线夹X光图像压接缺陷检测方法，具体包括图像对比度增强处理和改进缺陷检测模型。
发明内容
针对现有技术存在的问题，本发明的目的在于提供一种输电线路耐张线夹X光图像压接缺陷检测方法，辅助输电线路运维人员快速识别耐张线夹X光图像中存在的缺陷类型。
为实现上述目的，本发明提供如下技术方案：一种输电线路耐张线夹X光图像压接缺陷检测方法，包括如下步骤：
S1：通过实际探伤工程，建立包含N类缺陷的输电线路耐张线夹X光图像样本数据集，并进行缺陷类别标注；
S2：采用对比度拉伸、Gamma校正、拉普拉斯算子增强、限制对比度直方图均衡化和高斯滤波对耐张线夹X光图像对比度增强处理；
S3：引入SE注意力机制模块、CSP结构分别对YOLOv4模型的特征金字塔结构和SPP层进行改进，得到改进YOLOv4模型；采用对比度增强处理后的耐张线夹X光图像对YOLOv4模型和改进YOLOv4模型进行训练和测试；
S4：基于训练得到的YOLOv4模型和改进YOLOv4模型，利用两次非极大值抑制操作将YOLOv4模型和改进YOLOv4模型输出的预测框集合进行权值融合，构建多网络融合缺陷检测模型，用于对探伤检测所得耐张线夹X光图像进行检测。
进一步优选，所述改进YOLOv4模型三个通道网络；第一CBL×3模块、SPP模块、第二CBL×3模块、第一CBL模块、Upsam-pling层后和第二CBL模块融合，然后经第一CBL×5模块后进入第一通道网络和第二通道网络，在第一通道网络经第三CBL模块和上采样后与第一注意力模块SE和第四CBL模块的输出融合，第一注意力模块SE的输入为52×52×256图像第四CBL模块的输出，融合后经过第二CBL×5模块、第五CBL模块、第一Conv模块后输出52×52×18的特征图；第二通道网络包括第二注意力模块SE和第六CBL模块、第七CBL模块，第六CBL模块获取第一通道网络中第二CBL×5模块的输出，第二注意力模块SE的输入为第七CBL模块的输出，第六CBL模块的输出经下采样后与第七CBL模块和第二注意力模块的输出融合后经第三CBL×5模块、第八CBL模块、第二Conv模块后输出26×26×18的特征图；第三通道网络的第九CBL模块的输入为第三CBL×5模块的输出，第十CBL模块的输入为第二CBL×3模块的输出，为13×13×1024的特征图，第十CBL模块的输出经第三注意力模块关注后与第九CBL模块的输出融合，然后经第四CBL×5模块、第十一CBL模块、第三Conv模块后输出13×13×18的特征图。
通过1个CSP结构改进后的SPP层中，输入图像分别经Darknet Conv2D BN Leaky×3模块和Darknet Conv2D BN Leaky模块处理，Darknet Conv2D BN Leaky×3模块的四路输出中，一路无处理、另外三路分别经3×3卷积、9×9卷积、13×13卷积，然后将四路特征图经过Darknet Conv2D BN Leaky×2模块处理后与Darknet Conv2D BN Leaky模块的输出融合进入Concat+Darknet Conv2D BN Leaky模块处理。
步骤2的过程如下：
S21：对耐张线夹X光图像进行对比度拉伸及Gamma校正，得到第一次增强处理后的耐张线夹X光图像；
S22：对第一次增强处理后的耐张线夹X光图像依次进行拉普拉斯算子增强和CLAHE增强处理，得到第二次增强处理后的耐张线夹X光图像；
S23：利用高斯滤波算法对第二次增强处理后的耐张线夹X光图像进行滤波处理，滤除在对比度增强过程中产生的噪声或原始图像中含有的噪声，得到最终增强处理后的耐张线夹X光图像；
S24：引入峰值信噪比和结构相似度两个指标对增强后耐张线夹X光图像的失真程度进行评估。
进一步优选，CLAHE的增强具体包含：
1)将图像划分成多个相邻且不重叠的区域，大小为8×8，设各区域中灰度级最大为M；
2)计算局部区域的灰度直方图；
3)计算直方图截断阈值β，计算方法为
其中，Z是各区域像素数，M是各区域灰度级最大值，对比度增强幅度限制系数α设为2；
4)根据计算得到的直方图截断阈值β对各区域局部直方图进行裁剪，将裁剪部分均匀分配到各灰度值的直方图中，各灰度级增加像素数的计算方法见
其中，ξ是直方图中每个灰度级增加的像素数，P(x)是局部灰度直方图。循环上述裁剪操作，直至该区域局部直方图分布在截断阈值下方；
5)对处理后的局部直方图进行均衡化处理，并针对各区域利用双线性插值算法重构生成增强后的耐张线夹X光图像。
进一步优选，步骤S4中利用两次非极大值抑制操作将YOLOv4模型和改进YOLOv4模型输出的预测框集合进行权值融合，构建多网络融合缺陷检测模型；为进一步筛选冗余预测框，在进行第二次非极大值抑制时，交并比阈值、置信度阈值均设置为更小的值。
进一步优选，对预测框进行权值融合，具体包括以下步骤：1)根据多网络融合缺陷检测模型对各类缺陷检测的AP值计算置信度调整系数qi n，置信度调整系数qi n的计算方法为
式中C表示融合模型的个数，N表示缺陷类别数；2)根据置信度调整系数qi n，求取各预测框调整后的置信度，计算方法为
式中，S、S1表示调整前后预测框的置信度；3)将调整置信度后的预测框进行非极大值抑制，输出最终的预测框。
本发明的有益效果是：利用对比度拉伸、拉普拉斯算子增强、CLAHE及高斯滤波等算法对图像样本集进行对比度增强预处理。引入SE注意力机制模块对原始YOLOv4的特征金字塔层进行改进，增强了改进YOLOv4模型对耐张线夹X光图像压接缺陷通道特征的提取能力。采用预标注缺陷的耐张线夹X光图像数据集对改进YOLOv4模型进行训练和测试，并利用两次非极大值抑制搭建多网络融合缺陷检测模型，辅助输电线路运维人员快速识别耐张线夹X光图像中存在的缺陷类型。本发明实现对耐张线夹X光图像中压接缺陷的有效检测，帮助输电线路运维人员快速识别图像中存在的缺陷类型。
附图说明
图1是本发明中的一种输电线路耐张线夹X光图像压接缺陷检测方法流程图；
图2是本发明实施例中改进YOLOv4结构SE模块的位置图；
图3是本发明实施例YOLOv4模型中SPP层改进后的结构图；
图4是本发明实施例中耐张线夹X光图像对比度增强效果示例图；
图5是本发明实施例中融合多网络模型对耐张线夹X光图像压接缺陷检测的效果示例图一。
图6是本发明实施例中融合多网络模型对耐张线夹X光图像压接缺陷检测的效果示例图一。
具体实施方式
下面结合实施例对本发明做进一步的描述，有必要在此指出的是以下实施例只是用于对本发明进行进一步的说明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员根据上述发明内容所做出的一些非本质的改进和调整，仍属于本发明的保护范围。
以下对输电线路耐张线夹X光图像压接缺陷检测方法进行详细阐述，其流程图如图1所示，包括以下步骤：
S1：通过电网实际探伤工程获取耐张线夹钢锚弯曲、钢锚凹槽处欠压、钢锚凹槽处多压、钢锚凹槽处漏压、飞边和导线端漏压六类缺陷的耐张线夹X光图像，建立5000幅耐张线夹X光图像缺陷样本数据集，并采用LabelImg软件进行缺陷类型标注；
S2：采用对比度拉伸、Gamma校正、拉普拉斯算子增强、限制对比度直方图均衡化和高斯滤波对耐张线夹X光图像对比度增强处理；
S21：对耐张线夹X光图像进行对比度拉伸及Gamma校正，得到第一次增强处理后的耐张线夹X光图像。其中，对比度拉伸过程中耐张线夹X光图像灰度值变化为
fI(x,y)为变换后耐张线夹X光图像的灰度值，f2％(x,y)为百分比位数为2％的灰度值，f98％(x,y)为百分比位数为98％的灰度值；Gamma校正过程中耐张线夹X光图像灰度值变化规律为fgamma(x,y)＝f(x,y)γ，其中校正参数γ设置为0.8，f(x,y)是原耐张线夹X光图像的灰度值；
S22：对第一次增强处理后的耐张线夹X光图像依次进行拉普拉斯算子增强和CLAHE增强处理，得到第二次增强处理后的耐张线夹X光图像。其中，拉普拉斯算子增强过程中图像灰度值的变化为：
式中，fL(x,y)是增强后耐张线夹X光图像的灰度值，*是卷积符号。
CLAHE的增强具体包含：
1)将图像划分成多个相邻且不重叠的区域，大小为8×8，设各区域中灰度级最大为M；
2)计算局部区域的灰度直方图；
3)计算直方图截断阈值β，计算方法为
其中，Z是各区域像素数，M是各区域灰度级最大值，对比度增强幅度限制系数α设为2；
4)根据计算得到的直方图截断阈值β对各区域局部直方图进行裁剪，将裁剪部分均匀分配到各灰度值的直方图中，各灰度级增加像素数的计算方法见
其中，ξ是直方图中每个灰度级增加的像素数，P(x)是局部灰度直方图。循环上述裁剪操作，直至该区域局部直方图分布在截断阈值下方；
5)对处理后的局部直方图进行均衡化处理，并针对各区域利用双线性插值算法重构生成增强后的耐张线夹X光图像。
S23：利用高斯滤波算法对第二次增强处理后的耐张线夹X光图像进行滤波处理，滤除在对比度增强过程中产生的噪声或原始图像中含有的噪声，得到最终增强处理后的耐张线夹X光图像。其中，高斯核为3×3、σ(标准差)为1.5。
S24：引入峰值信噪比(peak signal to noise ratio，PSNR)和结构相似度(structural similarity index，SSIM)两个指标对增强后耐张线夹X光图像的失真程度进行评估。其中，
MSEI对比度增强前后的均方误差，像素灰阶比特数h设置为8。SSIM的计算方法为：
μo、μo′分别为对比度增强前后耐张线夹X光图像的灰度平均值，ηo、ηo′别为对比度增强前后耐张线夹X光图像的方差，ηo,o′是对比度增强前后耐张线夹X光图像间的协方差，C1取6.50，C2取58.52。经计算，5000幅图像的PSNR平均值为33.47dB，SSIM平均值为0.85，均在不失真范围内。
S3：引入3个注意力模块(SE)模块、1个CSP结构分别对原始YOLOv4模型的Panet层、SPP层进行改进，SE模块嵌入位置见图2，改进YOLOv4模型依次包括第一CBL×3模块(3个CBL模块)、SPP模块、第二CBL×3模块、第一CBL模块、Upsam-pling层(上采样)后和第二CBL模块融合，然后经第一CBL×5模块(5个CBL模块)后进入第一通道网络和第二通道网络，在第一通道网络经第三CBL模块和上采样后与第一注意力模块SE和第四CBL模块的输出融合，第一注意力模块SE的输入为52×52×256图像第四CBL模块的输出，融合后经过第二CBL×5模块、第五CBL模块、第一Conv模块后输出52×52×18的特征图；第二通道网络包括第二注意力模块SE和第六CBL模块、第七CBL模块，第六CBL模块获取第一通道网络中第二CBL×5模块的输出，第二注意力模块SE的输入为第七CBL模块的输出，第六CBL模块的输出经下采样后与第七CBL模块和第二注意力模块的输出融合后经第三CBL×5模块、第八CBL模块、第二Conv模块后输出26×26×18的特征图；第三通道网络的第九CBL模块的输入为第三CBL×5模块的输出，第十CBL模块的输入为第二CBL×3模块的输出，为13×13×1024的特征图，第十CBL模块的输出经第三注意力模块关注后与第九CBL模块的输出融合，然后经第四CBL×5模块、第十一CBL模块、第三Conv模块后输出13×13×18的特征图。
通过1个CSP结构改进后的SPP层结构见图3，输入图像分别经Darknet Conv2D BNLeaky×3模块和Darknet Conv2D BN Leaky模块处理，Darknet Conv2D BN Leaky×3模块的四路输出中，一路无处理、另外三路分别经3×3卷积、9×9卷积、13×13卷积，然后将四路特征图经过Darknet Conv2D BN Leaky×2模块处理后与Darknet Conv2D BN Leaky模块的输出融合进入Concat+Darknet Conv2D BN Leaky模块处理。
采用预处理后的耐张线夹X光图像对YOLOv4模型和改进YOLOv4模型进行训练和测试，其中，训练集与测试集样本数的比值为9:1，训练时，图像输入尺寸为416×416，优化器选择Adam，采用冻结前200层训练100轮，再解冻训练300轮的方式对YOLOv4模型和改进YOLOv4模型进行训练，解冻前Batchsize设置为8，最大学习率设置为0.001，解冻后Batchsize设置为2，最大学习率设置为0.0001；
利用测试集图像对YOLOv4模型和改进YOLOv4模型进行测试，经测试，YOLOv4模型和改进YOLOv4模型对六类缺陷检测的AP值见表1；
表1
S4：基于训练得到的YOLOv4模型和改进YOLOv4模型，利用两次非极大值抑制操作将YOLOv4模型和改进YOLOv4模型输出的预测框集合进行权值融合，构建多网络融合缺陷检测模型，用于对探伤检测所得耐张线夹X光图像进行检测，检测效果如图5、图6所示。
对预测框进行权值融合，具体包括以下步骤：1)根据多网络融合缺陷检测模型对各类缺陷检测的AP值计算置信度调整系数qi n，置信度调整系数qi n的计算方法为：
式中C表示融合模型的个数，N表示缺陷类别数；2)根据置信度调整系数qi n，求取各预测框调整后的置信度，计算方法为
式中，S、S1表示调整前后预测框的置信度；3)将调整置信度后的预测框进行非极大值抑制，输出最终的预测框。
本实施例将改进YOLOv4模型输出的预测框进行权值融合，经计算，原始YOLOv4模型权值调整系数q1 n和YOLOv4改进模型权值调整系数q2 n见表2，将调整置信度阈值后预测框进行融合和非极大值抑制操作，最终，融合多网络缺陷检测模型对钢锚弯曲等六类缺陷检测的AP值分为：65.00％、78.00％、88.00％、94.00％、82.00％和98.00％，检测精度有所提升，可实现对耐张线夹压接缺陷的有效检测。
表2
以上所述仅表达了本发明的优选实施方式，并非是对本发明作其它形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的内容加以更改或改型为等同变化的等效实施例。但是，凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。
Claims (7)
1.一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：包括如下步骤：
S1：通过实际探伤工程，建立包含N类缺陷的输电线路耐张线夹X光图像样本数据集，并进行缺陷类别标注；
S2：采用对比度拉伸、Gamma校正、拉普拉斯算子增强、限制对比度直方图均衡化和高斯滤波对耐张线夹X光图像对比度增强处理；
S3：引入SE注意力机制模块、CSP结构分别对YOLOv4模型的特征金字塔结构和SPP层进行改进，得到改进YOLOv4模型；采用对比度增强处理后的耐张线夹X光图像对YOLOv4模型和改进YOLOv4模型进行训练和测试；
S4：基于训练得到的YOLOv4模型和改进YOLOv4模型，利用两次非极大值抑制操作将YOLOv4模型和改进YOLOv4模型输出的预测框集合进行权值融合，构建多网络融合缺陷检测模型，用于对探伤检测所得耐张线夹X光图像进行检测。
2.根据权利要求1所述的一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：所述改进YOLOv4模型三个通道网络；第一CBL×3模块、SPP模块、第二CBL×3模块、第一CBL模块、Upsam-pling层后和第二CBL模块融合，然后经第一CBL×5模块后进入第一通道网络和第二通道网络，在第一通道网络经第三CBL模块和上采样后与第一注意力模块SE和第四CBL模块的输出融合，第一注意力模块SE的输入为52×52×256图像第四CBL模块的输出，融合后经过第二CBL×5模块、第五CBL模块、第一Conv模块后输出52×52×18的特征图；第二通道网络包括第二注意力模块SE和第六CBL模块、第七CBL模块，第六CBL模块获取第一通道网络中第二CBL×5模块的输出，第二注意力模块SE的输入为第七CBL模块的输出，第六CBL模块的输出经下采样后与第七CBL模块和第二注意力模块的输出融合后经第三CBL×5模块、第八CBL模块、第二Conv模块后输出26×26×18的特征图；第三通道网络的第九CBL模块的输入为第三CBL×5模块的输出，第十CBL模块的输入为第二CBL×3模块的输出，为13×13×1024的特征图，第十CBL模块的输出经第三注意力模块关注后与第九CBL模块的输出融合，然后经第四CBL×5模块、第十一CBL模块、第三Conv模块后输出13×13×18的特征图。
3.根据权利要求2所述的一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：通过1个CSP结构改进后的SPP层中，输入图像分别经Darknet Conv2D BN Leaky×3模块和Darknet Conv2D BN Leaky模块处理，Darknet Conv2D BN Leaky×3模块的四路输出中，一路无处理、另外三路分别经3×3卷积、9×9卷积、13×13卷积，然后将四路特征图经过Darknet Conv2D BN Leaky×2模块处理后与Darknet Conv2D BN Leaky模块的输出融合进入Concat+Darknet Conv2D BN Leaky模块处理。
4.根据权利要求1所述的一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：步骤2的过程如下：
S21：对耐张线夹X光图像进行对比度拉伸及Gamma校正，得到第一次增强处理后的耐张线夹X光图像；
S22：对第一次增强处理后的耐张线夹X光图像依次进行拉普拉斯算子增强和CLAHE增强处理，得到第二次增强处理后的耐张线夹X光图像；
S23：利用高斯滤波算法对第二次增强处理后的耐张线夹X光图像进行滤波处理，滤除在对比度增强过程中产生的噪声或原始图像中含有的噪声，得到最终增强处理后的耐张线夹X光图像；
S24：引入峰值信噪比和结构相似度两个指标对增强后耐张线夹X光图像的失真程度进行评估。
5.根据权利要求4所述的一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：CLAHE的增强具体包含：
1)将图像划分成多个相邻且不重叠的区域，大小为8×8，设各区域中灰度级最大为M；
2)计算局部区域的灰度直方图；
3)计算直方图截断阈值β，计算方法为
其中，Z是各区域像素数，M是各区域灰度级最大值，对比度增强幅度限制系数α设为2；
4)根据计算得到的直方图截断阈值β对各区域局部直方图进行裁剪，将裁剪部分均匀分配到各灰度值的直方图中，各灰度级增加像素数的计算方法见
其中，ξ是直方图中每个灰度级增加的像素数，P(x)是局部灰度直方图。循环上述裁剪操作，直至该区域局部直方图分布在截断阈值下方；
5)对处理后的局部直方图进行均衡化处理，并针对各区域利用双线性插值算法重构生成增强后的耐张线夹X光图像。
6.根据权利要求1所述的一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：为进一步筛选冗余预测框，在进行第二次非极大值抑制时，交并比阈值、置信度阈值均设置为更小的值。
7.根据权利要求6所述的一种基于输电线路耐张线夹X光图像压接缺陷检测方法，其特征在于：对预测框进行权值融合，具体包括以下步骤：1)根据多网络融合缺陷检测模型对各类缺陷检测的AP值计算置信度调整系数qi n，置信度调整系数qi n的计算方法为
式中C表示融合模型的个数，N表示缺陷类别数；2)根据置信度调整系数qi n，求取各预测框调整后的置信度，计算方法为
式中，S、S1表示调整前后预测框的置信度；3)将调整置信度后的预测框进行非极大值抑制，输出最终的预测框。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211436556.6A CN116109557A (zh) | 2022-11-16 | 2022-11-16 | 一种输电线路耐张线夹x光图像压接缺陷检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211436556.6A CN116109557A (zh) | 2022-11-16 | 2022-11-16 | 一种输电线路耐张线夹x光图像压接缺陷检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116109557A true CN116109557A (zh) | 2023-05-12 |
Family
ID=86260535
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211436556.6A Pending CN116109557A (zh) | 2022-11-16 | 2022-11-16 | 一种输电线路耐张线夹x光图像压接缺陷检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116109557A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876330A (zh) * | 2024-01-11 | 2024-04-12 | 广东粤电科试验检测技术有限公司 | 基于x射线图像识别的耐张线夹压接缺陷检测方法及系统 |
-
2022
- 2022-11-16 CN CN202211436556.6A patent/CN116109557A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117876330A (zh) * | 2024-01-11 | 2024-04-12 | 广东粤电科试验检测技术有限公司 | 基于x射线图像识别的耐张线夹压接缺陷检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111861961B (zh) | 单幅图像超分辨率的多尺度残差融合模型及其复原方法 | |
| CN109801230B (zh) | 一种基于编码器结构的图像修复方法 | |
| CN110517327B (zh) | 一种基于颜色校正和对比度拉伸的水下图像增强方法 | |
| CN108428227A (zh) | 基于全卷积神经网络的无参考图像质量评价方法 | |
| CN116109557A (zh) | 一种输电线路耐张线夹x光图像压接缺陷检测方法 | |
| CN110954793B (zh) | 基于光谱成像的复合绝缘子伞裙老化检测方法及检测装置 | |
| CN110223251B (zh) | 适用于人工与自然光源的卷积神经网络水下图像复原方法 | |
| CN109801232A (zh) | 一种基于深度学习的单幅图像去雾方法 | |
| CN109903351B (zh) | 基于卷积神经网络和传统编码相结合的图像压缩方法 | |
| CN112203098B (zh) | 基于边缘特征融合和超分辨率的移动端图像压缩方法 | |
| CN111524060B (zh) | 一种实时人像背景虚化的系统、方法、存储介质和设备 | |
| CN114998160B (zh) | 一种并行多尺度特征融合的卷积神经网络去噪方法 | |
| CN105894477A (zh) | 天文图像噪声去除方法 | |
| CN112215907A (zh) | 一种焊缝缺陷自动提取方法 | |
| CN115631107A (zh) | 边缘引导的单幅图像噪声去除 | |
| CN116485741A (zh) | 一种无参考图像质量评价方法、系统、电子设备及存储介质 | |
| CN117635428A (zh) | 一种肺部ct图像超分辨重建方法 | |
| CN106683079B (zh) | 一种基于结构失真的无参考图像客观质量评价方法 | |
| CN111754400A (zh) | 一种高效的图片超分辨率重建方法 | |
| CN115147397A (zh) | 一种输电线路耐张线夹x光图像缺陷检测方法 | |
| CN115151942B (zh) | 基于卷积神经网络模型训练的带钢表面缺陷检测方法 | |
| CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
| Krishnan et al. | A novel underwater image enhancement technique using ResNet | |
| CN112132757A (zh) | 一种基于神经网络的通用图像复原方法 | |
| CN111445445A (zh) | 基于半监督异常检测的碳纤维复合芯导线损伤检测方法 |
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 |