CN111353413A - 一种输电设备低漏报率缺陷识别方法 - Google Patents

Abstract

本发明涉及数字图像识别技术，具体涉及一种输电设备低漏报率缺陷识别方法，包括：通过无人机或直升机采集输电线路巡检图像；对输电线路巡检图像进行标记，建立数据集；分别基于Faster RCNN网络建立输电线路缺陷识别模型和YOLO v3网络建立输电线路缺陷识别模型，在输电线路巡检图像数据集上训练；将训练好的Faster RCNN模型和YOLO v3模型优化后通过自适应判别器组合，进行联合训练；利用联合训练好的低漏报率缺陷检测模型对输电线路巡检图像进行识别，获取电力设备的状态信息，判断电力设备是否存在缺陷；对巡检图像进行批量化端到端处理。该方法能够扩大模型对于复杂环境的适应能力，降低漏检率。

Description

一种输电设备低漏报率缺陷识别方法

技术领域

本发明属于数字图像识别技术领域，尤其涉及一种输电设备低漏报率缺陷识别方法。

背景技术

随着远距离输电技术的发展，各区域电网逐渐联接成一个整体，电网的稳定运行日趋重要。一方面，随着运行线路的不断延伸，巡线工作量的增加与巡线人员不足的矛盾日益凸显；另一方面，目前基层巡线工作大多还是参照运行经验进行组织，难以满足精细化、智能化运维的要求。因此，实现输电线路精细化巡线管理，提高输电线路运维效率，已受到了电力运行单位的广泛关注。

2015年已经对结合直升机、无人机的输电线路新型巡检模式开始了大力推广；还有的公司计划于2020年基本实现“机巡为主+人巡为辅”的协同巡检目标。有些地区出台了《架空输电线路“人巡+机巡”运维工作指导意见》，提出要充分发挥“人巡”与“机巡”各自的技术特点和优势，达到合理控制运维成本，提高运维效率及巡视质量的目的。并要求加强巡检数据的智能处理，深入挖掘和多维度分析巡检数据，发掘数据间潜在规律，为提高线路设备健康水平及运维管理水平提供技术支持。

日常开展的输电线路机巡作业将产生大量的巡检图像和视频，人工判读这些影像数据的工作量巨大并且常发生漏判，难以应用到实际运维工作中，导致只能完成少量及怀疑明显有缺陷的数据的判读，大量数据只能放在硬盘里无法应用。通过人工经验判断的主要问题在于：一方面，输电通道运行状况复杂，运维人员现场评判设备运行状况及通道状况所能获取信息有限，易造成风险评估偏差；另一方面，无法提出对输电线路机巡作业标准化流程提出指导，可能造成巡视不到位、重要巡视项目缺失等状况。

通过对大量的机巡影像数据深度挖掘利用，可以有效的发现输电线路外观、运行环境、元件异常等输电线路主要缺陷，为设备管理和运行维护提供参考。但是，这类数据生产速度快、有效信息少，通过人工检查和识别也可能实现输电线路明显缺陷的识别，但需要花费较多人力和时间，分析效率很低，而且给出的结果存在主观性、模糊性、不完全，易出现漏检和误检的问题，可能丧失最佳发现和处理时机。

目前针对巡检图像自动识别的研究主要基于通用算法模型，没有考虑电力***巡检低漏报率的要求，在处理实际巡检图像时存在缺陷漏检率高的问题，阻碍了缺陷自动识别在输电线路巡检工作中的推广。

发明内容

本发明的目的是提供一种能够通过对无人机或直升机拍摄得到的输电线路巡检图像进行分析，有效的识别输电设备存在缺陷的方法，为电力检测人员提供参考，保障电力传输的可靠性。

为实现上述目的，本发明采用的技术方案是：一种输电设备低漏报率缺陷识别方法，包括以下步骤：

步骤1、通过无人机或直升机采集输电线路巡检图像；

步骤2、对输电线路巡检图像进行标记，建立数据集；

步骤3、基于Faster RCNN网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

步骤4、基于YOLO v3网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

步骤5、将训练好的Faster RCNN模型和YOLO v3模型优化后通过自适应判别器组合，并进行联合训练；

步骤6、利用步骤5联合训练好的低漏报率缺陷检测模型对输电线路巡检图像进行识别，获取电力设备的状态信息，判断电力设备是否存在缺陷；

步骤7、构建端到端输电线路巡检图像智能化缺陷识别***，对巡检图像进行批量化端到端处理。

在上述的输电设备低漏报率缺陷识别方法中，步骤2的实现包括以下步骤：

步骤2.1、对所采集输电线路巡检图片中缺陷左上顶点位置和宽高进行标记，并对其缺陷类型进行分类，随后依次按照图片名称、缺陷类型、缺陷左上顶点的横坐标、缺陷左上顶点的纵坐标、缺陷的宽、缺陷的高的格式将标记信息写入文本文件，文本文件名称与图片名称保持一致；

步骤2.2、随机选择80％的图片组成训练样本库，供模型学习和挖掘输电线路典型缺陷的特征；剩下的20％图片构成验证集，用于模型训练过程中评估模型的准确性；当获取的样本数据较少时，不设置验证集；验证集不参与模型的训练。

在上述的输电设备低漏报率缺陷识别方法中，步骤3的实现包括以下步骤：

步骤3.1、Faster R-CNN包括区域生成网络RPN和区域检测网络，两个网络通过共享卷积层形成一个二阶段的端到端检测网络；

步骤3.1.1、将图片的尺寸调整到合适的尺寸，然后通过深度卷积层对输入的样本图片进行特征提取，得到一个深层且具有丰富语义信息的特征金字塔图；

步骤3.1.2、然后将特征金字塔图输入区域生成网络RPN中进行区域提取，利用anchors机制和NMS算法得到包含目标的候选区域；

步骤3.1.3、再将候选区域输入到区域检测网络中，利用RoI池化层将不同尺寸的RoI下采样到固定尺寸，经过全连接层进行目标类别的判定和位置边界框的确定；

步骤3.2、区域生成网络RPN通过在卷积层提取的特征图上以每一个像素点为中心以不同的尺度和长宽比形成K个预测框，将K个预测框输入网络进行目标与背景评分和边界框的界定，并基于评分使用非极大值抑制算法进行预测框的冗余性处理，将处理后的候选区域输入区域检测网络进行进一步的类别评分和边界框微调回归，然后与实际目标区域对比计算网络的损失函数，并通过反向传播算法对网络中的参数进行梯度更新，直到网络收敛；

步骤3.3、在Faster RCNN模型中引入特征金字塔网络FPN，特征金字塔网络FPN网络在特征提取时将原来的单个网络上的每一级的特征图和后一级缩放两倍的特征图做相加的操作。

在上述的输电设备低漏报率缺陷识别方法中，步骤4的实现包括以下步骤：

步骤4.1、对于任意一张无人机或直升机所采集输电线路巡检图片，首先将尺寸调整到608*608，并将图片划分为19*19个区域；通过DarkNet-53卷积神经网络提取图片特征，得到输电线路巡检图片的深层特征图；随后将深层特征图传输到目标预测网络，通过上采样和跨层连接将不同层的特征信息进行融合，从而得到19*19、38*38、76*76尺度的预测结果；若电力设备缺陷的中心落在某区域，则该区域负责预测缺陷；在目标预测网络中，根据缺陷大小自动选择不同尺度的预测结果，并通过回归调整候选锚框的中心位置及大小识别该缺陷，模型预测的输出结果为19*19*9、38*38*9、76*76*9的三个矩阵，分别对应不同尺度内每个区域的目标置信度、目标位置和目标类型；

步骤4.2、模型采用极大值抑制方法对每一个尺度的预测结果进行处理，将预测相同目标的重复选框进行消除，最终得到巡检图片中实际包含的电力设备缺陷对应类型及位置。

在上述的输电设备低漏报率缺陷识别方法中，步骤7的实现包括以下步骤：

步骤7.1、将直升机或无人机拍摄输电设备图片传输到服务器，***文件列表读取文件夹下所有巡检图片名称，形成待检测巡检图片列表；

步骤7.2、缺陷识别***调用低漏报率缺陷识别模型，将巡检图片列表作为输入，对文件夹中的巡检图片进行批量处理；

步骤7.3、***将巡检图片缺陷识别结果保存到日志文件，将巡检图片中包含的缺陷进行标记并将检测后包含缺陷的巡检图片保存到结果文件夹。

本发明的有益效果：该方法通过两个改进的目标检测网络分别提取特征，最后采用改进非极大值抑制判别器对两个网络的提取结果进行融合，最终实现输电线路缺陷的低漏报率检测。该方法可以充分利用图像特征，增强了模型对于输电线路复杂环境的适应性，能够有效避免缺陷目标漏检。

附图说明

图1是本发明一个实施例Faster RCNN模型总体流程图；

图2是本发明一个实施例FPN网络结构图；

图3是本发明一个实施例YOLO v3模型总体流程图；

图4是本发明一个实施例输电线路缺陷低漏报率检测网络结构；

图5是本发明一个实施例应用于输电设备缺陷识别结果对比示意图。

具体实施方式

下面结合附图对本发明的实施方式进行详细描述。

本实施例对现有的通用目标检测模型加以改进，降低缺陷检测的漏检率，并建立一个端到端的缺陷识别***，提高缺陷自动识别的有效性和实用性，对于提高输电线路巡检的自动化程度具有十分重要的意义。

本实施例是通过以下技术方案来实现的，基于组合式目标检测框架的输电设备低漏报率缺陷识别方法，包括以下步骤：

S1：通过无人机或直升机采集输电线路巡检图像；

S2：对输电线路巡检图像进行标记，建立数据集；

S3：基于Faster RCNN网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

S4：基于YOLO v3网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

S5：将训练好的Faster RCNN模型和YOLO v3模型优化后通过自适应判别器组合，并进行联合训练；

S6：利用训练好的低漏报率缺陷检测模型对输电线路巡检图像进行识别，获取电力设备的状态信息，判断设备是否存在缺陷；

S7：构建端到端输电线路巡检图像智能化缺陷识别***，对巡检图像进行批量化端到端处理。

步骤7中，***的具体设计方法如下：

S7.1：电力巡检人员操作直升机或无人机拍摄输电设备图像，将采集得到的图像统一传输到服务器。***文件列表读取文件夹下所有图像名称，形成待检测巡检图像列表。

S7.2：缺陷识别***调用低漏报率缺陷识别模型，将巡检图像列表作为输入，对文件夹中的巡检图片进行批量处理。

S7.3：***将巡检图片缺陷识别结果保存到日志文件中，将巡检图像中包含的缺陷进行标记并将检测后包含缺陷的巡检图片保存到结果文件夹中。

具体实施时，一种输电设备低漏报率缺陷识别方法及***，包括以下步骤：

一、通过采用无人机或者直升机搭载图像采集设备，在巡视输电线路的过程中对主要输电设备进行拍摄，获取电力设备的可见光图像，其中各个缺陷类型均包含足够的样本数量，作为原始数据。

二、对输电线路常见缺陷进行分析，为采集得到的输电线路巡检图片做标记，构建输电线路缺陷样本库；

1)采集得到输电线路巡检图像后，人工对巡检图片中缺陷左上顶点位置和宽高进行标记，并对其缺陷类型进行分类，随后依次按照图片名称、缺陷类型、缺陷左上顶点的横坐标、缺陷左上顶点的纵坐标、缺陷的宽、缺陷的高的格式将标记信息写入文本文件，文本文件名称与图片名称保持一致。

2)随机选择80％的图片组成训练样本库，供模型学习和挖掘输电线路典型缺陷的特征。剩下的20％图片构成验证集，用于模型训练过程中评估模型的准确性。当获取的样本数据较少时，可以不设置验证集，模型单独训练中损失函数值不下降即可。验证集不参与模型的训练。

三、基于Faster RCNN网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

1)Faster R-CNN由区域生成网络RPN和区域检测网络组成，两个网络通过共享卷积层形成一个二阶段的端到端检测网络，网络总体流程如图1所示。首先对于一张输入图片，将图片的尺寸调整到合适的尺寸，防止因为图片尺寸过大导致网络过载而崩溃，然后通过深度卷积层对输入的样本图片进行特征提取，得到一个深层且具有丰富语义信息的特征金字塔图，然后将该特征图输入RPN网络中进行区域提取，利用anchors机制和NMS算法得到包含目标的候选区域，然后将RPN网络产生的候选区域输入到检测网络中利用RoI池化层将不同尺寸的RoI下采样到固定尺寸，然后经过全连接层进行目标类别的判定和位置边界框的确定。

2)Faster RCNN网络的候选区域生成主要由RPN网络实现。RPN网络通过在卷积层提取的特征图上以每一个像素点为中心以不同的尺度和长宽比形成K(本实施例K取2000)个预测框，然后将这些预测框输入网络进行目标与背景评分和边界框的界定，并基于评分使用非极大值抑制算法进行预测框的冗余性处理，并将处理后的候选区域输入检测网络进行进一步的类别评分和边界框微调回归，然后和实际目标区域对比计算网络的损失函数，并通过反向传播算法对网络中的参数进行梯度更新，直到网络收敛。

3)针对输电线路目标大小差异较大的特点，本实施例在Faster RCNN模型中引入FPN(Feature Pyramid Network，特征金字塔网络)，该网络的结构如图2所示。FPN网络在特征提取时将原来的单个网络上的每一级的特征图和后一级缩放两倍的特征图做相加的操作。通过这样的跨层连接，每一层预测时都考虑到了不同分辨率的特征图的影响，实现了多层语义的融合，可有效提高对小物体目标的检测精度。

四、基于YOLO v3网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

1)YOLO的核心思想是采用全卷积结构，利用全图的上下文信息进行回归，其回归结果即目标框的类别和位置信息,其总体流程如图3所示。YOLO v3网络抛弃了区域搜索的环节，直接设定预选锚框，通过对预选锚框进行回归调整，最终得到目标检测结果。

2)对于任意一张机巡图片，首先将尺寸调整到608*608，并将图片划分为19*19个区域，并通过DarkNet-53卷积神经网络提取图片特征，得到输电线路巡检图片的深层特征图。随后将特征图传输到目标预测网络，通过上采样和跨层连接将不同层的特征信息进行融合，从而得到19*19、38*38、76*76三种尺度的预测结果。对于每一个区域，如果一个电力设备缺陷的中心落在这个区域内，则该区域负责预测这个缺陷。在目标预测网络中，根据缺陷大小自动选择不同尺度的预测结果，并通过回归调整候选锚框的中心位置及大小，使之能准确识别该缺陷，模型预测的输出结果为19*19*9、38*38*9、76*76*9的三个矩阵，分别对应不同尺度内每个区域的目标置信度、目标位置和目标类型。

3)模型采用极大值抑制方法对每一个尺度的预测结果进行处理，将预测相同目标的重复选框进行消除，最终得到巡检图片中实际包含的电力设备缺陷对应类型及位置。

五、将训练好的Faster RCNN模型和YOLO v3模型优化后通过自适应判别器组合，并进行联合训练；

1)本实施例将Faster RCNN和YOLOv3两个模型的缺陷检测结果进行融合，搭建一个基于组合式目标检测框架的输电线路缺陷低漏报率识别模型。图4为组合式卷积神经网络框架，该框架一共包含三个部分：(1)基于Faster RCNN的缺陷识别网络；(2)基于YOLOv3的缺陷识别网络；(3)基于改进非极大值抑制方法的自适应判别器。

2)自适应判别器根据改进非极大值抑制算法进行设计。非极大值抑制算法(NMS)是目标检测中一种常用的去重方法，可以从多个候选位置中确定目标准确位置，避免了重复检测。目前的非极大值抑制算法使用目标的置信度作为评判候选框是否准确的标准，即置信度高的候选框定位准确度更高。但在算法中，Faster RCNN采用目标分类分数作为置信度，而YOLO v3则利用全卷积网络综合了分类分数和定位分数。由于目标分类分数的收敛程度一般高于目标定位分数，YOLO v3的预测结果很难在非极大值抑制过程中取得优势。因此，本实施例引入一种改进的非极大值抑制算法，通过计算目标框各边界的分布来将定位分数引入到置信度中，保证两个算法在模型中的平衡。

3)针对训练好的模型，本实施例将特征提取网络的参数固定，对目标预测层的结构和损失函数进行修改，每个缺陷目标的位置信息由边框位置的均值和方差共同表示：

B＝[b_1x,b_1y,b_2x,b_2y]

V＝[σ_1x,σ_1y,σ_2x,σ_2y]

对于每一个目标的位置分布，可以通过一个高斯函数进行拟合：

其中，x_e表示预测目标位置的均值，σ表示每条边对应的方差。

标注好的图片可以认为其边界位置的方差为0，近似看做一个狄利克雷函数分布：

P_D(x)＝δ(x-x_g)

其中，x_g表示缺陷的实际位置。

修正定位损失函数：

4)Faster RCNN和YOLO v3进行特征提取与回归后，共同得到N个预测目标，改进非极大值抑制方法根据目标之间的交并比、方差和置信度对这些目标的位置进行调整，得到缺陷的准确位置。改进非极大值抑制方法的实现流程如表1所示：

表1改进非极大值抑制算法

其中，p为计算各个邻近框的影响权重：

更新后的边界位置为：

该判别器将调整后的模型进行组合，在巡检图像数据集上联合训练，自主适应数据集所需阈值，对两个网络的特征提取结果进行自适应融合，从而避免了人工设置的超参数所带来的偏差。

5)本模型首先单独训练Faster RCNN模型和YOLO v3模型。分别使用在ImageNet数据集上预训练好的参数对模型进行初始化，由于公开数据集中没有输电线路巡检图片，本实施例将两个模型继续在输电线路巡检图像数据集上进行训练，直至模型的损失函数值不再下降，得到初步的输电线路缺陷识别模型。

6)随后，本实施例对两个模型中的目标预测层进行改进，将原来固定的边界位置改进为按照正态分布的随机坐标，直接预测边界位置的均值和方差。两个网络进行缺陷识别得到缺陷的位置和类别信息后输入到自适应判别器中，根据检测结果中边框的方差为每个目标赋予一定权值，从而将两个网络的检测结果进行融合，自适应调整缺陷目标的位置。最终判别器根据融合结果，将其中对于相同目标的多个预测结果进行抑制，得到图片中设备缺陷的类型和位置信息。

六、利用训练好的低漏报率缺陷检测模型对输电线路巡检图像进行识别，获取电力设备的状态信息，判断设备是否存在缺陷；

七、构建端到端输电线路巡检图像智能化缺陷识别***，对巡检图像进行批量化端到端处理；

本实施例提供了一种端到端的输电线路缺陷识别方法，首先在服务器平台建立输电线路巡检图像缺陷识别***，输电线路巡检拍摄得到巡检图片后，上传到服务器平台，通过文件***读取待识别巡检图像名称，缺陷识别算法根据图像列表读取巡检图片，即可对巡检图片批量处理输出分析结果。对于存在缺陷的图片，算法输出图片名称、图片中每个缺陷的类型、在图片中所处的位置等信息，可以作为检修参考意见或者后续进一步处理的数据。

本实施例中的步骤一根据无人机航拍资料可进行杆塔缺陷、绝缘子缺陷、导地线缺陷、大尺寸金具缺陷四种类型的输电线路典型缺陷，本实施例从某省电网公司获取巡检航拍图像共计5000张图像；

本实施例中的步骤二对巡检航拍图像进行标记，将缺陷位置和缺陷类型标识出来，作为标签供深度学习模型进行训练和学习。

本实施例中的步骤三搭建基于Faster RCNN网络的输电线路缺陷识别模型并进行训练，作为整体模型的部分特征提取网络。

本实施例中的步骤四搭建基于YOLO v3网络的输电线路缺陷识别模型并进行训练，作为整体模型的部分特征提取网络。

本实施例中的步骤五对Faster RCNN和YOLO v3网络加以改进，并通过构建自适应判别器，将两个进行组合，得到组合式目标检测网络，在步骤三和步骤四训练所得参数的基础上，继续进行联合训练，完成输电线路低漏报率缺陷识别模型的构建与训练。

本实施例中的步骤六是本发明在输电线路巡检图像中的实际应用，训练好的模型在巡检图像上的测试结果如图5所示。

为了分析本实施例的有效性，本实施例在1000张测试样本集上进行了批量测试，结果如表2所示。

表2测试结果对比

从表2可知，本实施例提出的组合缺陷检测模型在巡检图像数据集上取得了很好的效果，组合缺陷检测模型的平均漏检率为0.207，相比Faster RCNN网络下降了33.9％，相比YOLO v3网络下降了46.1％。从测试结果可以看出，本发明所提方法能够有效的降低输电线路巡检图像识别中的漏检率，符合输电线路巡检工作的需求。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

虽然以上结合附图描述了本发明的具体实施方式，但是本领域普通技术人员应当理解，这些仅是举例说明，可以对这些实施方式做出多种变形或修改，而不背离本发明的原理和实质。本发明的范围仅由所附权利要求书限定。

Claims (5)

1.一种输电设备低漏报率缺陷识别方法，其特征是，包括以下步骤：

步骤1、通过无人机或直升机采集输电线路巡检图像；

步骤2、对输电线路巡检图像进行标记，建立数据集；

步骤3、基于Faster RCNN网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

步骤4、基于YOLO v3网络建立输电线路缺陷识别模型，并在输电线路巡检图像数据集上训练；

步骤5、将训练好的Faster RCNN模型和YOLO v3模型优化后通过自适应判别器组合，并进行联合训练；

步骤6、利用步骤5联合训练好的低漏报率缺陷检测模型对输电线路巡检图像进行识别，获取电力设备的状态信息，判断电力设备是否存在缺陷；

步骤7、构建端到端输电线路巡检图像智能化缺陷识别***，对巡检图像进行批量化端到端处理。

2.如权利要求1所述的输电设备低漏报率缺陷识别方法，其特征是，步骤2的实现包括以下步骤：

步骤2.1、对所采集输电线路巡检图片中缺陷左上顶点位置和宽高进行标记，并对其缺陷类型进行分类，随后依次按照图片名称、缺陷类型、缺陷左上顶点的横坐标、缺陷左上顶点的纵坐标、缺陷的宽、缺陷的高的格式将标记信息写入文本文件，文本文件名称与图片名称保持一致；

步骤2.2、随机选择80％的图片组成训练样本库，供模型学习和挖掘输电线路典型缺陷的特征；剩下的20％图片构成验证集，用于模型训练过程中评估模型的准确性；当获取的样本数据较少时，不设置验证集；验证集不参与模型的训练。

3.如权利要求1所述的输电设备低漏报率缺陷识别方法，其特征是，步骤3的实现包括以下步骤：

步骤3.1、Faster R-CNN包括区域生成网络RPN和区域检测网络，两个网络通过共享卷积层形成一个二阶段的端到端检测网络；

步骤3.1.1、将图片的尺寸调整到合适的尺寸，然后通过深度卷积层对输入的样本图片进行特征提取，得到一个深层且具有丰富语义信息的特征金字塔图；

步骤3.1.2、然后将特征金字塔图输入区域生成网络RPN中进行区域提取，利用anchors机制和NMS算法得到包含目标的候选区域；

步骤3.1.3、再将候选区域输入到区域检测网络中，利用RoI池化层将不同尺寸的RoI下采样到固定尺寸，经过全连接层进行目标类别的判定和位置边界框的确定；

步骤3.2、区域生成网络RPN通过在卷积层提取的特征图上以每一个像素点为中心以不同的尺度和长宽比形成K个预测框，将K个预测框输入网络进行目标与背景评分和边界框的界定，并基于评分使用非极大值抑制算法进行预测框的冗余性处理，将处理后的候选区域输入区域检测网络进行进一步的类别评分和边界框微调回归，然后与实际目标区域对比计算网络的损失函数，并通过反向传播算法对网络中的参数进行梯度更新，直到网络收敛；

步骤3.3、在Faster RCNN模型中引入特征金字塔网络FPN，特征金字塔网络FPN网络在特征提取时将原来的单个网络上的每一级的特征图和后一级缩放两倍的特征图做相加的操作。

4.如权利要求1所述的输电设备低漏报率缺陷识别方法，其特征是，步骤4的实现包括以下步骤：

步骤4.1、对于任意一张无人机或直升机所采集输电线路巡检图片，首先将尺寸调整到608*608，并将图片划分为19*19个区域；通过DarkNet-53卷积神经网络提取图片特征，得到输电线路巡检图片的深层特征图；随后将深层特征图传输到目标预测网络，通过上采样和跨层连接将不同层的特征信息进行融合，从而得到19*19、38*38、76*76尺度的预测结果；若电力设备缺陷的中心落在某区域，则该区域负责预测缺陷；在目标预测网络中，根据缺陷大小自动选择不同尺度的预测结果，并通过回归调整候选锚框的中心位置及大小识别该缺陷，模型预测的输出结果为19*19*9、38*38*9、76*76*9的三个矩阵，分别对应不同尺度内每个区域的目标置信度、目标位置和目标类型；

步骤4.2、模型采用极大值抑制方法对每一个尺度的预测结果进行处理，将预测相同目标的重复选框进行消除，最终得到巡检图片中实际包含的电力设备缺陷对应类型及位置。

5.如权利要求1所述的输电设备低漏报率缺陷识别方法，其特征是，步骤7的实现包括以下步骤：

步骤7.1、将直升机或无人机拍摄输电设备图片传输到服务器，***文件列表读取文件夹下所有巡检图片名称，形成待检测巡检图片列表；

步骤7.2、缺陷识别***调用低漏报率缺陷识别模型，将巡检图片列表作为输入，对文件夹中的巡检图片进行批量处理；

步骤7.3、***将巡检图片缺陷识别结果保存到日志文件，将巡检图片中包含的缺陷进行标记并将检测后包含缺陷的巡检图片保存到结果文件夹。

Images