CN114708267B - 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 - Google Patents
一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 Download PDFInfo
- Publication number
- CN114708267B CN114708267B CN202210635427.3A CN202210635427A CN114708267B CN 114708267 B CN114708267 B CN 114708267B CN 202210635427 A CN202210635427 A CN 202210635427A CN 114708267 B CN114708267 B CN 114708267B
- Authority
- CN
- China
- Prior art keywords
- convolution
- layer
- image
- pooling
- stay wire
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 172
- 230000007797 corrosion Effects 0.000 title claims abstract description 44
- 238000005260 corrosion Methods 0.000 title claims abstract description 44
- 230000005540 biological transmission Effects 0.000 title claims abstract description 31
- 238000001514 detection method Methods 0.000 title claims description 56
- 238000003672 processing method Methods 0.000 title claims description 11
- 238000000034 method Methods 0.000 claims abstract description 42
- 239000013598 vector Substances 0.000 claims abstract description 34
- 238000012216 screening Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000011176 pooling Methods 0.000 claims description 178
- 230000003044 adaptive effect Effects 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 50
- 238000000605 extraction Methods 0.000 claims description 27
- 230000002950 deficient Effects 0.000 claims description 11
- 239000002131 composite material Substances 0.000 claims description 8
- 230000011218 segmentation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 25
- 238000012423 maintenance Methods 0.000 description 9
- 239000000463 material Substances 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004438 eyesight Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000004297 night vision Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30232—Surveillance
-
- 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)
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Electric Cable Installation (AREA)
Abstract
本发明实施例提供了一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,通过无人机采集输电线路上的杆塔拉线图像,通过全卷积神经网络对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块;基于目标图像块提取出杆塔拉线的特征向量;将满足预设条件的特征向量筛选出来构成目标筛选特征集合;提取出每根杆塔拉线的特征向量的典型缺陷特征值;对每根杆塔拉线上的典型缺陷特征值与目标筛选特征集合进行相似度计算得到缺陷相似度,基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷,提升了检测杆塔拉线的腐蚀缺陷精度。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法。
背景技术
目前,随着输电线路直升机巡检技术的应用和智能电网建设的逐步推进,电力线缺陷的自动检测越来越受到广泛的关注。杆塔拉线是杆塔主体的主要材料,受风力、覆冰、温度等环境因素的影响,易产生局部疲劳损伤,甚至引起局部断股,拉线锈蚀张力不够等。因此,上述杆塔拉线的缺陷的自动检测的研究已具有十分重要的现实意义。
杆塔拉线腐蚀现象在远距离输电线***中时有发生且危害巨大,关于杆塔拉线腐蚀识别的方法很多,基于图像识别的方式大体都会分成两部分进行,首先要进行杆塔拉线的提取,杆塔拉线提取的成功与否直接关系到后面的对于杆塔拉线缺陷识别。
杆塔拉线的识别方法有传统的基于霍夫变换进行特征提取、提取杆塔拉线的方向梯度直方图(Histogram of Oriented Gradient, HOG)特征等,但是这些方法由于提取的特征单一,其提取精度并不高。近年来,随着人工智能技术的迅速发展,神经网络技术广泛应用于对物件的识别,有人提出通过卷积神经网络识别出杆塔拉线,主要是利用输入层+若干交错的卷积层和池化层+全连接层的结构神经网络结构,其结构模式单一,通过设置大量的杆塔拉线训练集训练卷积神经网络,其计算量巨大,且一旦杆塔拉线的形状发生变化,训练好的神经网络模型将不能准确对杆塔拉线进行检测,单一模式的神经网络模型的迁移性差。
发明内容
本发明的目的在于提供了一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,用以解决现有技术中存在的上述问题。
本发明实施例提供了一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,所述方法包括:
通过无人机采集输电线路上的杆塔拉线图像;
通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块;
通过预先训练好的特征提取网络基于目标图像块提取出杆塔拉线的特征向量;
将满足预设条件的特征向量筛选出来构成目标筛选特征集合;
通过两遍扫描法提取出杆塔拉线图像中每根杆塔拉线的典型缺陷特征;
获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度;
基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷。
可选的,所述自适应杆塔拉线缺陷检测模型包括输入层、自适应结构层和输出层;
输入层包括一个卷积节点和一个池化节点;
自适应结构层至少包括一层的卷积池化层,每层卷积池化层包括一个卷积节点和一个池化节点;
输出层包括一个卷积层、复合层和卷积神经网络;卷积层包括两个卷积节点。
可选的,若自适应结构层包括一层的卷积池化层,那么所述通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块,包括:
获得杆塔拉线图像的第一hog特征;
通过输入层的卷积节点对输入自适应杆塔拉线缺陷检测模型的杆塔拉线图像进行卷积操作,得到第一卷积图像;获得第一卷积图像的第一卷积hog特征;
通过输入层的池化节点对输入自适应杆塔拉线缺陷检测模型的杆塔拉线图像进行池化操作,得到第一池化图像;获得第一池化图像的第一池化hog特征;
获得第一差值和第二差值;第一差值等于第一hog特征与第一卷积hog特征之差;第二差值等于第一hog特征与第一池化hog特征之差;
若第一差值小于或者等于第二差值,自适应结构层的输入为第一卷积图像;
层卷积池化层的卷积节点对第一卷积图像进行卷积操作,得到第二卷积图像;获得第二卷积图像的第二卷积hog特征;
层卷积池化层的池化节点对第一卷积图像进行池化操作,得到第二池化图像;获得第二池化图像的第二池化hog特征;
获得第三差值和第四差值;第三差值等于第二卷积hog特征与第一卷积hog特征之差;第四差值等于第二池化hog特征与第一池化hog特征之差;
若第一差值大于第二差值,自适应结构层的输入为第一池化图像;
层卷积池化层的卷积节点对第一池化图像进行卷积操作,得到第二卷积图像;获得第二卷积图像的第二卷积hog特征;
层卷积池化层的池化节点对第一池化图像进行池化操作,得到第二池化图像;获得第二池化图像的第二池化hog特征;
获得第三差值和第四差值;第三差值等于第二卷积hog特征与第一卷积hog特征之差;第四差值等于第二池化hog特征与第一池化hog特征之差;
卷积层的两个卷积节点的输入分别是自适应结构层的最后一层卷积池化层输出的卷积图像和池化图像,卷积层的两个卷积节点分别对最后一层卷积池化层输出的卷积图像和池化图像进行卷积操作;
复合层对经过卷积操作后的最后一层卷积池化层输出的卷积图像和池化图像进行融合,得到融合图像;
卷积神经网络对融合图像进行分割分类输出,将含有缺陷杆塔拉线的图像块作为目标图像块,全卷积神经网络是预先训练好的。
可选的,若自适应结构层包括多层的卷积池化层,那么所述通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块,还包括:
若第三差值小于或者等于第四差值,下一层卷积池化层的输入为第二卷积图像;
若第三差值大于第四差值,下一层卷积池化层的输入为第二池化图像。
可选的,所述特征提取网络包括卷积池化结构和全卷积结构,卷积池化结构包括三层卷积层和两层池化层。
可选的,所述特征提取网络的训练方法包括:
获得训练集,所述训练集包括多张训练目标图像块;初始化的三层卷积层、两层池化层的核的取值为随机数;
随机选取一张训练目标图像块训练卷积池化结构,具体包括:将所述训练目标图像块输入第一层卷积层,通过第一层卷积层对训练目标图像块进行卷积操作,得到第一卷积图像块;通过第二层卷积层对第一卷积图像块进行卷积操作,得到第二卷积图像块;通过第三层卷积层对第二卷积图像块进行卷积操作,得到第三卷积图像块;通过第一层池化层对第三卷积图像块进行池化操作,得到第一池化图像块;通过第二池化层对第一池化图像块进行池化操作,获得第二池化图像块;其中,第二卷积图像块与第一池化图像块之间的关系满足公式:Fj=2(P+1)-Pp,其中,Fj表示第三层卷积层对第二卷积图像块进行卷积操作的卷积核的尺寸,Pp表示第一池化第一层池化层对第三卷积图像块进行池化操作的核的尺寸;P表示填充方式的取值,是预先设定的常数;获得第二卷积图像块的像素值与第一池化图像块的像素值之间第一方差;获得第一卷积图像块的像素值与第二池化图像块的像素值之间的第二方差;以第一方差与第二方差之间的加权之和作为第一损失函数;基于第一损失函数调整三层卷积层、两层池化层的核的取值;当第一损失函数收敛,确定卷积池化结构训练结束;
将训练集中的所有训练目标图像块输入训练好的卷积池化结构,获得多张第二卷积图像;
通过多张第二卷积图像训练全卷积结构,具体为:以第三层卷积层输出的第二卷积图像块作为全卷积结构的输入,基于第二卷积图像块对全卷积结构进行训练,全卷积结构的损失函数等于交叉熵函数与第一损失函数的乘积,当全卷积结构的损失函数收敛,确定特征提取网络训练结束。
可选的,所述基于第一损失函数调整三层卷积层、两层池化层的核的取值,包括:
针对三层卷积层的核中的每个点的取值,在原来的取值的基础上加上所述损失函数的值;
针对两层池化层的核中每个点的取值,在原来的取值的基础上减去所述损失函数的值。
可选的,所述将满足预设条件的特征向量筛选出来构成目标筛选特征集合,包括:
获得所述特征向量与标准缺陷形状特征之间的特征差值,若所述特征差值小于阈值,则表示所述形状特征符合标准缺陷形状特征,将所述特征向量设置搭配目标筛选特征集合中;
其中,所述标准缺陷形状特征是基于典型缺陷的杆塔拉线的图像提取出来的特征,典型缺陷包括腐蚀和断股。
可选的,所述获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度,包括:
计算所述典型缺陷特征与特征向量之间的夹角余弦值,以所述夹角余弦值作为缺陷相似度。
可选的,所述基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷,包括:
若所述缺陷相似度大于或者等于设定值,确定当前的杆塔拉线存在断股或是腐蚀缺陷;
若所述缺陷相似度大小于设定值,确定当前的杆塔拉线正常。
相较于现有技术,本发明实施例达到了以下有益效果:
本发明实施例还提供了一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,所述方法包括:通过无人机采集输电线路上的杆塔拉线图像;通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块;通过预先训练好的特征提取网络基于目标图像块提取出杆塔拉线的特征向量;将满足预设条件的特征向量筛选出来构成目标筛选特征集合;通过两遍扫描法提取出杆塔拉线图像中每根杆塔拉线的典型缺陷特征;获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度;基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷。
通过采用以上方案,自适应杆塔拉线缺陷检测模型,一方面不需要大量的训练数据,就可以准确识别出含有缺陷杆塔拉线的图像区域识别出来,提高了杆塔拉线缺陷识别的效率。另一方面。因为不需要大量的训练,该自适应杆塔拉线缺陷检测模型对应其他缺陷或者其他的物件的缺陷检测的适用性强,即该自适应杆塔拉线缺陷检测模型具有极强的可迁移性。就算杆塔拉线的形状、缺陷的形状发生变化,也能过能准确对杆塔拉线进行检测和识别。
为了进一步判断缺陷的类型,典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度,基于缺陷相似度判断当前的杆塔拉线是否存在断股或腐蚀缺陷,为维护人员对杆塔拉线进行维修体现提供了有效的参考和资讯,便于维护人员携带合适的维修工具和材料前往现场维修,节省了大量的人力物力。
附图说明
图1是本发明实施例提供的一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法流程图。
图2是本发明实施例提供的一种自适应杆塔拉线缺陷检测模型结构示意图。
图3是本发明实施例提供的另一种自适应杆塔拉线缺陷检测模型结构示意图。
图4是本发明实施例提供的一种特征提取网络结构示意图。
图5是本发明实施例提供的一种电子设备的方框结构示意图。
图中标记:总线500;接收器501;处理器502;发送器503;存储器504;总线接口505。
具体实施方式
下面结合附图,对本发明作详细的说明。
实施例1
本发明实施例提供了一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,用于通过计算机视觉方式对拉线腐蚀缺陷进行检测视频图像或是照片图像处理,进行拉线锈蚀缺陷识别,所述输电线路上杆塔拉线腐蚀缺陷图像检测处理方法包括如图1所示的以下步骤:
S101:通过无人机采集输电线路上的杆塔拉线图像。其中,无人机中设置有摄像装置,例如设置有摄像头,可以是彩色摄像头或者黑白夜视摄像头。
S102:通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块。
S103:通过预先训练好的特征提取网络基于目标图像块提取出杆塔拉线的特征向量。
S104:将满足预设条件的特征向量筛选出来构成目标筛选特征集合。
S105:通过两遍扫描法提取出杆塔拉线图像中每根杆塔拉线的典型缺陷特征。
S106:获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度。
S107:基于缺陷相似度判断当前的杆塔拉线是否存在断股或腐蚀缺陷。
通过采用以上方案,自适应杆塔拉线缺陷检测模型,一方面不需要大量的训练数据,就可以准确识别出含有缺陷杆塔拉线的图像区域识别出来,提高了杆塔拉线缺陷识别的效率。另一方面。因为不需要大量的训练,该自适应杆塔拉线缺陷检测模型对应其他缺陷或者其他的物件的缺陷检测的适用性强,即该自适应杆塔拉线缺陷检测模型具有极强的可迁移性。就算杆塔拉线的形状、缺陷的形状发生变化,也能过能准确对杆塔拉线进行检测和识别。
为了进一步判断缺陷的类型,典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度,基于缺陷相似度判断当前的杆塔拉线是否存在断股或腐蚀缺陷,为维护人员对杆塔拉线进行维修体现提供了有效的参考和资讯,便于维护人员携带合适的维修工具和材料前往现场维修,节省了大量的人力物力。
为了提高杆塔拉线缺陷检测的准确性和提高检测杆塔拉线缺陷的效率,本发明实施例提供了一种自适应杆塔拉线缺陷检测模型,其不需要进行大量训练数据就可以准确检测出含有缺陷的杆塔拉线的图像块,提高了杆塔拉线缺陷检测的准确性和检测的效率。如图2所示,本发明实施例提供的自适应杆塔拉线缺陷检测模型包括输入层、自适应结构层和输出层。其中,输入层包括一个卷积节点和一个池化节点。自适应结构层至少包括一层的卷积池化层,每层卷积池化层包括一个卷积节点和一个池化节点。输出层包括一个卷积层、复合层和卷积神经网络;卷积层包括两个卷积节点。
关于自适应杆塔拉线缺陷检测模型的结构,以具体在实际应用中的例子作为解释:例如,通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块,具体为:
获得杆塔拉线图像的第一hog特征。
输入层包括一个卷积节点和一个池化节点。
通过输入层的卷积节点对输入自适应杆塔拉线缺陷检测模型的杆塔拉线图像进行卷积操作,得到第一卷积图像。然后获得第一卷积图像的第一卷积hog特征。
通过输入层的池化节点对输入自适应杆塔拉线缺陷检测模型的杆塔拉线图像进行池化操作,得到第一池化图像。然后获得第一池化图像的第一池化hog特征。
获得第一差值和第二差值,其中,第一差值等于第一hog特征与第一卷积hog特征之差,第二差值等于第一hog特征与第一池化hog特征之差。
接下来阐述输入层与自适应结构层之间的自适应性的连接关系:
若第一差值小于或者等于第二差值,自适应结构层的输入为第一卷积图像。即自适应结构域输入层的连接关系为如图2中的实线连接所示的结构。若第一差值大于第二差值,自适应结构层的输入为第一池化图像。即自适应结构域输入层的连接关系为如图2中的虚线连接所示的结构。这就体现了输入层与自适应结构层之间的连接关系的自适应性,即体现了自适应结构层处理杆塔拉线图像信息的自适应性。
基于数据流向和处理的角度来阐述输入层与自适应结构之间的自适应性的连接关系,具体为:
若自适应结构层有一层的卷积池化层,其具体的连接结构为:若第一差值小于或者等于第二差值,自适应结构层的输入为第一卷积图像。即层卷积池化层的卷积节点对第一卷积图像进行卷积操作,得到第二卷积图像。获得第二卷积图像的第二卷积hog特征;层卷积池化层的池化节点对第一卷积图像进行池化操作,得到第二池化图像;获得第二池化图像的第二池化hog特征。获得第三差值和第四差值;第三差值等于第二卷积hog特征与第一卷积hog特征之差。若第一差值大于第二差值,自适应结构层的输入为第一池化图像,层卷积池化层的卷积节点对第一池化图像进行卷积操作,得到第二卷积图像;获得第二卷积图像的第二卷积hog特征,层卷积池化层的池化节点对第一池化图像进行池化操作,得到第二池化图像;获得第二池化图像的第二池化hog特征。
若自适应结构层有多层的卷积池化层,自适应结构层的第一层卷积池化层自适应连接输入层,具体为:
第一层卷积池化层的卷积节点对第一卷积图像进行卷积操作,得到第二卷积图像,获得第二卷积图像的第二卷积hog特征。第一层层卷积池化层的池化节点对第一卷积图像进行池化操作,得到第二池化图像,获得第二池化图像的第二池化hog特征。针对于第一差值小于或者等于第二差值的情况,输入层与自适应结构层之间的连接关系已经阐述清楚。在本发明实施例中,不仅输入层与自适应结构层之间的连接关系是自适应的,当自适应结构层内部包括多层卷积池化层时,自适应结构层内部的每层卷积池化层之间的连接关系也是自适应的。
回到输入层与自适应结构层之间的连接关系的阐述。若第一差值大于第二差值,自适应结构层的输入为第一池化图像。即自适应结构域输入层的连接关系为如图2中的虚线连接所示的结构。具体的,层卷积池化层的卷积节点对第一池化图像进行卷积操作,得到第二卷积图像,获得第二卷积图像的第二卷积hog特征。层卷积池化层的池化节点对第一池化图像进行池化操作,得到第二池化图像,获得第二池化图像的第二池化hog特征。
即自适应结构层至少包括一层的卷积池化层,每层卷积池化层包括一个卷积节点和一个池化节点,若自适应结构层仅有一层的卷积池化层,自适应结构层的卷积池化层自适应连接输入层。若自适应结构层有多层的卷积池化层,自适应结构层的第一层卷积池化层自适应连接输入层,然后自适应结构层的多层的卷积池化层之间的连接关系也是自适应的。
以上,已经阐述清楚了当自适应结构层仅有一层卷积池化层的时, 在第一差值大于第二差值,以及第一差值小于或者等于第二差值,的两种情况下,输入层与自适应结构层之间的自适应连接关系。
那么接下来阐述参照图3,当自适应结构层内部有多个卷积池化层时,自适应结构层内部的卷积池化层之间的自适应连接关系。
自适应结构层内部的卷积池化层之间的自适应连接关系,可以参照上述的自适应连接方式,对应的确定下一层卷积池化层之间的连接关系,具体的:获得第三差值和第四差值,其中,第三差值等于第二卷积hog特征与第一卷积hog特征之差,第四差值等于第二池化hog特征与第一池化hog特征之差。若第三差值小于或者等于第四差值,下一层卷积池化层(第二层卷积池化层)的输入为第二卷积图像,如图3中的实线所示。若第三差值大于第四差值,下一层卷积池化层的输入为第二池化图像,如图3中的虚线所示。依次类推,直到最后一层卷积池化层处理完前一层卷积池化层的输出,最后一层卷积池化层的输出同样有两个,一个是最后一层卷积池化层的卷积节点的输出,另一个是最后一层卷积池化层的池化节点的输出,其二者输出的都是图像。在本发明实施例中,自适应结构层包含卷积池化层的层数可以是2,3,4,5。
输出层包括一个卷积层、复合层和全卷积神经网络。
卷积层包括两个卷积节点,卷积层的两个卷积节点的输入分别是自适应结构层的最后一层卷积池化层输出的卷积图像和池化图像,卷积层的两个卷积节点分别对最后一层卷积池化层输出的卷积图像和池化图像进行卷积操作。即:自适应结构层的最后一层卷积池化层的卷积节点输出的图像称为最后一层卷积图像,自适应结构层的最后一层卷积池化层的池化节点输出的图像称为最后一层池化图像,卷积层的两个卷积节点分别对最后一层卷积图像和最后一层池化图像进行卷积操作,分别对应得到待融合卷积图像和待融合池化图像。
接下来,复合层对经过卷积操作后的最后一层卷积池化层输出的卷积图像和池化图像进行融合,得到融合图像。具体的复合层通过对待融合卷积图像和待融合池化图像的对应像素点进行像素值叠加,得到融合图像。这样,融合图像包含了原始的杆塔拉线图像中的局部特征和全局特征,提高了基于融合图像进行缺陷检测的准确性。
最后,卷积神经网络对融合图像进行分割分类输出,将含有缺陷杆塔拉线的图像块作为目标图像块。在本发明实施例中,卷积神经网络是预先训练好的,卷积神经网络可以采用全卷积网络(Fully Convolutional Networks,FCN)。
基于上述的自适应杆塔拉线缺陷检测模型,可以根据数据的损失情况自适应地选择自适应杆塔拉线缺陷检测模型内部节点的输入,使得最后用于识别缺陷的图像具有足够多的杆塔拉线的局部特征和全局特征,从而提高缺陷识别的准确性。另外,自适应杆塔拉线缺陷检测模型对数据的处理具有自适应性,提高了自适应杆塔拉线缺陷检测模型的迁移性,使得自适应杆塔拉线缺陷检测模型可以针对不同的数据进行处理,当场景有变化时,自适应杆塔拉线缺陷检测模型的缺陷识准确性依然高。
在识别出杆塔拉线有缺陷后,还要识别出缺陷的具体类型。具体通过如下:
先通过特征提取网络提取出缺陷的特征。其中,所述特征提取网络包括卷积池化结构和全卷积结构,卷积池化结构包括三层卷积层和两层池化层。可以参阅图4。以下结合图4对特征提取网络的结构进行阐述。
在本发明实施例中,特征提取网络是现场对特征提取网络进行训练,具体的所述特征提取网络的训练方法包括:
获得训练集,所述训练集包括多张训练目标图像块;初始化的三层卷积层、两层池化层的核的取值为随机数。
随机选取一张训练目标图像块训练卷积池化结构,具体包括:将所述训练目标图像块输入第一层卷积层,通过第一层卷积层对训练目标图像块进行卷积操作,得到第一卷积图像块。通过第二层卷积层对第一卷积图像块进行卷积操作,得到第二卷积图像块。通过第三层卷积层对第二卷积图像块进行卷积操作,得到第三卷积图像块。通过第一层池化层对第三卷积图像块进行池化操作,得到第一池化图像块。通过第二池化层对第一池化图像块进行池化操作,获得第二池化图像块。其中,第二卷积图像块与第一池化图像块之间的关系满足公式:Fj=2(P+1)-Pp,其中,Fj表示第三层卷积层对第二卷积图像块进行卷积操作的卷积核的尺寸,Pp表示第一池化第一层池化层对第三卷积图像块进行池化操作的核的尺寸;P表示填充方式的取值,是预先设定的常数。在本发明实施例中,卷积和池化操作的步长都是1个像素点,P的取值可以是0或1,其表示卷积或池化操作后是否对图像进行扩充,以及扩充的方式,再次不再详细阐述。通过上述公式,可以满足第二卷积图像块与第一池化图像块之间的尺寸相同。
在本发明实施例中,为了保持卷积-池化后的图像的尺度不变性,进而获得准确性高的第一损失函数,本发明实施例确定第一卷积图像块、第二卷积图像块、第三卷积图像块、第一池化图像块和第二池化图像块之间的尺寸相同。
获得第二卷积图像块的像素值与第一池化图像块的像素值之间第一方差,获得第一卷积图像块的像素值与第二池化图像块的像素值之间的第二方差,以第一方差与第二方差之间的加权之和作为第一损失函数。具体的如下公式所示:Loss1=a*D1+(1-a)*D2,Loss1表示第一损失函数,D1表示第一方差,D2表示第二方差,a表示加权的权值,a的取值是0-1之间的任意数。一般的,a=0.6。
基于第一损失函数调整三层卷积层、两层池化层的核的取值。对三层卷积层、两层池化层的核的值进行调整以后,三层卷积层、两层池化层重新按照上述流程对训练目标图像块进行卷积以及池化操作,直到获得的第一损失函数收敛。当第一损失函数收敛,确定卷积池化结构训练结束。
在本发明实施例中,所述基于第一损失函数调整三层卷积层、两层池化层的核的取值,包括:
针对三层卷积层的核中的每个点的取值,在原来的取值的基础上加上所述损失函数的值;针对两层池化层的核中每个点的取值,在原来的取值的基础上减去所述损失函数的值。
这样,可以对全局特征进行减弱,对局部特征进行加强,是的最后输出的第二卷积图像含有丰富、明显的缺陷特性,基于这样的第二卷积图像提取的特征能够准确表达缺陷的特性,进而为进而提高缺陷的识别的准确性奠定了基础。
通过采用以上方案,仅仅用一张训练目标图像块就可以训练好特征提取网络的三层卷积层,其训练数据量少,提高了特征提取网络的特征提取速度。
在特征提取网络的三层卷积层训练好以后,将训练集中的所有训练目标图像块输入上述过程训练好的卷积池化结构,对应的获得多张第二卷积图像。
通过多张第二卷积图像训练全卷积结构,具体为:以第三层卷积层输出的第二卷积图像块作为全卷积结构的输入,基于第二卷积图像块对全卷积结构进行训练,全卷积结构的损失函数等于交叉熵函数与第一损失函数的乘积,即Loss2=Loss1*L,Loss2表示全卷积结构的损失函数,L表示交叉熵函数。
当全卷积结构的损失函数收敛,确定特征提取网络训练结束。在本发明实施例中,全卷积结构可以是全卷积神经网络。
通过采用以上方案,可以较少训练过程的计算量,提高特征提取网络的特征提取准确性。
通过预先训练好的特征提取网络基于目标图像块提取出杆塔拉线的特征向量,具体为:将目标图像块输入卷积池化结构包括三层卷积层,然后将最后一层卷积层的输出输入全卷积结构,由全卷积结构提取出杆塔拉线的特征向量。
所述将满足预设条件的特征向量筛选出来构成目标筛选特征集合,包括:
获得所述特征向量与标准缺陷形状特征之间的特征差值,若所述特征差值小于阈值,则表示所述形状特征符合标准缺陷形状特征,将所述特征向量设置搭配目标筛选特征集合中。
其中,所述标准缺陷形状特征是基于典型缺陷的杆塔拉线的图像提取出来的特征,典型缺陷包括腐蚀和断股。
所述获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度,可以是:计算所述典型缺陷特征与特征向量之间的夹角余弦值,以夹角余弦值作为缺陷相似度。
所述基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷,具体为:若所述缺陷相似度大于或者等于设定值,确定当前的杆塔拉线存在断股或是腐蚀缺陷,若所述缺陷相似度大小于设定值,确定当前的杆塔拉线正常。
通过采用以上方案,能够准确地识别出杆塔拉线,并准确识别出有缺陷的杆塔拉线,还识别出杆塔拉线中的缺陷的类型,维护人员对杆塔拉线进行维修体现提供了有效的参考和资讯,便于维护人员携带合适的维修工具和材料前往现场维修,节省了大量的人力物力。
实施例2
基于上述的一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,本发明实施例还提供了一种输电线路上杆塔拉线腐蚀缺陷图像检测处理***,用于执行上述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,所述***包括图像获取模块、缺陷识别模块和缺陷分类模块。其中,图像获取模块用于,通过无人机采集输电线路上的杆塔拉线图像。缺陷识别模块用于,通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块。缺陷分类模块用于,通过预先训练好的特征提取网络基于目标图像块提取出杆塔拉线的特征向量;将满足预设条件的特征向量筛选出来构成目标筛选特征集合;通过两遍扫描法提取出杆塔拉线图像中每根杆塔拉线的典型缺陷特征;获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度;基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷。
在此关于上述实施例中的***,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
本发明实施例还提供了一种电子设备,如图5所示,包括存储器504、处理器502及存储在存储器504上并可在处理器502上运行的计算机程序,所述处理器502执行所述程序时实现前文所述一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法的任一方法的步骤。
其中,在图5中,总线架构(用总线500来代表),总线500可以包括任意数量的互联的总线和桥,总线500将包括由处理器502代表的一个或多个处理器和存储器504代表的存储器的各种电路链接在一起。总线500还可以将诸如***设备、稳压器和功率管理电路等之类的各种其他电路链接在一起,这些都是本领域所公知的,因此,本文不再对其进进一步描述。总线接口505在总线500和接收器501和发送器503之间提供接口。接收器501和发送器503可以是同一个元件,即收发机,提供用于在传输介质上与各种其他装置通信的单元。处理器502负责管理总线500和通常的处理,而存储器504可以被用于存储处理器502在执行操作时所使用的数据。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现前文所述一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法的任一方法的步骤以及上述的所涉及的数据。
在此提供的算法和显示不与任何特定计算机、虚拟***或者其它设备固有相关。各种通用***也可以与基于在此的示教一起使用。根据上面的描述,构造这类***所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的装置中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (7)
1.一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,包括:
通过无人机采集输电线路上的杆塔拉线图像;
通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块;
通过预先训练好的特征提取网络基于目标图像块提取出杆塔拉线的特征向量;
将满足预设条件的特征向量筛选出来构成目标筛选特征集合;
通过两遍扫描法提取出杆塔拉线图像中每根杆塔拉线的典型缺陷特征;
获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度;
基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷;
所述自适应杆塔拉线缺陷检测模型包括输入层、自适应结构层和输出层;
输入层包括一个卷积节点和一个池化节点;
自适应结构层至少包括一层的卷积池化层,每层卷积池化层包括一个卷积节点和一个池化节点;
输出层包括一个卷积层、复合层和卷积神经网络;卷积层包括两个卷积节点;
若自适应结构层包括一层的卷积池化层,那么所述通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块,包括:
获得杆塔拉线图像的第一hog特征;
通过输入层的卷积节点对输入自适应杆塔拉线缺陷检测模型的杆塔拉线图像进行卷积操作,得到第一卷积图像;获得第一卷积图像的第一卷积hog特征;
通过输入层的池化节点对输入自适应杆塔拉线缺陷检测模型的杆塔拉线图像进行池化操作,得到第一池化图像;获得第一池化图像的第一池化hog特征;
获得第一差值和第二差值;第一差值等于第一hog特征与第一卷积hog特征之差;第二差值等于第一hog特征与第一池化hog特征之差;
若第一差值小于或者等于第二差值,自适应结构层的输入为第一卷积图像;
层卷积池化层的卷积节点对第一卷积图像进行卷积操作,得到第二卷积图像;获得第二卷积图像的第二卷积hog特征;
层卷积池化层的池化节点对第一卷积图像进行池化操作,得到第二池化图像;获得第二池化图像的第二池化hog特征;
获得第三差值和第四差值;第三差值等于第二卷积hog特征与第一卷积hog特征之差;第四差值等于第二池化hog特征与第一池化hog特征之差;
若第一差值大于第二差值,自适应结构层的输入为第一池化图像;
层卷积池化层的卷积节点对第一池化图像进行卷积操作,得到第二卷积图像;获得第二卷积图像的第二卷积hog特征;
层卷积池化层的池化节点对第一池化图像进行池化操作,得到第二池化图像;获得第二池化图像的第二池化hog特征;
获得第三差值和第四差值;第三差值等于第二卷积hog特征与第一卷积hog特征之差;第四差值等于第二池化hog特征与第一池化hog特征之差;
卷积层的两个卷积节点的输入分别是自适应结构层的最后一层卷积池化层输出的卷积图像和池化图像,卷积层的两个卷积节点分别对最后一层卷积池化层输出的卷积图像和池化图像进行卷积操作;
复合层对经过卷积操作后的最后一层卷积池化层输出的卷积图像和池化图像进行融合,得到融合图像;
卷积神经网络对融合图像进行分割分类输出,将含有缺陷杆塔拉线的图像块作为目标图像块,全卷积神经网络是预先训练好的。
2.根据权利要求1所述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,若自适应结构层包括多层的卷积池化层,那么所述通过自适应杆塔拉线缺陷检测模型对杆塔拉线图像进行分割,得到多个图像块,将含有缺陷杆塔拉线的图像块作为目标图像块,还包括:
若第三差值小于或者等于第四差值,下一层卷积池化层的输入为第二卷积图像;
若第三差值大于第四差值,下一层卷积池化层的输入为第二池化图像。
3.根据权利要求1所述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,所述特征提取网络包括卷积池化结构和全卷积结构,卷积池化结构包括三层卷积层和两层池化层。
4.根据权利要求3所述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,所述特征提取网络的训练方法包括:
获得训练集,所述训练集包括多张训练目标图像块;初始化的三层卷积层、两层池化层的核的取值为随机数;
随机选取一张训练目标图像块训练卷积池化结构,具体包括:将所述训练目标图像块输入第一层卷积层,通过第一层卷积层对训练目标图像块进行卷积操作,得到第一卷积图像块;通过第二层卷积层对第一卷积图像块进行卷积操作,得到第二卷积图像块;通过第三层卷积层对第二卷积图像块进行卷积操作,得到第三卷积图像块;通过第一层池化层对第三卷积图像块进行池化操作,得到第一池化图像块;通过第二池化层对第一池化图像块进行池化操作,获得第二池化图像块;其中,第二卷积图像块与第一池化图像块之间的关系满足公式:Fj=2(P+1)-Pp,其中,Fj表示第三层卷积层对第二卷积图像块进行卷积操作的卷积核的尺寸,Pp表示第一池化第一层池化层对第三卷积图像块进行池化操作的核的尺寸;P表示填充方式的取值,是预先设定的常数;获得第二卷积图像块的像素值与第一池化图像块的像素值之间第一方差;获得第一卷积图像块的像素值与第二池化图像块的像素值之间的第二方差;以第一方差与第二方差之间的加权之和作为第一损失函数;基于第一损失函数调整三层卷积层、两层池化层的核的取值;当第一损失函数收敛,确定卷积池化结构训练结束;
将训练集中的所有训练目标图像块输入训练好的卷积池化结构,获得多张第二卷积图像;
通过多张第二卷积图像训练全卷积结构,具体为:以第三层卷积层输出的第二卷积图像块作为全卷积结构的输入,基于第二卷积图像块对全卷积结构进行训练,全卷积结构的损失函数等于交叉熵函数与第一损失函数的乘积,当全卷积结构的损失函数收敛,确定特征提取网络训练结束。
5.根据权利要求4所述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,所述基于第一损失函数调整三层卷积层、两层池化层的核的取值,包括:
针对三层卷积层的核中的每个点的取值,在原来的取值的基础上加上所述损失函数的值;
针对两层池化层的核中每个点的取值,在原来的取值的基础上减去所述损失函数的值。
6.根据权利要求1所述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,所述获得典型缺陷特征与目标筛选特征集合中的每个特征向量的之间的缺陷相似度,包括:
计算所述典型缺陷特征与特征向量之间的夹角余弦值,以所述夹角余弦值作为缺陷相似度。
7.根据权利要求1所述的输电线路上杆塔拉线腐蚀缺陷图像检测处理方法,其特征在于,所述基于缺陷相似度判断当前的杆塔拉线是否存在断股或是腐蚀缺陷,包括:
若所述缺陷相似度大于或者等于设定值,确定当前的杆塔拉线存在断股或是腐蚀缺陷;
若所述缺陷相似度小于设定值,确定当前的杆塔拉线正常。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635427.3A CN114708267B (zh) | 2022-06-07 | 2022-06-07 | 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 |
GB2219702.4A GB2619576A (en) | 2022-06-07 | 2022-12-23 | Method for detecting and processing corrosion defect image of tower guy wire on power transmission line |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210635427.3A CN114708267B (zh) | 2022-06-07 | 2022-06-07 | 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114708267A CN114708267A (zh) | 2022-07-05 |
CN114708267B true CN114708267B (zh) | 2022-09-13 |
Family
ID=82178149
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210635427.3A Active CN114708267B (zh) | 2022-06-07 | 2022-06-07 | 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114708267B (zh) |
GB (1) | GB2619576A (zh) |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104483326B (zh) * | 2014-12-19 | 2017-12-22 | 长春工程学院 | 基于深度信念网络的高压线绝缘子缺陷检测方法及*** |
CN105118044B (zh) * | 2015-06-16 | 2017-11-07 | 华南理工大学 | 一种轮形铸造产品缺陷自动检测方法 |
CN108596470A (zh) * | 2018-04-19 | 2018-09-28 | 浙江大学 | 一种基于TensorFlow框架的电力设备缺陷文本处理方法 |
CN109064462A (zh) * | 2018-08-06 | 2018-12-21 | 长沙理工大学 | 一种基于深度学习的钢轨表面缺陷检测方法 |
CN110930347B (zh) * | 2018-09-04 | 2022-12-27 | 京东方科技集团股份有限公司 | 卷积神经网络的训练方法、焊点缺陷的检测方法及装置 |
CN110148117B (zh) * | 2019-04-22 | 2021-07-20 | 南方电网科学研究院有限责任公司 | 基于电力图像的电力设备缺陷识别方法、装置与存储介质 |
CN111311569A (zh) * | 2020-02-12 | 2020-06-19 | 江苏方天电力技术有限公司 | 基于无人机巡检的杆塔缺陷识别方法 |
CN111402203B (zh) * | 2020-02-24 | 2024-03-01 | 杭州电子科技大学 | 一种基于卷积神经网络的织物表面缺陷检测方法 |
CN111784633B (zh) * | 2020-05-26 | 2024-02-06 | 西安理工大学 | 一种面向电力巡检视频的绝缘子缺损自动检测算法 |
CN114596375A (zh) * | 2020-11-19 | 2022-06-07 | 英业达科技有限公司 | 产生重建影像的方法 |
CN112819784A (zh) * | 2021-02-01 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电线路导线断股散股检测方法及*** |
CN112884741B (zh) * | 2021-02-22 | 2023-01-24 | 西安理工大学 | 一种基于图像相似性对比的印刷表观缺陷检测方法 |
CN114049316A (zh) * | 2021-11-03 | 2022-02-15 | 青岛明思为科技有限公司 | 一种基于金属光泽区域的钢丝绳缺陷检测方法 |
CN114581388A (zh) * | 2022-02-24 | 2022-06-03 | 国能包神铁路集团有限责任公司 | 接触网零部件缺陷检测方法及装置 |
-
2022
- 2022-06-07 CN CN202210635427.3A patent/CN114708267B/zh active Active
- 2022-12-23 GB GB2219702.4A patent/GB2619576A/en active Pending
Non-Patent Citations (3)
Title |
---|
Detection and Evaluation Method of Transmission Line Defects Based on Deep Learning;Huagang Liang, et al;《IEEE Access》;20200218;第8卷;第38448-38458页 * |
基于Faster R-CNN的高压电线缺陷检测方法;金昊等;《计算机应用》;20191230;第39卷(第S2期);第97-102页 * |
基于HOG-CSLBP及YOLOv2的行人检测;徐守坤等;《计算机工程与设计》;20191031;第40卷(第10期);第2964-2968页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114708267A (zh) | 2022-07-05 |
GB2619576A (en) | 2023-12-13 |
GB202219702D0 (en) | 2023-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784685B (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN110827251B (zh) | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 | |
CN109977921B (zh) | 一种输电线路隐患检测方法 | |
CN107316064B (zh) | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 | |
CN110533086B (zh) | 图像数据半自动标注方法 | |
CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
CN115294476B (zh) | 面向无人机电力巡检的边缘计算智能检测方法及设备 | |
CN114612443B (zh) | 一种多模态数据复杂缺陷特征检测方法 | |
CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN113962973A (zh) | 一种基于卫星技术的输电线路无人机智能巡检***及方法 | |
CN112101138A (zh) | 基于深度学习的桥梁拉索表面缺陷实时识别***及方法 | |
CN115147383A (zh) | 一种基于轻量化YOLOv5模型的绝缘子状态快速检测方法 | |
CN114187505A (zh) | 输电线路防振锤脱落的检测方法、装置、介质及终端设备 | |
CN116309303A (zh) | 基于红外图像的电气设备缺陷检测方法、装置及相关设备 | |
CN111524121A (zh) | 一种基于机器视觉技术的路桥病害自动检测方法 | |
CN109902730B (zh) | 基于深度学习的输电线路断股检测方法 | |
CN114965328A (zh) | 一种紫外多光谱高压线路故障检测与定位方法及装置 | |
Manninen et al. | Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images | |
Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
CN114119454A (zh) | 用于输电线路烟雾检测的装置及方法 | |
CN114708267B (zh) | 一种输电线路上杆塔拉线腐蚀缺陷图像检测处理方法 | |
CN113393442A (zh) | 列车零部件异常检测方法、***、电子设备及存储介质 | |
CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及*** | |
CN114418968A (zh) | 一种基于深度学习的输电线路小目标缺陷检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |