CN115546664A - 一种基于级联网络的绝缘子自爆检测方法及*** - Google Patents

一种基于级联网络的绝缘子自爆检测方法及*** Download PDF

Info

Publication number
CN115546664A
CN115546664A CN202211207805.4A CN202211207805A CN115546664A CN 115546664 A CN115546664 A CN 115546664A CN 202211207805 A CN202211207805 A CN 202211207805A CN 115546664 A CN115546664 A CN 115546664A
Authority
CN
China
Prior art keywords
insulator
network
image
mask
detection result
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
CN202211207805.4A
Other languages
English (en)
Inventor
魏鑫
丁亚洲
吏军平
戴明松
王小丽
王新安
田其
黄先绪
冯发杰
王汉广
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.)
PowerChina Hubei Electric Engineering Co Ltd
Original Assignee
PowerChina Hubei Electric Engineering 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 PowerChina Hubei Electric Engineering Co Ltd filed Critical PowerChina Hubei Electric Engineering Co Ltd
Priority to CN202211207805.4A priority Critical patent/CN115546664A/zh
Publication of CN115546664A publication Critical patent/CN115546664A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06V10/20—Image preprocessing
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

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

Abstract

本发明公开了一种基于级联网络的绝缘子自爆检测方法及***，其中的方法包括：预先构建并训练包含目标检测模型和实例分割模型的级联网络；接着采集待监测区域的航拍绝缘子图像，并进行预处理；然后利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像；再根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；最后利用Mask R‑CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。本发明可以解决背景复杂，图像失真以及信噪比低的问题，提高检测的精度。

Description

一种基于级联网络的绝缘子自爆检测方法及***
技术领域
本发明涉及电力线路检测技术领域，尤其涉及一种基于级联网络的绝缘子自爆检测方法及***。
背景技术
电力基础设施与交通基础设施、水利基础设施等一同构成了我们当前社会居民生活、工业生产的物质基础。在电力基础设施中，架空输电线路是我国主要的远距离输电方式。为了保证架空输电线路的正常安全运行，架空输电线路的电力杆塔上需要配置各类保护器件，绝缘子就是电力杆塔上一类重要的保护器件，安装在架空输电线路的电力杆塔上，起到电气绝缘以及机械固定的作用。绝缘子根据制造材料的不同可以分为玻璃绝缘子、陶瓷绝缘子以及复合绝缘子三种主要类型绝缘子，不同材料的绝缘子具有不同的物化性质，在实际使用中根据具体应用场景及任务选择相应的绝缘子。受雨水、雷电等野外生化环境变化的影响，玻璃绝缘子在实际使用中可能会发生裂纹以及电击穿，进而自爆成小碎块，造成绝缘子串某一环缺失，丧失对于电力线路的防护功能，威胁输电线路安全。在电力巡检工作中，需要工作人员需要对绝缘子自爆情况进行统计，及时发现并维护避免造成电力线路安全事故，产生更大的危害。
传统的绝缘子自爆检测工作主要依赖于电力巡检中的人工观测，工作人员需要到实地攀爬电塔或使用望远镜等观测设备去发现绝缘子串中存在的自爆现象，危险系数较大同时耗费较多的人力和时间成本。
随着无人机技术的成熟以及计算机技术的发展，电力巡检工作利用无人机搭载光学摄像头，提前规划无人机巡航路线以及拍摄位置和角度，自动获取电力线路上的绝缘子设备光学影像数据。对无人机获取的绝缘子影像数据进行分析处理，快速准确自动识别出绝缘子自爆现象。但受到野外自然环境变化、季节气候以及无人机拍摄角度等因素的影响，无人机拍摄的绝缘子影像背景差异较大、绝缘子串形状、大小以及色调存在差异，传统的图像处理方法检测绝缘子自爆需要针对各种情况设置单独的滤波器以分离图像绝缘子串和背景，进而展开自爆检测工作，难以应对复杂的无人机绝缘子串影像变化。
发明内容
本发明提供了一种基于级联网络的绝缘子自爆检测方法及***，用以解决或者至少部分解决现有技术中存在的检测效果不佳的技术问题。
为了解决上述技术问题，本发明第一方面提供了一种基于级联网络的绝缘子自爆检测方法，包括：
预先构建并训练包含目标检测模型和实例分割模型的级联网络，其中，目标检测模型采用YOLOV5算法的网络结构，实例分割模型采用Mask R-CNN实例分割网络；
采集待监测区域的航拍绝缘子图像，并进行预处理；
利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像，其中，检测结果图像包括绝缘子串的位置信息，位置信息为定位边界框；
根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；
利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。
在一种实施方式中，Mask R-CNN实例分割网络包括主干网络、特征金字塔模块、候选框生成网络和掩膜生成模块。
在一种实施方式中，特征金字塔模块为FPN，包括一个自底向上的金字塔，一个自顶向下的金字塔，然后将两个金字塔进行横向连接，对具有高分辨率浅层和具有丰富语义信息深层的特征进行融合。
在一种实施方式中，利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割包括两个阶段，第一个阶段是扫描输入的感兴趣区域图像并生成区域提议，区域提议表示有可能包含一个目标的区域，第二个阶段通过一个卷积网络分支预测图像的类别和边界框偏移量，并通过另一个掩膜预测分支为每个感兴趣区域输出一个对象像素级掩膜。
基于同样的发明构思，本发明第二方面提供了一种基于级联网络的绝缘子自爆检测***，包括：
网络构建模块，用于预先构建并训练包含目标检测模型和实例分割模型的级联网络，其中，目标检测模型采用YOLOV5算法的网络结构，实例分割模型采用Mask R-CNN实例分割网络；
图像预处理模块，用于采集待监测区域的航拍绝缘子图像，并进行预处理；
目标检测模块，用于利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像，其中，检测结果图像包括绝缘子串的位置信息，位置信息为定位边界框；
图像裁剪模块，用于根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；
实例分割模块，用于利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。
基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
基于同样的发明构思，本发明第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
相对于现有技术，本发明的优点和有益的技术效果如下：
本申请提供的一种基于级联网络的绝缘子自爆检测方法，将自爆玻璃绝缘子定位问题转化为计算机视觉中的定位与分割问题。基于深度学习的方法，对航拍绝缘子图像处理、识别以及缺陷定位算法进行深入的研究，提升了图像识别速度和识别精度，研究成果有助于提高输电线路检测的数字化和智能化程度。选择现阶段目标检测网络中性能好、速度快的 YOLOV5网络，实现了对绝缘子串的高精度定位。在自爆绝缘子检测过程采用Mask R-CNN 实例分割网络，实例分割作为目标检测和语义分割的结合，可以在图像中将目标检测出来并对每个像素打上标签，只通过一个网络，直接完成自爆点定位和形状分割两个任务，简化了缺陷检测的过程。又巧妙地采用级联网络的方法，将两个检测网络结合起来，利用YOLOV5 网络检测到的绝缘子串目标的位置信息去辅助第二个Mask R-CNN实例分割网络，利用目标检测结果将绝缘子串裁剪出来，减少复杂的图片背景，突出绝缘子缺陷位置，使实例分割网络专注学习这些更小的类别，进一步提升缺陷绝缘子的识别分割精度，以达到精确分割定位自爆绝缘子的目的。级联网络的方法对图片的处理可以解决背景复杂，图像失真以及信噪比低的问题。
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。
图1是本发明实施例提供的基于级联网络的绝缘子自爆检测方法的流程图；
图2是本发明实施例提供的方法中目标检测模型涉及的YOLOV5网络的原理图；
图3是本发明实施例提供的方法中绝缘子破损部位的实例分割模块涉及到的MaskR-CNN实例分割网络原理图；
图4为本发明实施例提供的计算机可读存储介质的结构示意图；
图5为本发明实施例提供的计算机设备的结构示意图。
具体实施方式
本申请发明人通过大量的研究与实践发现，现有技术中对于绝缘子的自爆检测中，主要包括两种方法，第一种方法是以缺陷绝缘子为目标，直接定位缺陷位置，另一种方法是采用三个阶段的处理方式，首先利用基于GIoU策略的YOLOv3目标检测算法识别绝缘子，再采用改进后的U-Net分割网络获得得到二值化的绝缘子图像，最后使用数学建模对绝缘子缺陷进行检测，判别绝缘子串缺陷的位置和数量。
然而，第一种方法结合Faster R-CNN+ResNet101+FPN的绝缘子图片缺陷检测方法，对采集到的样本图片进行去噪防抖的处理，然后以缺陷绝缘子为目标，直接定位缺陷位置。但此种方法存在着缺陷，图片样本除了因抖动而失真的情况图片样本除了因抖动而失真的情况。还会因输电线路距离远、规模大、结构复杂，航拍图像的绝缘子背景常伴随着森林、河流、农田等复杂背景。以及绝缘子破损位置与整个图像相比，只占据了很少部分的像素。在一些极端情况下，通过人眼识别也很难找到断裂位置。因此，经过简单预处理后直接使用目标检测模型对缺陷位置进行定位，精度难以得到提升。
第二种方法，首先，YOLO系列目标检测网络在v3后已发展多代，性能和速度较v3均有了较高提升；然后，此方法在分割任务时使用U-Net分割网络只能将目标绝缘子图像分割出来，无法直接发现缺陷并进行定位。而判定缺陷和定位的过程需要再通过像素统计数学建模处理才能完成。因此，此方法中检测过程过于复杂，可以加以简化，且检测分割网络均存在改善提升的空间。
基于此，本发明创新性地提出将目标检测模型与实例分割网络相结合的级联网络，在目标检测阶段选择现阶段目标检测网络中性能好、速度快的YOLOV5网络，实现了对绝缘子串的高精度定位。在实例分割阶段采用Mask R-CNN实例分割网络，实例分割作为目标检测和语义分割的结合，可以在图像中将目标检测出来并对每个像素打上标签，只通过一个网络，即可以完成自爆点定位和形状分割两个任务，简化了缺陷检测的过程。又巧妙地采用级联网络的方法，将两个检测网络结合起来，利用YOLOV5网络检测到的绝缘子串目标的位置信息去辅助第二个Mask R-CNN实例分割网络，利用目标检测结果将绝缘子串裁剪出来，减少复杂的图片背景，突出绝缘子缺陷位置，使实例分割网络专注学习这些更小的类别，进一步提升缺陷绝缘子的识别分割精度，以达到精确分割定位自爆绝缘子的目的。级联网络的方法对图片的处理可以解决背景复杂，图像失真以及信噪比低的问题。
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
实施例一
本发明实施例提供了一种基于级联网络的绝缘子自爆检测方法，包括：
预先构建并训练包含目标检测模型和实例分割模型的级联网络，其中，目标检测模型采用YOLOV5算法的网络结构，实例分割模型采用Mask R-CNN实例分割网络；
采集待监测区域的航拍绝缘子图像，并进行预处理；
利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像，其中，检测结果图像包括绝缘子串的位置信息，位置信息为定位边界框；
根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；
利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。
如图1所示，为本发明提供一种基于级联网络的绝缘子自爆检测方法的实现流程图，主要包括YOLOV5目标检测网络和Mask R-CNN实例分割网络两部分。
请参见图2，是YOLOv5网络模型结构，YOLOv5网络由四个主要部分组成：输入端、主干网络(Backbone)、特征融合模块(Neck)以及输出端。
首先输入端(Input)对输入的图像随机裁剪、缩放、拼接操作，找到最合适的自适应锚框计算，提高绝缘子破损小目标缺陷的定位准确性；然后主干网络(Backbone)在不同图像细粒度上聚合，提取三种尺度的特征图；其次特征融合模块(Neck)通过增加了空间金字塔池化结构(Spatial Pyramid Pooling，SPP)，使用3组多尺度最大池化层扩大特征图的感受野，采用上采样(Upsample)得到的高、低特征层拼接实现特征融合得到新的特征图，以便改善低层特征地传播，而后通过路径融合网络(Path Aggregation Network，PAN)自下而上由弱到强传递特征，使得特征层实现更多的特征融合，两者结合操作，加强网络特征融合的能力；最后输出端(Output)是网络的预测部分，通过非极大值抑制(Non-MaximumSupression，NMS)来筛选目标框,对图像特征进行预测，生成边界框并预测类别。在一种实施方式中，Mask R-CNN 实例分割网络包括主干网络、特征金字塔模块、候选框生成网络和掩膜生成模块。
然后利用获取的定位边界框对图像进行裁剪，得到放大的绝缘子串作为ROI感兴趣区域，以提高信噪比。从而可以利用YOLOV5网络检测到的绝缘子串目标的位置信息去辅助第二个Mask R-CNN实例分割网络，利用目标检测结果将绝缘子串裁剪出来，减少复杂的图片背景，突出绝缘子缺陷位置，使实例分割网络专注学习这些更小的类别，从而改善检测效果。
利用Mask R-CNN网络对感兴趣区域的绝缘子缺失故障进行分割，从而解决绝缘子串圆盘单元的缺陷诊断问题。
在一种实施方式中，特征金字塔模块为FPN，包括一个自底向上的金字塔，一个自顶向下的金字塔，然后将两个金字塔进行横向连接，对具有高分辨率浅层和具有丰富语义信息深层的特征进行融合。
在一种实施方式中，利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割包括两个阶段，第一个阶段是扫描输入的感兴趣区域图像并生成区域提议，区域提议表示有可能包含一个目标的区域，第二个阶段通过一个卷积网络分支预测图像的类别和边界框偏移量，并通过另一个掩膜预测分支为每个感兴趣区域输出一个对象像素级掩膜。
具体来说，Mask R-CNN在多个方面添加了改进。首先是特征金字塔(FeaturePyramid Network)，在以往用Faster R-CNN进行目标检测时，无论是RPN还是Fast R-CNN，RoI 都作用在最后一层特征图上，这在对大目标进行检测是没有问题的，但是对于小目标的检测就出现了问题。对于小目标来说，当进行卷积池化到最后一层特征图时，实际上语义信息可能已经没有了，因为对于一个RoI映射到特征图的方法就是用坐标直接除以步长,显然越往后卷积，映射过去就越小，甚至可能就没有了。如果可以结合多层级多尺度的特征，就可以大大提高检测的准确性。
FPN是一种精心设计的多尺度检测方法。它包括一个自底向上的金字塔，一个自顶向下的金字塔和横向连接。自底向上的路径可以是任何一种从原始图像中提取特征的卷积网络，具体就是将ResNet作为骨架网络，根据特征图的大小分为5个stage。其中，stage2，stage3， stage4和stage5各自最后一层输出conv2，conv3，conv4和conv5分别定义为{C2，C3，C4， C5}，他们相对于原始图片的步长分别是{4，8，16，32}。自顶而下是从最高层开始进行上采样，这里的上采样直接使用的是最近邻上采样，而不是使用反卷积操作，一方面简单，另外一方面可以减少训练参数。自顶向下的通道生成的特征图金字塔在大小上与自底向上的通道相似。横向连接则是将上采样的结果和自底向上生成的相同大小的特征图进行融合，即两个金字塔的两个对应层次之间的卷积和相加运算。具体就是对{C2，C3，C4，C5}中的每一层经过一个conv 1x1操作(1x1卷积用于降低通道数)，无激活函数操作，输出通道全部设置为相同的256通道，然后和上采样的特征图进行加和操作。在融合之后还会再采用3*3的卷积核对已经融合的特征进行处理，目的是消除上采样的混叠效应(aliasingeffect)。
FPN通过添加第二个金字塔来改进标准的特征提取金字塔，该金字塔从第一个金字塔获取高级特征并将其传递到较低的层。通过这样做，它允许每个级别的特征同时访问较低级别和较高级别的特征。FPN优于其他单卷积神经网络的主要原因就是它在不同的分辨率尺度上保持了较强的语义特征，这是因为FPN自然地利用了CNN层级特征的金字塔形式，同时设计了自上而下的结构和横向连接，以此融合具有高分辨率浅层和具有丰富语义信息深层的特征，从而生成在所有尺度上都具有强语义信息的特征金字塔。这样就实现了从单尺度的单张输入图像，快速构建多尺度强语义信息的特征金字塔，同时不产生明显的代价。FPN是一种灵活的组件，可以搭配不同的基础网络，用在不同的算法框架中来提取多尺度特征。
实施例二
基于同样的发明构思，本实施例提供了一种基于级联网络的绝缘子自爆检测***，包括：
网络构建模块，用于预先构建并训练包含目标检测模型和实例分割模型的级联网络，其中，目标检测模型采用YOLOV5算法的网络结构，实例分割模型采用Mask R-CNN实例分割网络；
图像预处理模块，用于采集待监测区域的航拍绝缘子图像，并进行预处理；
目标检测模块，用于利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像，其中，检测结果图像包括绝缘子串的位置信息，位置信息为定位边界框；
图像裁剪模块，用于根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；
实例分割模块，用于利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。
由于本发明实施例二所介绍的***为实施本发明实施例一中基于级联网络的绝缘子自爆检测方法所采用的***，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该***的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的***都属于本发明所欲保护的范围。
实施例三
基于同一发明构思，请参见图4，本发明还提供了一种计算机可读存储介质300，其上存储有计算机程序311，该程序被执行时实现如实施例一中所述的方法。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于级联网络的绝缘子自爆检测方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
实施例四
基于同一发明构思，本申请还提供了一种计算机设备，如图5所示，包括存储器401、处理器402及存储在存储器上并可在处理器上运行的计算机程序403，处理器执行上述程序时实现实施例一中的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于级联网络的绝缘子自爆检测方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (7)

1.一种基于级联网络的绝缘子自爆检测方法，其特征在于，包括：
预先构建并训练包含目标检测模型和实例分割模型的级联网络，其中，目标检测模型采用YOLOV5算法的网络结构，实例分割模型采用Mask R-CNN实例分割网络；
采集待监测区域的航拍绝缘子图像，并进行预处理；
利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像，其中，检测结果图像包括绝缘子串的位置信息，位置信息为定位边界框；
根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；
利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。
2.如权利要求1所述的基于级联网络的绝缘子自爆检测方法，其特征在于，Mask R-CNN实例分割网络包括主干网络、特征金字塔模块、候选框生成网络和掩膜生成模块。
3.如权利要求2所述的基于级联网络的绝缘子自爆检测方法，其特征在于，特征金字塔模块为FPN，包括一个自底向上的金字塔，一个自顶向下的金字塔，然后将两个金字塔进行横向连接，对具有高分辨率浅层和具有丰富语义信息深层的特征进行融合。
4.如权利要求2所述的基于级联网络的绝缘子自爆检测方法，其特征在于，利用MaskR-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割包括两个阶段，第一个阶段是扫描输入的感兴趣区域图像并生成区域提议，区域提议表示有可能包含一个目标的区域，第二个阶段通过一个卷积网络分支预测图像的类别和边界框偏移量，并通过另一个掩膜预测分支为每个感兴趣区域输出一个对象像素级掩膜。
5.一种基于级联网络的绝缘子自爆检测***，其特征在于，包括：
网络构建模块，用于预先构建并训练包含目标检测模型和实例分割模型的级联网络，其中，目标检测模型采用YOLOV5算法的网络结构，实例分割模型采用Mask R-CNN实例分割网络；
图像预处理模块，用于采集待监测区域的航拍绝缘子图像，并进行预处理；
目标检测模块，用于利用级联网络的目标检测模型对预处理后的航拍绝缘子图像进行检测，得到绝缘子的检测结果图像，其中，检测结果图像包括绝缘子串的位置信息，位置信息为定位边界框；
图像裁剪模块，用于根据定位边界框对检测结果图像进行裁剪，将裁剪后的图像作为感兴趣区域；
实例分割模块，用于利用Mask R-CNN实例分割网络对感兴趣区域的绝缘子缺失故障进行分割，并得到检测结果。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至4中任一项权利要求所述的方法。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4中任一项权利要求所述的方法。
CN202211207805.4A 2022-09-30 2022-09-30 一种基于级联网络的绝缘子自爆检测方法及*** Pending CN115546664A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211207805.4A CN115546664A (zh) 2022-09-30 2022-09-30 一种基于级联网络的绝缘子自爆检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211207805.4A CN115546664A (zh) 2022-09-30 2022-09-30 一种基于级联网络的绝缘子自爆检测方法及***

Publications (1)

Publication Number Publication Date
CN115546664A true CN115546664A (zh) 2022-12-30

Family

ID=84730949

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211207805.4A Pending CN115546664A (zh) 2022-09-30 2022-09-30 一种基于级联网络的绝缘子自爆检测方法及***

Country Status (1)

Country Link
CN (1) CN115546664A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152211A (zh) * 2023-02-28 2023-05-23 哈尔滨市科佳通用机电股份有限公司 一种闸瓦磨耗超限故障的识别方法
CN116310649A (zh) * 2023-03-24 2023-06-23 哈尔滨市科佳通用机电股份有限公司 闸调器调整螺杆圆销和圆销开口销丢失检测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116152211A (zh) * 2023-02-28 2023-05-23 哈尔滨市科佳通用机电股份有限公司 一种闸瓦磨耗超限故障的识别方法
CN116310649A (zh) * 2023-03-24 2023-06-23 哈尔滨市科佳通用机电股份有限公司 闸调器调整螺杆圆销和圆销开口销丢失检测方法

Similar Documents

Publication Publication Date Title
CN107742093B (zh) 一种红外图像电力设备部件实时检测方法、服务器及***
CN115546664A (zh) 一种基于级联网络的绝缘子自爆检测方法及***
CN111862013B (zh) 基于深度卷积神经网络的绝缘子检测方法、装置及设备
CN108648169A (zh) 高压输电塔绝缘子缺陷自动识别的方法及装置
CN109712127B (zh) 一种用于机巡视频流的输电线路故障检测方法
CN111832398B (zh) 一种无人机影像的配电线路杆塔导地线断股图像检测方法
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
CN112528979B (zh) 变电站巡检机器人障碍物判别方法及***
CN109815800A (zh) 基于回归算法的目标检测方法及***
CN113252701B (zh) 基于云边协同的输电线路绝缘子自爆缺陷检测***及方法
CN114743119A (zh) 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN110059539A (zh) 一种基于图像分割的自然场景文本位置检测方法
CN109815798A (zh) 无人机图像处理方法及***
CN116503318A (zh) 一种融合CAT-BiFPN与注意力机制的航拍绝缘子多缺陷检测方法、***及设备
CN112101138A (zh) 基于深度学习的桥梁拉索表面缺陷实时识别***及方法
CN116188402A (zh) 一种基于改进ssd算法的绝缘子缺陷识别方法
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
CN114677357A (zh) 航拍绝缘子自爆缺陷的检测模型、方法、设备及存储介质
CN118038153A (zh) 配电架空线路的防外破识别方法、装置、设备和介质
CN113971666A (zh) 基于深度目标检测的输电线路机巡影像自适应识别方法
CN113450318A (zh) 基于无人机自主视觉的初级配电***瓷绝缘子检测方法
CN115984672B (zh) 基于深度学习的高清图像内小目标的检测方法和装置
CN117197571A (zh) 一种光伏组件故障检测方法、装置、电子设备及存储介质
Özer et al. An approach based on deep learning methods to detect the condition of solar panels in solar power plants
CN116485802A (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质

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