基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法技术

本发明专利技术涉及一种基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，使用超分辨率重建提升图像质量，有效解决小尺度目标特征信息不足的问题；针对绝缘子尺度特点，使用K

【技术实现步骤摘要】
基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法


[0001]本专利技术涉及一种目标检测技术，特别涉及一种基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法。

技术介绍

[0002]绝缘子是输变电线路的重要组成部分，也为输电设备提供保护。绝缘子的失效和损坏将直接威胁到输电线路的稳定性和安全性。大多数绝缘子暴露在野外恶劣的气候条件下，容易出现裂纹、污垢、破损或雷击等安全隐患。据不完全统计，因绝缘子缺陷或故障引起的线路跳闸等事故。雷击占电力系统故障的最高百分比。传统的巡检技术较为落后，主要依靠人工巡检的方式，存在耗时长，故障识别率低等问题，尤其是在复杂环境(如光照不均、建筑物等背景影响、其他电力设备遮挡、天气恶劣等)下检测设备，人工巡检弊端更为凸显，若不能及时处理故障，将会给设备正常运转造成严重影响。
[0003]近年来，随着无人机航拍的高速发展，其高效、准确、安全等特点受到许多行业青睐，目前，采用无人机航拍已成为输电线路巡检的重要手段。平台上内置的摄像头用于获取大量检测图像，其中包括在用的绝缘子目标信息。将深度学习中的目标检测技术应用于输电线路巡检，可以有效减少人工识别的工作量，减少工作人员检测时的危险性，提高检测效率，避免漏检和误判。
[0004]虽然目前主流的目标检测算法如YOLOv3和Faster RCNN都具有较好的检测性能，但它们均采用水平框检测方式，而绝缘子目标一般具有倾斜角度，使用水平框检测方法会产生较多的背景信息，使网络无法精准学习到目标的信息，并对网络运行过程中的非极大抑制造成影响，导致网络出现过拟合现象。并且由于检测距离的不同，绝缘子目标在图像中的尺度变化很大，针对这种问题通常使用特征金字塔结构来处理，但是传统的特征金字塔结构忽视了不同尺度特征图融合时会出现混淆现象，产生多余的计算量，因此如何处理特征金字塔结构尺度归一化问题并准确地检测输电线路中的绝缘子是当前研究的热点。

技术实现思路

[0005]针对图像中绝缘子精确检测问题，提出了一种基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，有效改善特征金字塔结构中出现特征融合缺陷的问题，并通过对数据集进行超分辨率生成和K
‑
means++处理以提升检测精度。
[0006]本专利技术的技术方案为：一种基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，具体包括如下步骤：
[0007]1)构建绝缘子图像数据集：通过无人机航拍绝缘子图像，筛选出清晰度较高的图像，并统一处理为同等分辨率大小；使用软件对数据集进行标注，采用旋转框标注形式，并保存图像中目标的位置信息和角度信息；
[0008]2)对图像数据集中的每副图像数据使用超分辨率生成网络处理进行处理，生成高质量图像数据集，处理后图像突出目标物体信息；
[0009]3)采用K
‑
means++聚类算法对步骤2)处理后图像数据集进行聚类处理，生成具有旋转绝缘子特点的聚类中心参数，用作后续目标检测模型的先验框的超参数设置；
[0010]4)将步骤2)处理后的图像数据库输入ResNet50主干网络，进行特征识别，获得的特征图送入尺度不变金字塔结构处理，获得网络预测模型结果与图像真实框进行损失函数计算，完成一轮次的训练，完成训练后获得网络预测模型用于对图像进行绝缘子目标位置识别。
[0011]进一步，所述步骤2)具体方法如下：采用SRCNN对图像进行超分辨重建：首先提取图像特征，通过一组滤波器对图像进行卷积，表示为：
[0012]F1(Y)＝max(0,W1×
Y+B1)
[0013]其中W1和B1分别代表滤波器和偏置值，其中W1的大小为c
×
f1×
f1×
n1，c为输入图像中的通道数，f1为滤波器大小，n1为滤波器的数量；
[0014]然后、非线性映射：通过卷积操作将n1维向量映射为n2维向量，计算表示为：
[0015]F2(Y)＝max(0,W2×
F1(Y)+B2)
[0016]其中W2的大小为n1×1×1×
n2，B2为n2维向量；
[0017]最后、重构图像：通过反卷积操作将n2维度的向量还原为超分辨率图像。
[0018]进一步，所述步骤3)采用K
‑
means++聚类算法对步骤2)处理后图像数据集进行聚类处理的方法：
[0019]A:从数据集中随机选择一个目标真实框样本作为初始的聚类中心c1；
[0020]B:计算数据集中每个真实框样本与初始聚类中心之间的最短距离，并计算每个样本被选为下一个聚类中心的概率，再根据轮盘法选择出下一个聚类中心；
[0021]C:重复B步骤直至选出自定义的K个聚类中心；
[0022]D:计算数据集中每个真实框样本到K个聚类中心的距离，并将该样本分到距离最近的聚类中心所对应的类中；
[0023]E:重新计算每个类别的聚类中心并重复步骤D直到聚类中心目标框大小不变，最终得到9个聚类中心用作先验框的初始参数。
[0024]进一步，所述尺度不变金字塔结构处理：使用一种跨越尺度和空间维度的三维卷积PConv，通过使用不同步长的卷积核对对应层、高层和低层特征图经常处理后结果相加，实现可形变卷积将特征金字塔的各层次特征均衡化，使得PConv可从特征金字塔提取尺度不变特征；PConv在底层特征图的卷积核固定大小，使用可变形卷积预测卷积核在共享核尺度上的偏移量，并在FPN的高层特征图通过偏移量进行均衡，保持特征金字塔结构的尺度不变性，缓解模糊效应。
[0025]本专利技术的有益效果在于：本专利技术基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，使用超分辨率重建提升图像质量，有效解决小尺度目标特征信息不足的问题；针对绝缘子尺度特点，使用K
‑
means++进行聚类处理，改进先验框参数设置；有效提高对绝缘子目标的检测精度。
附图说明
[0026]图1为本专利技术基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法流程图；
[0027]图2为本专利技术方法中SRCNN结构图；
[0028]图3为本专利技术方法中PConv结构图；
[0029]图4为本专利技术方法中尺度不变特征金字塔结构图。
具体实施方式
[0030]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0031]一种基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，如图1所示，包括以下部分：
[0032]1、构建绝缘子图像数据集：通过无人机航拍绝缘子图像，筛选出清晰度较高的图像，并统一处理为同等分辨率大小；使用RoLabelImg软件对数据集进行标注，采用旋转框标注形式，以VOC格式保存图像中目标的位置信息和角度信息；
[0033]2、对图像数据集中的每副图像数据使用超分辨率生成网络处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，其特征在于，具体包括如下步骤：1)构建绝缘子图像数据集：通过无人机航拍绝缘子图像，筛选出清晰度较高的图像，并统一处理为同等分辨率大小；使用软件对数据集进行标注，采用旋转框标注形式，并保存图像中目标的位置信息和角度信息；2)对图像数据集中的每副图像数据使用超分辨率生成网络处理进行处理，生成高质量图像数据集，处理后图像突出目标物体信息；3)采用K
‑
means++聚类算法对步骤2)处理后图像数据集进行聚类处理，生成具有旋转绝缘子特点的聚类中心参数，用作后续目标检测模型的先验框的超参数设置；4)将步骤2)处理后的图像数据库输入ResNet50主干网络，进行特征识别，获得的特征图送入尺度不变金字塔结构处理，获得网络预测模型结果与图像真实框进行损失函数计算，完成一轮次的训练，完成训练后获得网络预测模型用于对图像进行绝缘子目标位置识别。2.根据权利要求1所述基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法，其特征在于，所述步骤2)具体方法如下：采用SRCNN对图像进行超分辨重建：首先提取图像特征，通过一组滤波器对图像进行卷积，表示为：F1(Y)＝max(0,W1×
Y+B1)其中W1和B1分别代表滤波器和偏置值，其中W1的大小为c
×
f1×
f1×
n1，c为输入图像中的通道数，f1为滤波器大小，n1为滤波器的数量；然后、非线性映射：通过卷积操作将n1维向量映射为n2维向量，计算表示为：F2(Y)＝max...

【专利技术属性】
技术研发人员：胡安龙，薛国斌，董倩，朱瑞，冯燕军，魏勇，王道累，李惠庸，李婧，孙长昊，尚志鹏，李麟鹤，陈庆胜，靳攀润，孙亚璐，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：