基于深度学习的杆塔绝缘子检测方法技术

本发明专利技术提供了一种基于深度学习的杆塔绝缘子检测方法，采集电网线路走廊的对地遥感影像数据；对其中的杆塔目标、绝缘子目标进行人工标注形成原始训练数据集；根据人工标注，将图像裁剪提取杆塔的内容图像与来自不同地表的的风格图像进行神经风格迁移及融合，生成合成训练数据集；通过原始训练数据集和合成训练数据集训练构建目标检测模型；基于目标检测模型，对待检测的遥感影像进行杆塔目标与绝缘子目标检测，并滤除虚警。本发明专利技术所述的基于深度学习的杆塔绝缘子检测方法，实现对高空俯拍遥感影像或卫星遥感影像中的高压杆塔与绝缘子自动检测，并进行小样本扩充，提升智能系统的泛化能力，实现高压杆塔与绝缘子的高效率高精度检测。度检测。度检测。

【技术实现步骤摘要】
基于深度学习的杆塔绝缘子检测方法


[0001]本专利技术属于电网杆塔绝缘子检测领域，尤其是涉及一种基于深度学习的杆塔绝缘子检测方法。

技术介绍

[0002]电网公司的电力巡检工作主要依靠人工完成，需要大量人力物力，且无法实时进行反馈及灾情发现。包含卫星、无人机遥感在内的电力巡检能高效地完成这一工作。遥感巡检中依靠图像信息能有效提取到输电走廊中的本体目标进而识别潜在的危情。作为最重要的本体目标，线路中的杆塔与绝缘子精确检测与识别是电力智能巡检中至关重要的一环，直接影响到电力巡检的成功率。
[0003]现有的基于视觉成像的杆塔与绝缘子本体识别易受图像质量影响，其参数较多且通用性较差。用它们训练得到的分类器往往泛化能力不强，不具备实用性，精度也得不到保证。另一方面，对于无人机俯拍图像或者卫星太空航拍图像而言，其背景往往高度复杂且多样化，传统的基于人工设计特征的方法往往实用性不强。

技术实现思路

[0004]有鉴于此，本专利技术旨在提出一种基于深度学习的杆塔绝缘子检测方法，以解决分类器泛化能力不强，不具备实用性，精度也得不到保证；背景复杂多样化，传统的人工设计特征实用性不高的问题。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：基于深度学习的杆塔绝缘子检测方法，具体步骤如下：S1、采集电网线路走廊的对地遥感影像数据作为原始数据集；S2、基于对地遥感影像数据，对其中的杆塔目标、绝缘子目标进行人工标注形成原始训练数据集；S3、根据原始训练数据集中的人工标注，进行图像裁剪提取杆塔的内容图像，将来自不同地表的背景影像作为风格图像，将内容图像与风格图像进行神经风格迁移及融合，生成合成训练数据集；S4、通过原始训练数据集和合成训练数据集训练Faster
‑
RCNN网络形成对影像中杆塔目标及绝缘子目标进行检测的目标检测模型；S5、基于目标检测模型，对待检测的遥感影像进行杆塔目标与绝缘子目标检测，并滤除虚警。
[0006]进一步的，步骤S1中，采集电网线路走廊的对地遥感影像数据作为原始数据集，具体采集方法包括：通过无人机高空俯拍或者卫星遥感对地观测技术采集遥感影像信息，根据已有的电网地理坐标信息进行有针对性地采集和对地拍摄影像。
[0007]进一步的，步骤S2中，对其中的杆塔目标、绝缘子目标进行人工标注，具体方法如下：
采用两点矩形标注框方式对杆塔与绝缘子目标进行标注，使用矩形标注框的左上角坐标（X1,Y1）和右下角坐标（X2,Y2）确定目标的标注框信息。
[0008]进一步的，步骤S3中，所述风格图像获取的方法为，采用多边形标注框包围电网输电线路走廊区域的方式进行人工标注，先围绕电网输电线路走廊区域标注n个点，再将n个点依次连接形成多边形标注框，多边形标注框通过n个点的坐标进行表示：[（X1,Y1）,（X2,Y2）,
……
，（X
n
,Y
n
）]；获取影像中去除标注电网输电线路走廊区域的非电网输电线路走廊区域为背景区域；从背景区域中随机裁剪出若干不同大小的风格图像。
[0009]进一步的，步骤S3中，将内容图像与风格图像进行神经风格迁移及融合的方法为，S31、将随机选取的内容图像与风格图像进行神经风格迁移，将内容图像根据风格图像进行风格化，从而获得风格化后的内容图像，所述风格化后的内容图像为杆塔前景图像；S32、随机从风格图像中选取一个或多个空间位置，将一个或多个杆塔前景图像以Alpha通道融合的方式融合到从风格图像中选取的一个或多个空间位置中，并依据空间位置的位置信息自动生成杆塔目标在新的合成图片中的目标框标注。
[0010]S33、重复步骤S31
‑
S32，生成大量合成图片，形成合成训练数据集。
[0011]进一步的，步骤S31中，将随机选取的内容图像与风格图像进行神经风格迁移，将内容图像根据风格图像进行风格化，从而获得风格化后的内容图像，具体方法如下：采用VGG
‑
19深度卷积网络对内容图像与风格图像进行神经风格迁移形成风格迁移神经网络，在VGG
‑
19深度卷积网络中设置16个卷积层和5个池化层，将内容图像的内容特征与风格图像的风格特征进行融合，通过最小化一个来自内容图像的白噪声图像x与各网络层输出之间的距离，令p为原始的内容图像，a为原始的风格图像，风格传输的总损失函数L
total
(p,a,x)为内容重构损失L
context
(p,x)与风格重构损失L
style
(a,x)的加权和，使用随机梯度下降优化风格传输的总损失函数L
total
(p,a,x)，网络收敛时迭代终止，获得一幅同时具有输入内容图像和输入风格图像合成的杆塔前景图像，L
total
(p,a,x)具体公式为，L
total
(p,a,x)=αL
context
(p,x)+βL
style
(a,x)其中，α和β分别为内容重构损失和风格重构损失的加权因子，其比例α设定为，β设定为。
[0012]L
context
(p,x)为所有参与内容重构卷积层的内容重构损失L
context
(p,x,l)之和，内容重构损失L
context
(p,x,l)函数为，其中，:输出图像在第l层卷积层中位置（i，j）上的特征张量，:输入图像在第l层卷积层中位置（i，j）上的特征张量；
风格重构损失L
style
(a,x)函数为，其中，其中，为风格重构损失函数计算中每层的损失线性加权因子，通过实验效果及经验人工给定；：输出图像在卷积层l经过激活函数后位置（i，j）上的特征张量；：:输入图像在卷积层l经过激活函数后位置（i，j）上的特征张量；：卷积层l经过激活函数后生成的特征张量个数；：卷积层l输出的特征张量宽度与高度的乘积。
[0013]进一步的，步骤S4中，所述Faster
‑
RCNN网络包括骨干网络、候选区域建议网络RPN、候选区域精分类网络RCNN；通过原始训练数据集和合成训练数据集训练Faster
‑
RCNN网络形成对影像中杆塔目标及绝缘子目标进行检测的目标检测模型，具体方法如下，S41、骨干网络对输入的遥感影像进行多层卷积特征提取形成特征图；S42、RPN在骨干网络提取的特征图上进一步提取输入的遥感影像中可能包含感兴趣的目标区域，形成候选建议框集合，输出目标可能的位置以及是否包含目标的置信度得分；S43、RCNN在RPN得到的候选建议框的基础上进一步对候选建议框进行精分类，对感兴趣的目标区域进行进一步分类鉴别，识别出感兴趣区域中包含的类别目标以及对目标框位置进行精确位置回归；S44、进行RPN损失计算和RCNN损失计算，所述RPN损失计算包括区域建议框是否包含目标的分类损失计算与区域建议框位置回归损失的计算，RCNN损失计算包括目标框分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于深度学习的杆塔绝缘子检测方法，其特征在于，具体步骤如下：S1、采集电网线路走廊的对地遥感影像数据作为原始数据集；S2、基于对地遥感影像数据，对其中的杆塔目标、绝缘子目标进行人工标注形成原始训练数据集；S3、根据原始训练数据集中的人工标注，进行图像裁剪提取杆塔的内容图像，将来自不同地表的背景影像作为风格图像，将内容图像与风格图像进行神经风格迁移及融合，生成合成训练数据集；S4、通过原始训练数据集和合成训练数据集训练Faster
‑
RCNN网络形成对影像中杆塔目标及绝缘子目标进行检测的目标检测模型；S5、基于目标检测模型，对待检测的遥感影像进行杆塔目标与绝缘子目标检测，并滤除虚警。2.根据权利要求1所述的基于深度学习的杆塔绝缘子检测方法，其特征在于，步骤S1中，采集电网线路走廊的对地遥感影像数据作为原始数据集，具体采集方法包括：通过无人机高空俯拍或者卫星遥感对地观测技术采集遥感影像信息，根据已有的电网地理坐标信息进行有针对性地采集和对地拍摄影像。3.根据权利要求1所述的基于深度学习的杆塔绝缘子检测方法，其特征在于：步骤S2中，对其中的杆塔目标、绝缘子目标进行人工标注，具体方法如下：采用两点矩形标注框方式对杆塔与绝缘子目标进行标注，使用矩形标注框的左上角坐标（X1,Y1）和右下角坐标（X2,Y2）确定目标的标注框信息。4.根据权利要求1所述的基于深度学习的杆塔绝缘子检测方法，其特征在于：步骤S3中，所述风格图像获取的方法为，采用多边形标注框包围电网输电线路走廊区域的方式进行人工标注，先围绕电网输电线路走廊区域标注n个点，再将n个点依次连接形成多边形标注框，多边形标注框通过n个点的坐标进行表示：[（X1,Y1）,（X2,Y2）,
……
，（X
n
,Y
n
）]；获取影像中去除标注电网输电线路走廊区域的非电网输电线路走廊区域为背景区域；从背景区域中随机裁剪出若干不同大小的风格图像。5.根据权利要求1所述的基于深度学习的杆塔绝缘子检测方法，其特征在于：步骤S3中，将内容图像与风格图像进行神经风格迁移及融合的方法为，S31、将随机选取的内容图像与风格图像进行神经风格迁移，将内容图像根据风格图像进行风格化，从而获得风格化后的内容图像，所述风格化后的内容图像为杆塔前景图像；S32、随机从风格图像中选取一个或多个空间位置，将一个或多个杆塔前景图像以Alpha通道融合的方式融合到从风格图像中选取的一个或多个空间位置中，并依据空间位置的位置信息自动生成杆塔目标在新的合成图片中的目标框标注；S33、重复步骤S31
‑
S32，生成大量合成图片，形成合成训练数据集。6.根据权利要求5所述的基于深度学习的杆塔绝缘子检测方法，其特征在于：步骤S31中，将随机选取的内容图像与风格图像进行神经风格迁移，将内容图像根据风格图像进行风格化，从而获得风格化后的内容图像，具体方法如下：采用VGG
‑
19深度卷积网络对内容图像与风格图像进行神经风格迁移形成风格迁移神经网络，在VGG
‑
19深度卷积网络中设置16个卷积层和5个池化层，将内容图像的内容特征与
风格图像的风格特征进行融合，通过最小化一个来自内容图像的白噪声图像x与各网络层输出之间的距离，令p为原始的内容图像，a为原始的风格图像，风格传输的总损失函数L
total
(p,a,x)为内容重构损失L
context
(p,x)与风格重构损失L
style
(a,x)的加权和，使用随机梯度下降优化风格传输的总损失函数L
total
(p,a,x)，网络收敛时迭代终止，获得一幅同时具有输入内容图像和输入风格图像合成的杆塔前景图像，L
total
(p,a,x)具体公式为，L
total
(p,a,x)=αL
context
(p,x)+βL
style
(a,x)其中，α和β分别为内容重构损失和风格重构损失的加权因子，其比例α设定为，β设定为；L
context
(p,x)为所有参与内容重构卷积层的内容重构损失L
context
(p,x,l)之和，内容重...

【专利技术属性】
技术研发人员：王森，杨鹤猛，陈艳芳，燕正亮，黄静，程燕胜，张静，闫皓炜，
申请(专利权)人：天津航天中为数据系统科技有限公司，
类型：发明
国别省市：