一种基于CascadeR-CNN的金具缺陷检测方法及系统技术方案

本发明专利技术公开了一种基于Cascade R

【技术实现步骤摘要】
一种基于Cascade R
‑
CNN的金具缺陷检测方法及系统


[0001]本专利技术涉及金具缺陷检测
，特别涉及一种基于Cascade R
‑
CNN的金具缺陷检测方法及系统。

技术介绍

[0002]近年来，随着电网高速发展与全面覆盖，输电线路作为电力传输中的核心系统，其稳定运行对电网的安全有着至关重要的影响。其中，金具作为输电线路的重要附件，起到了固定、防护与接续以及维持整个线路稳定运行的作用。由于金具的工作环境往往处在复杂恶劣的野外环境，极易发生锈蚀、变形、破损等缺陷，因此对输电线路进行定期巡检将大大减少输电线路故障的发生。
[0003]在智能电网建设的大环境下，巡检智能化需求迫切，采用输电线路巡检机器人拍摄图像的方式对金具状态进行检测，已成为电网输电线路巡检的热门方法，其中计算机视觉技术对输电线路航拍图像中金具的自动检测是实现智能化巡检的重要一环。
[0004]计算机视觉技术对输电线路拍摄图像中金具相关的目标检测方法主要分为两类：一类是基于经典机器学习的检测方法，另一类是基于深度学习算法的检测方法。目前基于经典机器学习的目标检测方法更适用于背景简单的单类目标检测，而对复杂背景的多目标检测情况并不理想。目前基于深度学习的目标检测方法在输电线路巡检工作中的应用，表现效果最好的还是以检测单类目标或背景简单的目标为主。真实的输电线路拍摄图像中的金具具有种类多、背景复杂的特点，对多类金具实现准确检测是实现输电线路金具智能检测的关键。
[0005]此外，在庞大的输电网中，金具的数量与种类众多，且大小和形状不同。其中拍摄图像中的小尺度金具，存在特征信息少、难提取问题；同时金具还存在多尺度难检测问题。

技术实现思路

[0006]本专利技术要解决的技术问题是提供一种可行性高、检测精度率高的基于Cascade R
‑
CNN的金具缺陷检测方法。
[0007]为了解决上述问题，本专利技术提供了一种基于Cascade R
‑
CNN的金具缺陷检测方法，所述基于Cascade R
‑
CNN的金具缺陷检测方法包括以下步骤：
[0008]S1、构建Cascade R
‑
CNN模型，所述Cascade R
‑
CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R
‑
CNN模型进行训练得到训练好的Cascade R
‑
CNN模型；
[0009]S2、利用训练好的Cascade R
‑
CNN模型对金具进行缺陷检测；包括：
[0010]S21、将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；
[0011]S22、将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；
[0012]S23、在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。
[0013]在本专利技术的一个实施例中，输出特征图表示为：
[0014]f
i
＝F
i
(f
i+1
,x
i
),x
i
＝C
i
(x
i
‑1)
[0015]其中，C
i
表示自底向上主干网络的第i阶段卷积过程；F
i
表示递归特征金字塔网络的第i阶段特征图融合过程；f
i
为递归特征金字塔网络第i阶段目标预测的特征图；x
i
为主干网络卷积操作后的特征图；S表示特征图总的特征层数；i＝1，
…
，S；x0代表原始输入图像；f
s+1
＝0。
[0016]在本专利技术的一个实施例中，所述Cascade R
‑
CNN模型的分类函数包括边框回归的损失函数和分类损失函数。
[0017]在本专利技术的一个实施例中，所述边框回归的损失函数为：
[0018][0019]其中，f(x
i
,b
i
)为分类器输入的边框；g
i
为真实边框；N为当前预测的样本数量；T为分类器的阶段；L
loc
为R
‑
CNN的损失函数，定义如下：
[0020][0021]其中，(o
x
,o
y
,o
w
,o
h
)为回归模型的输出边框坐标；(t
x
,t
y
,t
w
,t
h
)为真实坐标；smooth损失函数为：
[0022][0023]在本专利技术的一个实施例中，所述分类损失函数为：
[0024][0025]其中，g为给定的x
i
所对应的真实边框；y
i
是根据u
i
给定的x
i
的预测标签；u
i
是各阶段IoU阈值；λ为权衡系数；L
loc
为卷积神经网络中的L2损失函数；b
i
为回归模型f
i
所对应阶段的样本分布，且b
i
＝f
i
‑1(x
i
‑1,y
i
‑1)。
[0026]在本专利技术的一个实施例中，还包括：
[0027]构建数据集，将样本数据划分为训练集、验证集、测试集，所述训练集用于对Cascade R
‑
CNN模型进行训练，所述测试集应用对训练好的Cascade R
‑
CNN模型进行测试。
[0028]在本专利技术的一个实施例中，所述样本数据包括提包式悬垂线夹、耐张线夹、U型挂环、间隔棒、防震锤。
[0029]本专利技术还提供了一种电子设备，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计算机程序时实现上述方法的步骤。
[0030]本专利技术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
理器执行时实现上述方法的步骤。
[0031]本专利技术还提供了一种基于Cascade R
‑
CNN的金具缺陷检测系统，其包括以下模块：
[0032]网络训练模块，用于构建Cascade R
‑
CNN模型，所述Cascade R
‑
CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R
‑
CNN模型进行训练得到训练好的Cascade R
‑
C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Cascade R
‑
CNN的金具缺陷检测方法，其特征在于，包括以下步骤：S1、构建Cascade R
‑
CNN模型，所述Cascade R
‑
CNN模型包括递归特征金字塔、主干网络和级联的分类器，利用训练集对Cascade R
‑
CNN模型进行训练得到训练好的Cascade R
‑
CNN模型；S2、利用训练好的Cascade R
‑
CNN模型对金具进行缺陷检测；包括：S21、将不同尺度的金具图像分配至递归特征金字塔的不同特征层做预测，重复利用主干网络特征提取能力，迭代融合输出特征图；S22、将输出特征图分配给级联的分类器，逐级进行检测以提高边框回归的IoU阈值；S23、在进行特征提取时，利用基于梯度更新算法的混合层优化神经架构搜索方法对空洞卷积的空洞率与卷积核的权重进行联合优化，找到适合特征提取网络每一阶段卷积核感受野的大小，实现金具缺陷检测。2.如权利要求1所述的基于Cascade R
‑
CNN的金具缺陷检测方法，其特征在于，输出特征图表示为：f
i
＝F
i
(f
i+1
,x
i
),x
i
＝C
i
(x
i
‑1)其中，C
i
表示自底向上主干网络的第i阶段卷积过程；F
i
表示递归特征金字塔网络的第i阶段特征图融合过程；f
i
为递归特征金字塔网络第i阶段目标预测的特征图；x
i
为主干网络卷积操作后的特征图；S表示特征图总的特征层数；i＝1，
…
，S；x0代表原始输入图像；f
s+1
＝0。3.如权利要求1所述的基于Cascade R
‑
CNN的金具缺陷检测方法，其特征在于，所述Cascade R
‑
CNN模型的分类函数包括边框回归的损失函数和分类损失函数。4.如权利要求3所述的基于Cascade R
‑
CNN的金具缺陷检测方法，其特征在于，所述边框回归的损失函数为：其中，f(x
i
,b
i
)为分类器输入的边框；g
i
为真实边框；N为当前预测的样本数量；T为分类器的阶段；L
loc
为R
‑
CNN的损失函数，定义如下：其中，(o
x
,o
y
,o
w
,o
h
)为回归模型的输出边框坐标；(t
x
,t
y
,t

【专利技术属性】
技术研发人员：孙乃君，王忠，曹华卿，
申请(专利权)人：国网山西省电力公司大同供电公司，
类型：发明
国别省市：