一种基于目标识别的复合绝缘子憎水性等级检测方法技术

本发明专利技术公开了一种基于目标识别的复合绝缘子憎水性等级检测方法，将分类问题转变为目标检测问题，通过识别出图像中所有水滴的位置与大小，再计算出憎水性等级所占的面积，选择面积最大的作为图像的憎水性等级。有效解决了在识别含有部分憎水性好的区域但总体憎水性较差的绝缘子图像中，分类模型只关注憎水性不错的部分而导致分类错误的问题。针对憎水性图像的特点，引入FPN结构解决水滴的尺度问题，使用Giou

【技术实现步骤摘要】
一种基于目标识别的复合绝缘子憎水性等级检测方法


[0001]本专利技术属于电力以及图像处理
，涉及一种基于目标识别的复合绝缘子憎水性等级检测方法。

技术介绍

[0002]在电力系统中，复合绝缘子凭借其耐污性能好的特点而使用广泛，但由于复合绝缘子悬挂户外，不免遭受雨水、腐蚀、暴晒等，长时间使用，多半会造成绝缘子憎水性等级的变化。若不及时检测检修，复合绝缘子憎水性等级的下降将会导致耐污闪能力降低，进一步会影响电力系统运行稳定性。
[0003]目前，在绝缘子憎水性检测领域，已经开展了大量研究。其中最初绝缘子憎水性检测等级采用人工操作，根据由瑞典输电研究所提出的将绝缘子憎水性分为七个等级的依据来识别绝缘子憎水性等级，受主观性影响较大。后逐渐将图像处理技术引入到绝缘子憎水性检测中，在图像预处理技术如canny算法，傅里叶变换等技术的基础上，引入最大面积比法识别绝缘子憎水性等级，有效地克服在绝缘子憎水性识别过程中主观性的影响，也有学者在此基础上，将图像处理技术与机器学习算法相结合，如采用支持向量机，K近邻算法来实现，但是总体过程较为繁琐、识别效率较低。目前随着深度学习的兴起，卷积神经网络逐渐应用于绝缘子憎水性等级判定中，有采用深度卷积神经网络，通过将绝缘子憎水性图片网格化，逐个分析每个子网格的憎水性等级，但是识别的准确率不够理想，且采用网络框架复杂，计算速度有待提高。并且在实际应用中一些总体憎水性较差的绝缘子图像中，往往含有一部分憎水性较好的区域。此时上述分类模型在对此类图像憎水性等级判别时往往会只关注憎水性不错的部分而导致分类错误。因此这一误差是影响识别精度的一重要因素，故在此基础上，复合绝缘子憎水性识别的精度和鲁棒性有待提高。

技术实现思路

[0004]本专利技术所要解决的技术问题是提供一种基于目标识别的复合绝缘子憎水性等级检测方法，本专利技术可有效地进行复合绝缘子憎水性图像判别，识别准确率高，提高了绝缘子憎水性检测的自动化程度。
[0005]专利技术的技术解决方案如下：
[0006]一种基于目标识别的复合绝缘子憎水性等级检测方法，其特征在于：
[0007]采用Mask
‑
RCNN(即region proposals(候选区域)+CNN)网络对绝缘子进行憎水性等级检测；
[0008]所述Mask
‑
RCNN网络的训练过程包括如下步骤：
[0009]步骤一、获取带水珠的绝缘子图像；
[0010]对无人机拍摄采集到的绝缘子憎水性图片进行剪裁，裁剪至256
×
256像素大小；
[0011]步骤二、将步骤一中获得的图像进行扩充并获得对应的特征图；
[0012]将步骤一中处理过后的绝缘子的图片通过左右翻转、剪裁、旋转以及变换颜色的
方式扩充数据后送入Mask
‑
RCNN中的骨干网络(Backbone)获得对应的特征图；
[0013]步骤三、对特征图进行目标提取，将检测到的目标用预测框框出；
[0014]目标提取是指区分特征图中的背景和检测目标，并将检测到的目标用预测框标示出；
[0015]步骤四、将步骤三中提取到的预测框进行池化；
[0016]池化能对预测框中内容进一步压缩并提取预测框中主要特征，简化网络计算复杂度；相关说明：池化层也称下采样层，会压缩输入的特征图，一方面减少了特征，导致了参数减少，进而简化了卷积网络计算时的复杂度；另一方面保持了特征的某种不变性(旋转、平移、伸缩等)。池化操作主要有两种，一种是平均池化(Average Pooling)，即对邻域内的特征点求平均；另一种是最大池化(Max Pooling)，即对邻域内的特征点取最大。
[0017]池化方法特征提取误差主要来自两个部分：一是，邻域大小受限造成了估计值方差增大；二是，卷积层参数误差造成了估计均值的偏移。一般来说，在图像研究领域，对图像进行平均池化操作能减少第一种误差，同时更多地保留图像的背景信息；而另一方面，最大池化能减小第二种误差，更多地保留纹理信息。因此在进行卷积神经网络结构设计时，这两种池化方式往往交替使用。简而言之，池化就是去除杂余信息，保留关键信息。
[0018]步骤五、对所有的检测目标进行聚类、并获得各目标与等级对应的概率向量；
[0019]步骤六、获得各目标的等级及置信度；
[0020]根据各目标与等级对应的概率向量计算各目标的等级及置信度；
[0021]步骤七、确定整个绝缘子图像的憎水性等级。
[0022]步骤三中，采用FPN(特征金字塔Feature Pyramid Net
‑
works，FPN)网络对特征图进行二值分类(区别背景与目标)；
[0023]在FPN网络中的Proposal层使用鲁棒性更强的Soft
‑
NMS替代原来的NMS。
[0024]步骤四中，对经过FPN过滤后的预测框进行ROIAlign操作，将大小不同的特征图池化成相同大小，同时将预测框映射到特征图的对应位置。以便接下来进行预测框的分类、边框回归和mask生成，同时利用边框回归得到每个预测框偏移量来进一步获得更准确的预测框。
[0025]步骤五中，使用K
‑
means聚类对锚框进行选择使用，采用改进的损失函数对预测框进行分类，生成mask,确定每个带预测框的目标对应的类别(即等级)及概率向量(概率向量是指该目标对应不同类别的概率)；
[0026]改进的损失函数定义如下：
[0027][0028]其中i表示预测框编号；p
i
表示预测框i是否存在目标的概率；表示对应的真实框概率(如预测框i与对应的真实框间的IoU>0.7，则被判定为正样本，反之当IoU<0.3，则被判定为负样本，其他的预测框不参与训练，IoU为交并比，即真实框与预测框的交并比)；t
i
表示预测框i的坐标信息；表示对应的真实框与预测框i之间的偏移量；λ则是防止两部分损失差距过大的超参数,λ一般是取10；其中分类损失L
cls
定义为交叉熵损失。
[0029]交叉熵损失计算公式如下：
[0030][0031]其中K为种类数量，在本任务中为7，y
i
为标签，也就是如果类别为i，则y
i
＝1，否则等于0,p
i
为神经网络的输出，即为类别i的概率。p
i
由Softmax函数计算而来，它的主要作用就是将每个类别所对应的输出分量归一化，使各个分量的和为1，即将任意是输入值转化为概率。数学表达式如下：
[0032][0033]步骤六中，使用Softmax函数对概率向量进行处理运算得到优化过的检测结果精度即置信度，输出预测框的等级及其对应的置信度。
[0034]步骤七中，确定憎水性等级的算法有2种，算法1：以面积最大的目标(水珠)对应的憎水性等级作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标识别的复合绝缘子憎水性等级检测方法，其特征在于：采用Mask
‑
RCNN网络对绝缘子进行憎水性等级检测；所述Mask
‑
RCNN网络的训练过程包括如下步骤：步骤一、获取带水珠的绝缘子图像；对无人机拍摄采集到的绝缘子憎水性图片进行剪裁，裁剪至256
×
256像素大小；步骤二、将步骤一中获得的图像进行扩充并获得对应的特征图；将步骤一中处理过后的绝缘子的图片通过左右翻转、剪裁、旋转以及变换颜色的方式扩充数据后送入Mask
‑
RCNN中的骨干网络(Backbone)获得对应的特征图；步骤三、对特征图进行目标提取，将检测到的目标用预测框框出；目标提取是指区分特征图中的背景和检测目标，并将检测到的目标用预测框标示出；步骤四、将步骤三中提取到的预测框进行池化；步骤五、对所有的检测目标进行聚类、并获得各目标与等级对应的概率向量；步骤六、获得各目标的等级及置信度；根据各目标与等级对应的概率向量计算各目标的等级及置信度；步骤七、确定整个绝缘子图像的憎水性等级。2.根据权利要求1所述的基于目标识别的复合绝缘子憎水性等级检测方法，其特征在于，步骤三中，采用FPN网络对特征图进行二值分类；在FPN网络中的Proposal层使用鲁棒性更强的Soff
‑
NMS替代原来的NMS。3.根据权利要求1所述的基于目标识别的复合绝缘子憎水性等级检测方法，其特征在于，步骤四中，对经过FPN过滤后的预测框进行ROIAlign操作，将大小...

【专利技术属性】
技术研发人员：曹留，绳飞，崔用江，刘玉龙，薛鹏，刘英昌，居来提，
申请(专利权)人：国家电网有限公司湖南大学，
类型：发明
国别省市：