一种输电线路雾天场景的小目标故障识别方法技术

一种输电线路雾天场景的小目标故障识别方法，包括以下步骤：

【技术实现步骤摘要】
一种输电线路雾天场景的小目标故障识别方法


[0001]本专利技术涉及电力监测
，特别是一种输电线路雾天场景的小目标故障识别方法
。

技术介绍

[0002]绝缘子是分布在输电线路上的绝缘体，对输电线路的正常运行起着至关重要的作用
。
绝缘子长期处于复杂多变的环境之中，受环境等因素影响，加上自身材料老化等原因容易发生自爆故障
。
若绝缘子发生自爆故障，轻则导致所在区域范围性停电，影响所在地居民的正常生活和生产，重则影响整条输电线路的正常运行和电气设备的使用寿命，若不能及时发现绝缘子存在的故障，则会给输电线路带来巨大的安全隐患
。
因此，对输电线路绝缘子自爆的检测具有十分重要的意义
。
[0003]随着计算机视觉和深度学习技术的发展，产生了多种检测绝缘子自爆的方法，并获得了良好的故障检测效果，一定程度上提升了电力工人输电线路安全巡检的效率
。
但其中绝大多数绝缘子缺陷检测模型都是基于没有雾霾的场景，雾霾一旦出现，会使得无人机拍摄到的绝缘子图像变得模糊不清，重要特征无法有效呈现，从而导致绝缘子缺陷检测模型的精度大大降低
。
近年来出现了多种图像去雾方法，但图像去雾后仍有噪声存在图像中，降低了图像质量和图像分辨率
。
因此，为了最大程度降低雾霾带来的影响，需要在绝缘子缺陷检测前对绝缘子图像进行去雾处理，使其恢复到无雾图像
。
同时，还需要在去雾的基础上保证良好的图像去噪性能以提升图像质量，进而提升绝缘子缺陷检测的精度
。
图像去雾作为计算机视觉领域的低层次视觉任务，对图像分类
、
目标识别等高层次计算机视觉任务具有重要影响，因此，研究图像去雾算法具有重要意义，目前常用的去雾算法有以下几种
。
[0004](1)
基于图像增强的去雾算法
[0005]基于图像增强的去雾算法通常不考虑雾天图像降质的原因，通过对有雾图像进行处理，增强有雾图像的全局特性或局部特性，使得图像质量得以改善，丰富图像中的信息量
。
[0006](2)
基于深度学习的去雾算法
[0007]基于深度学习的图像去雾算法可以根据有雾图像数据集自动学习雾霾特征，直接恢复有雾图像的透射率图或无雾图像，去雾效率较高
。
因此，基于深度学习的去雾算法逐渐成为图像去雾领域中的热点之一
。
[0008]上述几种基于深度学习的去雾算法在单幅图像去雾上均有不错的效果，但是均是单一对图像进行去雾处理，模型应用程度比较单一
。
本专利技术将针对该问题提出一种雾霾环境下的输电线路小目标缺陷检测方法，将
Cycle
‑
Dehaze
去雾算法与
YOLOv5
目标检测算法结合起来，首先
Cycle
‑
Dehaze
去雾算法对无人机采集的图像进行去雾预处理，再将图像输送到
YOLOv5
目标检测模型，实现对绝缘子的缺陷检测
。

技术实现思路

[0009]本专利技术所要解决的技术问题是提供一种输电线路雾天场景的小目标故障识别方法，解决了在雾天输电线路小目标检测中，检测精度低，速度低的问题
。
[0010]为解决上述技术问题，本专利技术所采用的技术方案是：一种输电线路雾天场景的小目标故障识别方法，包括以下步骤：
[0011]S1、
对采集到的输电线路巡检带雾图进行基于
Cycle
‑
Dehaze
的图像去雾算法去雾预处理，提高检测目标的清晰度和可见性；
[0012]S2、
对去雾处理后的输电线路巡检图像，随机划分为训练集
、
验证集和测试集，并对训练集和验证集中的输电线路部件及其故障目标进行标记；
[0013]S3、
构建基于改进后
YOLOv5
算法的输电线路小目标故障检测网络；
[0014]S4、
对改进后
YOLOv5
模型进行训练，将获取的去雾图像输入训练好的改进
YOLOv5
模型进行目标检测，识别出图像中的输电线路元件及其故障目标并对结果进行评价
。
[0015]优选的，所述
S1
中基于
Cycle
‑
Dehaze
的图像去雾算法包括以下步骤：
[0016]S11、
采用有雾图与无雾图进行训练
,
使生成器学习图像中雾霾的分布；
[0017]S12、
初始化生成对抗网络
Cycle
‑
Dehaze
的正向过程，将生成器在预训练中学习到的关于雾分布的权重作为
Cycle
‑
Dehaze
中生成器
G
的初始化参数
,
将有雾图像作为
Cycle
‑
Dehaze
生成器
G
输入生成器；
[0018]S13、
正向训练生成对抗网络，利用生成器去雾生成“无雾样本”,
固定生成器
,
将生成器生成的“无雾样本”与真实世界的无雾样本混合
,
训练判别器使其尽可能区分
,
循环更新
k
次判别器之后
,
更新一次生成器
,
使判别器尽可能区分不了真假；
[0019]S14、
生成对抗网络
Cycle
‑
Dehaze
逆向过程的初始化与训练
:
将生成器在预训练中学习到的关于雾分布的权重作为
Cycle
‑
Dehaze
中生成器
F
的初始化参数，将判别器判别出的无雾图像作为
Cycle
‑
Dehaze
生成器
F
输入生成器；
[0020]S15、
由循环一致损失判别逆向过程的结果与正向过程初始时的无雾图接近的程度决定
Cycle
‑
Dehaze
的训练是否停止；
Cycle
‑
Dehaze
算法入感知
‑
致性损失和循环一致性损失的组合，通过查看高级和低级特征的组合，来保留原始图像数据，从
VGG16
架构的第2和第5池化层提取，添加该组合损失后，该算法保留输入图像的纹理特征并生成唯一的无雾输出；循环感知一致性损失公式如下：
[0021][0022]x
表示
X
域的图像，
y
表示
Y
域的图像
,G、F
表示生成器，
F本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种输电线路雾天场景的小目标故障识别方法，其特征在于，包括以下步骤：
S1、
对采集到的输电线路巡检带雾图进行基于
Cycle
‑
Dehaze
的图像去雾算法去雾预处理，提高检测目标的清晰度和可见性；
S2、
对去雾处理后的输电线路巡检图像，随机划分为训练集
、
验证集和测试集，并对训练集和验证集中的输电线路部件及其故障目标进行标记；
S3、
构建基于改进后
YOLOv5
算法的输电线路小目标故障检测网络；
S4、
对改进后
YOLOv5
模型进行训练，将获取的去雾图像输入训练好的改进
YOLOv5
模型进行目标检测，识别出图像中的输电线路元件及其故障目标并对结果进行评价
。2.
根据权利要求1所述一种输电线路雾天场景的小目标故障识别方法，其特征在于，所述
S1
中基于
Cycle
‑
Dehaze
的图像去雾算法包括以下步骤：
S11、
采用有雾图与无雾图进行训练
,
使生成器学习图像中雾霾的分布；
S12、
初始化生成对抗网络
Cycle
‑
Dehaze
的正向过程，将生成器在预训练中学习到的关于雾分布的权重作为
Cycle
‑
Dehaze
中生成器
G
的初始化参数
,
将有雾图像作为
Cycle
‑
Dehaze
生成器
G
输入生成器；
S13、
正向训练生成对抗网络，利用生成器去雾生成“无雾样本”,
固定生成器
,
将生成器生成的“无雾样本”与真实世界的无雾样本混合
,
训练判别器使其尽可能区分
,
循环更新
k
次判别器之后
,
更新一次生成器
,
使判别器尽可能区分不了真假；
S14、
生成对抗网络
Cycle
‑
Dehaze
逆向过程的初始化与训练
:
将生成器在预训练中学习到的关于雾分布的权重作为
Cycle
‑
Dehaze
中生成器
F
的初始化参数，将判别器判别出的无雾图像作为
Cycle
‑
Dehaze
生成器
F
输入生成器；
S15、
由循环一致损失判别逆向过程的结果与正向过程初始时的无雾图接近的程度决定
Cycle
‑
Dehaze
的训练是否停止；
Cycle
‑
Dehaze
算法入感知
‑
致性损失和循环一致性损失的组合，通过查看高级和低级特征的组合，来保留原始图像数据，从
VGG16
架构的第2和第5池化层提取，添加该组合损失后，该算法保留输入图像的纹理特征并生成唯一的无雾输出；循环感知一致性损失公式如下：
x
表示
X
域的图像，
y
表示
Y
域的图像
,G、F
表示生成器，
F(G(x))、G(F(y))
表示重新构建的图像，
||*||2为
L2范式，
φ
为
VGG16
的网络提取器，感知损失使用
VGG16
网络的第二个和第五个池化层提取到的特征进行组合
。3.
根据权利要求1所述一种输电线路雾天场景的小目标故障识别方法，其特征在于，所述
S3
中构建基于改进后
Yolov5
算法的输电线路雾天场景的小目标检测网络，包括以下步骤：
S31、
首先数据集中图像进入输入端，对于尺寸大小不同的输入样本，首先将输入样本图像尺寸调整为
640
×
640
，在缩放填充的过程中对原始样本自适应填充，然后再送入检测网络的
Backbone
中；训练时，网络在初始锚框上计算得到预测框，然后计算其与真实框的差异，再进行反向更新；
S32、Backbone
由
Focus
模块
、
卷积块
CBL
和
CSP
模块构成，将原始
640
ⅹ
640
ⅹ3的图像输入
Focus
模块，通过切片操作，先将特征图变为
320
×
320
×
12
的特征图；然后使用
32
个卷积
核卷积得到
320
×
320
×
32
的特征图；卷积块
CBL
由卷积层
Conv、
归一化层
BN
和
Leaky_relu
激活函数组成；
S33、
特征融合网络结构由于采用
FPN+PAN
结构可将不同主特征层与不同的检测层进行融合，
FPN
从上向下传达语义特征，
PAN
自底向上传达定位特征；
S34、
在
YOLOv5
目标检测模型
Prediction
部分嵌入
CBAM
注意力机制，关注局部重点区域，提高了...

【专利技术属性】
技术研发人员：黄悦华，毕含嘉，
申请(专利权)人：三峡大学，
类型：发明
国别省市：