基于共享卷积神经网络的绝缘子检测方法及装置与流程

本发明涉及电力设备关键电力设备目标检测领域，更具体地，涉及一种基于共享卷积神经网络的绝缘子检测方法及装置。

背景技术：

近几年，保障输电线路的可靠性及运行情况成为建设智能电网的重要内容。变电设备的安全运行是保障电力系统稳定和安全的前提。绝缘子作为电力输电线路不可缺少的绝缘元件，它的运行状况直接影响电网的可靠性和安全性。同时绝缘子在输电线路中起到电气绝缘及支撑的作用；而且它表面的污秽、裂纹、破损等问题严重威胁输电线路的安全运行。根据统计，目前电力系统故障中所占比例最高的事故是由绝缘子缺陷引起的。因此对绝缘子的状况进行监测，及时完成故障诊断尤为重要。

目前，巡检机器人和无人机已经成为电力巡检的重要方式，利用平台上装载的摄像头获取了大量的绝缘子图像信息，如果对这些海量图像采用工作人员肉眼判读，不仅工作量大，容易发生漏判和误判现象，而且难以准确发现绝缘子存在的安全隐患。而实现故障自动检测的重要前提是识别和定位图像中的绝缘子，因此研究绝缘子的自动检测方法是非常必要的。

由于巡检机器人和无人机拍摄的绝缘子图片背景复杂，传统检测绝缘子的方法大多需要人工逐个检测，这样不仅耗费大量人力物力而且还容易引起人员伤亡，容易出现漏判和误判等现象。

目前，虽然出现了一些有关绝缘子的自动识别方法，但是这些方法要么因为变电站图像背景复杂，图像中存在和绝缘子形状相似的其他电力设备，如电流互感器和避雷器等，容易产生误识别的结果；要么当数据量增大时，会大大增加计算复杂度和计算时间，达不到实时检测的要求。

技术实现要素：

本发明提供一种克服上述问题或者至少部分地解决上述问题的基于共享卷积神经网络的绝缘子检测方法及装置。

根据本发明的一个方面，提供一种基于共享卷积神经网络的绝缘子检测方法，包括：

利用巡检机器人拍摄变电站的输电线路图像；

利用rpn网络和fastr-cnn网络训练的共享卷积神经网络获取输电线路图像中绝缘子的最佳位置。

本发明提出一种基于共享卷积神经网络的绝缘子检测方法，利用共享部分卷积层和池化层的rpn网络和fastr-cnn网络进行训练得到的共享卷积神经网络，检测输电线路图像中的绝缘子；相对于现有技术可以减小计算复杂度，达到对复杂背景下绝缘子的实时检测，实现了机器人巡检图像中绝缘子的精确识别和定位。

进一步，所述共享卷积神经网络通过以下步骤得到：

s1，利用输电线路图像训练样本集对rpn网络进行迭代训练，采用不同比例和不同大小的映射机制，获取第一粗候选区域及初始rpn网络；

s2，利用所述第一粗候选区域对fastr-cnn网络进行迭代训练，获取初始fastr-cnn网络；

s3，保持所述初始fastr-cnn网络的卷积层参数不变，利用所述训练样本集对所述初始rpn网络进行第一参数微调，获得第二粗候选区域及优化rpn网络；

s4，保持所述初始fastr-cnn网络的卷积层参数不变，利用所述训练样本集及所述第二粗候选区域对所述初始fastr-cnn网络进行第二参数微调，获得优化fastr-cnn网络；

其中，所述优化rpn网络和所述优化fastr-cnn共享部分卷积层和池化层，从而获得共享卷积神经网络。

进一步，所述s1进一步包括：

s1.1，构建包含6个卷积层、2个池化层、1个分类层和1个边框回归层的rpn网络；

s1.2，将所述训练样本集输入所述rpn网络，通过卷积层提取特征，通过池化层映射特征，获得第七层的特征图为第一特征图，采用不同比例和不同大小的映射机制生成不同大小不同比例的anchorboxes；

s1.3，基于所述anchorboxes，按照第一预设规则选取正样本和负样本，将所述正样本和负样本对应的特征统一成相同大小后输入分类层和边框回归层获取所述第一粗候选区域，得到初始rpn网络。

进一步，所述s2进一步包括：

s2.1，构建包含5个卷积层、2个池化层、1个roi池化层、1个分类层和1个边框回归层的fastr-cnn网络；

s2.2，将所述训练样本集输入所述fastr-cnn网络，经过卷积层提取特征，池化层映射特征，获取最后一个卷积层的特征为第二特征图；

s2.3，将所述粗候选区域映射到所述第二特征图上，通过所述roi池化层将所述第二特征图上的每个特征调整为固定大小；

s2.4，将所述每个特征输入分类层和边框回归层，按照第二预设规则选择正样本和负样本，并利用随机梯度下降法和反向传播算法更新所述fastr-cnn网络的每层网络的权值，获得初始fastr-cnn网络。

进一步，s1中对prn网络进行迭代训练和s3中所述第一参数微调包括：

将训练样本集输入所述初始rpn网络，利用反向传播法和梯度下降法更新所述初始rpn网络的最后一个卷积层、分类层及边框回归层的权值；

s2中对fastr-cnn网络进行迭代训练和s4中所述第二参数微调包括：

将所述粗候选区域输入fastr-cnn网路，利用梯度下降法和反向传播算法更新所述初始fastr-cnn网络中roi池化层、分类层及边框回归层的权值。

进一步，所述s1.2中rpn网络的卷积层和所述s2.2中fastr-cnn网络的卷积层，分别通过下式提取特征：

所述池化层通过下式映射特征：

其中，表示第l层的输入特征图；

表示每一层输出的特征图；，l∈{1,2,3,4,5,6}表示层数，k为卷积核，b为偏值，down()为抽样函数，β表示池化层的权值，激活函数为

s1.2中所述生成不同大小不同比例的anchorboxes包括：

利用3*3的滑窗依次在第七层输出的所述第一特征图上滑动，将滑窗中心点映射到原图；

选取中心点四周像素面积分别为128²、256²和512²，长宽比例分别为1:1、1:2和2:1的9个anchorboxes，将每个anchorbox映射为256维的向量。

进一步，所述s1.3中rpn网络的分类层的分类函数和所述s2.4中fastr-cnn网络的分类层的分类函数，为下式的softmax函数：

其中，p(i)为所属类别概率，为模型参数，x为输入，k为分类类别数。

边框回归层利用下式调整每个anchorbox区域：

其中，x和y表示每个绝缘子框的中心点坐标，w和h表示每个绝缘子框的长和宽，t表示预测框；

其中，x、y、w和h为预测框的中心点坐标、长和宽，xa、ya、wa和ha表示候选区域框的中心点坐标、长和宽，x^*、y^*、w^*、h^*表示真实框的中心点坐标、长和宽。

进一步，s1中对prn网络进行迭代训练和s3中所述第一参数微调过程中的损失函数为：

其中，qi为anchor预测为目标的概率，为0或1，若是正样本为1，若是负样本为0；ti＝{tx,ty,tw,th}表示预测的boundingbox的4个参数化坐标，lcls为两个类别(目标及非目标)的对数损失，lreg为回归损失。

进一步，s2中对fastr-cnn网络进行迭代训练和s4中所述第二参数微调过程中的损失函数为：

l(p,u,t^u,v)＝lcls(p,u)+λ[u≥1]lloc(t^u,v)

其中，lcls为分类层损失函数，lcls＝-logpu；

lloc为边框定位的损失函数，其中，

v＝(vx,vy,vw,vh)代表预测绝缘子框的坐标，代表真实绝缘子框的坐标。

根据本发明的另一方面，还提供一种基于共享卷积神经网络的绝缘子检测装置，包括：

图像获取模块，用于利用巡检机器人拍摄变电站的输电线路图像；以及

绝缘子检测模块，用于利用rpn网络和fastr-cnn网络训练的共享卷积神经网络获取所述输电线路图像中绝缘子的最佳位置。

本发明提出一种基于共享卷积神经网络的绝缘子检测方法及装置，首先通过巡检机器人拍摄变电站的输电线路，以获取输电线路图像；然后利用共享部分卷积层和池化层的rpn网络和fastr-cnn网络进行训练得到的共享卷积神经网络，检测输电线路图像中的绝缘子；相对于现有技术可以减小计算复杂度，达到对复杂背景下绝缘子的实时检测，实现了机器人巡检图像中绝缘子的精确识别和定位。

附图说明

图1为本发明实施例一种基于共享卷积神经网络的绝缘子检测方法示意图；

图2为本发明实施例获取共享卷积神经网络的步骤示意图；

图3为本发明实施例共享卷积神经网络示意图；

图4为本发明实施例检测绝缘子结果示意图；

图5为本发明实施例检测绝缘子结果召回率和正确率示意图。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

近几年，随着人工智能的发展，深度学习越来越多的应用于物体分类，语音识别，目标检测等领域，并取得了突破性的进展。卷积神经网络作为深度学习网络的一种，被广泛应用于图像处理中。它能够自动提取图像的特征信息，有利于分类和目标检测，使得检测结果更加准确，能够达到实时检测的标准，为以后判断绝缘子的故障打下基础。

如图1所示，一种基于共享卷积神经网络的绝缘子检测方法，包括：

利用巡检机器人拍摄变电站的输电线路图像；

利用rpn网络和fastr-cnn网络训练的共享卷积神经网络获取输电线路图像中绝缘子的最佳位置。

本实施例提出一种基于共享卷积神经网络的绝缘子检测方法，首先通过巡检机器人拍摄变电站的输电线路，以获取输电线路图像；然后利用共享部分卷积层和池化层的rpn网络和fastr-cnn网络进行训练得到的共享卷积神经网络，检测输电线路图像中的绝缘子；相对于现有技术可以减小计算复杂度，达到对复杂背景下绝缘子的实时检测，实现了机器人巡检图像中绝缘子的精确识别和定位。

本实施例所述rpn网络和所述fastr-cnn网络均为卷积神经网络，所述共享卷积神经网络为所述rpn网络和所述fastr-cnn网络通过共享部分网络层而得到的卷积神经网络。

如图2所示，在一个实施例中，所述共享卷积神经网络通过以下步骤得到：

s1，利用输电线路图像训练样本集对rpn网络进行迭代训练，采用不同比例和不同大小的映射机制，获取第一粗候选区域及初始rpn网络；

s2，利用所述第一粗候选区域对fastr-cnn网络进行迭代训练，获取初始fastr-cnn网络；

s3，保持所述初始fastr-cnn网络的卷积层参数不变，利用所述训练样本集对所述初始rpn网络进行第一参数微调，获得第二粗候选区域及优化rpn网络；

s4，保持所述初始fastr-cnn网络的卷积层参数不变，利用所述训练样本集及所述第二粗候选区域对所述初始fastr-cnn网络进行第二参数微调，获得优化fastr-cnn网络；

其中，所述优化rpn网络和所述优化fastr-cnn共享部分卷积层和池化层，从而获得共享卷积神经网络。

本实施例中，首先利用训练样本集分别对rpn网络和fastr-cnn网络进行单独训练得到初始rpn网络和初始fastr-cnn网络；再次利用初始fastr-cnn网络和初始rpn网络互相进行参数微调，获得最终的共享卷积神经网络。

所述训练样本集为一定数量的输电线路图像。本实施例在对利用训练样本对rpn网络和fastr-cnn网络进行训练之前，首先用labelimg软件标注图像中绝缘子的位置，记录绝缘子在图像中左上角和右下角的坐标，以及给出绝缘子的标签‘insulator’。

本实施例的训练网络分为两部分：第一部分，将带有标注的样本训练集输入rpn网络得到一系列质量高、数量少的绝缘子候选区域；第二部分，将得到的绝缘子候选区域输入fastr-cnn网络得到最终绝缘子的最佳位置。

本实施例中，rpn网络和fastr-cnn网络通过共享卷积层的参数，使得检测时计算量小、精确率高，并且实现了端到端的检测。在变电站背景复杂的情况下，该方法检测性能良好，解决了当前绝缘子检测的实时性问题。

在一个实施例中，所述s1进一步包括：

s1.1，构建包含6个卷积层、2个池化层、1个分类层和1个边框回归层的rpn网络；

s1.2，将所述训练样本集输入所述rpn网络，通过卷积层提取特征，通过池化层映射特征，获得第七层的特征图为第一特征图，采用不同比例和不同大小的映射机制生成不同大小不同比例的anchorboxes；

s1.3，基于所述anchorboxes，按照第一预设规则选取正样本和负样本，将所述正样本和负样本对应的特征统一成相同大小后输入分类层和边框回归层获取所述第一粗候选区域，得到初始rpn网络。

本实施例中，s1.1所构建的rpn网络该网络由6个卷积层、2个池化层、1个分类层和1个边框回归层构成。第一层为卷积层，卷积核的大小为7*7，输出96个特征图；第二层为池化层，核窗口的大小为3*3；第三层为卷积层，卷积核的大小为5*5，输出256个特征图；第四层为池化层，核窗口的大小为3*3；第五、六、七、八层都是卷积层，卷积核的大小均为3*3，输出特征图的个数依次为384、384、256和256；第九层和第十层并联，分别为分类层和边框回归层。以上各层连接在一起，就得到用于输出绝缘子候选区域的rpn网络。

所述rpn网络的分类层，用于判断样本图像上的区域是否为绝缘子候选区域。

本实施例所述s1.2之前，还包括对初始构建的rpn网络的各层参数进行初始化，包括：用均值为0，标准差为0.01的高斯分布函数随机数初始化rpn网络中的待训练参数。设置rpn网络的学习率为0.01，每迭代5000次将学习率除以10，最大迭代次数为15000。

其中，所述高斯分布函数如下：

其中，μ为均值，σ为标准差。

本实施例通过s1.1构建好了10层的rpn网络，对所构建的rpn网络进行初始化；然后实施s1.2，所述s1.2由卷积层和池化层完成，包括第一层到第八层；然后实施s1.3，所述s1.3由分类层和边框回归层完成，第八层输出的anchorboxes经过分类层和边框回归层进行筛选，获取绝缘子粗候选区域，同时得到初始rpn网络。

s1.3中所述按照第一预设规则选取正样本和负样本具体为：选取与真实绝缘子框交集并集之比(iou)大于0.7的区域为正样本，小于0.3的区域为负样本。

iou＝si/(sa+sb-si)

其中，sa表示真实绝缘子框的面积，sb表示anchorbox映射到原图的面积，si表示二者交集的面积。

在一个实施例中，所述s2进一步包括：

s2.1，构建包含5个卷积层、2个池化层、1个roi池化层、1个分类层和1个边框回归层的fastr-cnn网络；

s2.2，将所述训练样本集输入所述fastr-cnn网络，经过卷积层提取特征，池化层映射特征，获取最后一个卷积层的特征为第二特征图；

s2.3，将所述粗候选区域映射到所述第二特征图上，通过所述roi池化层将所述第二特征图上的每个特征调整为固定大小；

s2.4，将所述每个特征输入分类层和边框回归层，按照第二预设规则选择正样本和负样本，并利用随机梯度下降法和反向传播算法更新所述fastr-cnn网络的每层网络的权值，获得初始fastr-cnn网络。

本实施例中，s2.1所构建的fastr-cnn网络由5个卷积层、2个池化层、1个roi池化层、1个分类层和1个边框回归层构成。前七层与所述s1.1中rpn网络的结构相同，第八层为roi池化层，然后将roi池化层的输出分别送入边框回归层和分类层，得到最终的fastr-cnn网络。

同样的，本实施例在s2.2之前，对fastr-cnn网络进行初始化，包括：用均值为0，标准差为0.01的高斯分布函数随机数初始网络中的待训练参数。设置网络的学习率为0.01，每迭代10000次将学习率除以10，最大迭代次数为30000。本实施例所述高斯分布函数与s1.1中rpn网络初始化的高斯分布函数相同。

本实施例，通过s2.1构建fastr-cnn网络，进行初始化后，实施s2.2、s2.3和s2.4。具体为：将训练样本集输入所述fastr-cnn网络，经过卷积层和池化层进行逐层运算，得到特征；然后将s1中rpn网络得到的绝缘子候选区域映射到第七层卷积层得到的特征图上，通过roi池化层将每个特征固定为统一大小。然后将所有特征送入fastr-cnn网络的分类层和边框回归层。

本实施例s2.4所述按照第二预设规则选择正样本和负样本具体为：选取与真实绝缘子框交集并集之比大于等于0.5的为正样本，其余的为负样本。

在一个实施例中，s1中对prn网络进行迭代训练和s3中所述第一参数微调包括：

将训练样本集输入所述初始rpn网络，利用反向传播法和梯度下降法更新所述初始rpn网络的最后一个卷积层、分类层及边框回归层的权值；

本实施例中，将训练好的初始fastr-cnn网络模型卷积层的参数保持不变，用于微调所述初始rpn网络。将训练样本集输入所述初始rpn网络，此时只需要利用反向传播法和梯度下降法更新所述初始rpn网络最后一个卷积层和分类层及边框回归层的权值，从而得到训练好的所述优化rpn网络。

s2中对fastr-cnn网络进行迭代训练和s4中所述第二参数微调包括：

将所述粗候选区域输入fastr-cnn网路，利用梯度下降法和反向传播算法更新所述初始fastr-cnn网络中roi池化层、分类层及边框回归层的权值。

本实施例中，将所述初始rpn网络输出的候选区域送入所述初始fastr-cnn网路，保持所述初始fastr-cnn网络模型的卷积层参数保持不变，利用梯度下降法和反向传播算法更新fastr-cnn网络中roi池化层和分类层及边框回归层的权值，此时得到训练好的所述优化fasterr-cnn网路，用于绝缘子的精确检测。

在一个实施例中，所述s1.2中rpn网络的卷积层和所述s2.2中fastr-cnn网络的卷积层，分别通过下式提取特征：

所述池化层通过下式映射特征：

其中，表示第l层的输入特征图；

表示每一层输出的特征图；l∈{1,2,3,4,5,6}表示层数，k为卷积核，b为偏值，down()为抽样函数，β表示池化层的权值，激活函数为

s1.2中所述生成不同大小不同比例的anchorboxes包括：

利用3*3的滑窗依次在第七层输出的所述第一特征图上滑动，将滑窗中心点映射到原图；

选取中心点四周像素面积分别为128²、256²和512²，长宽比例分别为1:1、1:2和2:1的9个anchorboxes，将每个anchorbox映射为256维的向量。

在一个实施例中，所述s1.3中rpn网络的分类层的分类函数和所述s2.4中fastr-cnn网络的分类层的分类函数，为下式的softmax函数：

其中，p(i)为所属类别概率，为模型参数，x为输入，k为分类类别数。

边框回归层利用下式调整每个anchorbox区域：

其中，x和y表示每个绝缘子框的中心点坐标，w和h表示每个绝缘子框的长和宽，t表示预测框；

其中，x、y、w和h为预测框的中心点坐标、长和宽，xa、ya、wa和ha表示候选区域框的中心点坐标、长和宽，x^*、y^*、w^*、h^*表示真实框的中心点坐标、长和宽。

本实施例，所述s1.3将第八层的特征向量送入分类层，通过分类层判断是否为绝缘子，通过边框回归层调整绝缘子边框位置。

本实施例所述s1.3还包括：利用反向传播算法和随机梯度下降法，更新每层的权值，更新过程中的损失函数与所述s3中所述第一参数微调的损失函数相同。

在一个实施例中，s1中对prn网络进行迭代训练和s3中所述第一参数微调过程中的损失函数为：

其中，qi为anchor预测为目标的概率，为0或1，若是正样本为1，若是负样本为0；ti＝{tx,ty,tw,th}表示预测的boundingbox的4个参数化坐标，lcls为两个类别(目标及非目标)的对数损失，lreg为回归损失。

本实施例中的损失函数为反向传播算法和随机梯度下降法调整rpn网络权值过程中的损失函数，与所述s1.3中利用反向传播算法和随机梯度下降法得到初始rpn网络的损失函数相同。

在反向传播过程中，可以通过不断调节每层的参数减少残差e。

残差e对偏值b的导数为：

残差对权值w的导数为：

然后利用如下公式更新每层的参数：

其中，η为学习率，表示梯度的下降速度。

在一个实施例中，s2中对fastr-cnn网络进行迭代训练和s4中所述第二参数微调过程中的损失函数为：

l(p,u,t^u,v)＝lcls(p,u)+λ[u≥1]lloc(t^u,v)

其中，lcls为分类层损失函数，lcls＝-logpu；

lloc为边框定位的损失函数，其中，

v＝(vx,vy,vw,vh)代表预测绝缘子框的坐标，代表真实绝缘子框的坐标。

本实施例中的损失函数为反向传播算法和随机梯度下降法调整fastr-cnn网络权值过程中的损失函数，与所述s2.4中利用反向传播算法和随机梯度下降法得到初始fastr-cnn网络的损失函数相同。

本发明还提供一种基于共享卷积神经网络的绝缘子检测装置，包括：

图像获取模块，用于利用巡检机器人拍摄变电站的输电线路图像；以及

绝缘子检测模块，用于利用rpn网络和fastr-cnn网络训练的共享卷积神经网络获取所述输电线路图像中绝缘子的最佳位置。

下面结合附图对本发明做进一步的分析。

如图3所示，本发明主要有两个网络组成，包括rpn网络和fastr-cnn网络。分为两部分：第一部分，将带有标注的样本训练集输入rpn网络得到一系列质量高、数量少的绝缘子候选区域；第二部分，将得到的绝缘子候选区域输入fastr-cnn网络得到最终绝缘子的最佳位置。

所述第一部分包括以下步骤：

步骤11：标注训练样本，搜集来自变电站巡检机器人拍摄的图像，用labelimg软件标注图像中绝缘子的位置，记录绝缘子在图像中左上角和右下角的坐标，以及给出绝缘子的标签‘insulator’。

步骤12：构建rpn网络。该网络由五个卷积层，两个池化层，一个分类层(判断是否为绝缘子候选区域)，一个边框回归层组成。第一层为卷积层，卷积核的大小为7*7，输出96个特征图，第二层为池化层，核窗口的大小为3*3，第三层为卷积层，卷积核的大小为5*5，输出256个特征图，第四层为池化层，核窗口的大小为3*3，第五、六、七层都是卷积层，卷积核的大小都是3*3，输出特征图的个数依次为384、384和256。第八层为卷积层，卷积核的大小为3*3，用3*3的滑窗依次在第七层输出的特征图上进行滑动，将滑窗中心点映射到原图，选取中心点四周像素面积为128²、256²和512²,长宽比例为1:1、1:2和2:1的9个anchorboxes，将每个anchorbox映射为256维的向量，分别输入到第八层分类层和第九层边框回归层。将以上各层连接在一起，就得到用于输出绝缘子候选区域的rpn网络。

步骤13：对rpn卷积神经网络的各层参数进行初始化，用均值为0标准差为0.01的高斯分布函数随机数初始网络中的待训练参数。

步骤14：将训练样本集输入rpn网络，利用反向传播算法和梯度下降法对网络进行优化。选取与真实绝缘子框交集并集之比大于0.7的区域为正样本，小于0.3的区域为负样本。设置网络的学习率为0.01，每迭代5000次将学习率除以10，最大迭代次数为15000。得到训练好的rpn网络模型。

所述第二部分包括以下步骤：

步骤21：构造fastr-cnn络。由于rpn网络和fastr-cnn网络有一部分卷积层和池化层是共享的，所以fastr-cnn网络是在rpn网络第七层的后面加入roi池化层，然后将roi池化层的输出分别送入边框回归层和分类层，得到最终的fastr-cnn网络。

步骤22：对fastr-cnn卷积神经网络的各层参数进行初始化，用均值为0标准差为0.01的高斯分布函数随机数初始网络中的待训练参数。

步骤23：将rpn网路得到的绝缘子候选区域送入fastr-cnn网络进行训练。利用利用反向传播算法和梯度下降法对网络进行优化。设置网络的学习率为0.01，每迭代5000次将学习率除以10，最大迭代次数为20000。选取与真实绝缘子框交集并集之比大于等于0.5的为正样本，其余的为负样本。通过不断地训练优化，得到训练好的fastr-cnn网络模型。

上述rpn网络和fastr-cnn网络都是单独训练的，并没有体现出共享卷积层的参数。以下是为了减小检测时间，体现二者共享卷积层参数的步骤。

步骤3：将训练好的fastr-cnn网络模型卷积层的参数保持不变，用于微调rpn网络。将训练样本集输入rpn网络，此时只需要利用反向传播法和梯度下降法更新rpn网络最后一个卷积层和分类层及边框回归层的权值，得到训练好的rpn网络。

步骤4：将样本训练集和rpn网络输出的候选区域送入fastr-cnn网路，保持fastr-cnn网络模型的卷积层参数保持不变，利用梯度下降法和反向传播算法更新fastr-cnn网络中roi池化层和分类层及边框回归层的权值，此时得到训练好的fasterr-cnn网路，用于绝缘子的精确检测。

至此，本发明所提供的一种基于共享卷积神经网络的绝缘子检测方法训练阶段完成。下面对具体的绝缘子检测过程做进一步描述。

本发明所述基于共享卷积神经网络的绝缘子检测方法，利用300张绝缘子图像的测试集进行测试，其中包含绝缘子、输电线路、树木等目标，本实验的目的是识别和定位出图像中绝缘子。

本发明的实验的计算机环境：操作系统为linux14.04版本，显卡为gtx980ti，软件平台：matlabr2014a、caffe。

将测试集输入训练好的网络模型，得到测试结果；然后利用召回率和准确率衡量本发明方法的检测效果。

召回率＝正确识别绝缘子的数量/所有绝缘子数量。

准确率＝正确识别绝缘子的数量/所有被检测的目标数量。

如图5所示，由召回率和准确率可以看出，本发明方法具有较高的召回率和准确率，说明该方法具有较好的鲁棒性。

综上所述，本发明提出一种基于共享卷积神经网络的绝缘子检测方法，利用共享部分卷积层和池化层的rpn网络和fastr-cnn网络进行训练得到的共享卷积神经网络，检测输电线路图像中的绝缘子；相对于现有技术减小计算复杂度，达到对复杂背景下绝缘子的实时检测，实现了机器人巡检图像中绝缘子的精确识别和定位。rpn网络和fastr-cnn网络通过共享卷积层的参数，使得检测时计算量小、精确率高，并且实现了端到端的检测。在变电站背景复杂的情况下，该方法检测性能良好，解决了当前绝缘子检测的实时性问题。

最后，本发明的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。