一种用于无人机巡检输电线路的绝缘子识别方法
【技术领域】
[0001] 本发明设及数字图像处理及模式识别技术在输电线路设备检测技术领域，尤其设 及一种高效的用于无人机巡检输电线路绝缘子的识别方法。
【背景技术】
[0002] 绝缘子是架空输电线路中重要的组成部分，用来支持和固定母线与带电导体、并 使带电导体间或导体与大地之间有足够的距离和绝缘。由于架空输电线路长期暴露在自然 环境中，受到自然或者人为因素的影响，存在线路老化和破坏等问题，如果不对该些问题进 行定期检查和检修可能引起重大安全事故发生。
[0003] 人工巡线检测效率低，而且危险性高。随着无人机技术的发展，通过无人机航拍技 术采集高压线路图像并对该些图像信息进行处理，可W减少人员成本并保证施工人员的安 全，同时可W提高工作效率。
[0004]由于输电线路杆塔所在位置地理环境复杂，导致获取的图像背景也相对复杂，该 给后续目标的识别与定位造成了困难，而且基于航拍图像的输电线路状态检测技术尚处于 起步阶段，可参考文献和研究成果较少。
[0005] 现有技术中，一类方法是利用颜色信息，使用最大阔值法、最大类间方差法对彩色 图像进行分割。存在的缺点；该类方法受光照的影响比较严重，而且输电线路所处自然环境 复杂，有树木，河流、道路等复杂背景，使得该类方法检测准确率不高。
[0006]另一类方法是利用绝缘子的片状结构的楠圆信息，用化U曲变换来检测楠圆。存 在的缺点：由于拍摄角度的问题，片与片之间存在遮挡的情况，造成检测误差。
【发明内容】
[0007] 为解决现有技术存在的不足，本发明公开了一种高效的用于无人机巡检输电线路 绝缘子识别方法，该技术利用深度学习方法通过对航拍到的输电线路图像资料进行学习， 然后利用直线拟合方法计算绝缘子的角度信息，能够完成对无人机航拍巡线图像中绝缘子 的识别定位技术要求，提高对绝缘子检测的准确性和鲁椿性。
[0008] 为实现上述目的，本发明的具体方案如下：
[0009] 一种用于无人机巡检输电线路的绝缘子识别方法，包括W下步骤：
[0010] 步骤一：图像采集及处理；从输电线路绝缘子图像中提取用于训练的子图像并进 行初步处理，形成训练数据集；
[0011] 步骤二：对提取到的用于训练的子图像进行打包处理，添加图像对应的标签；
[0012] 步骤S;利用深度学习中的卷积神经网络（CNN)算法对步骤一数据集中的数据进 行训练，得到针对绝缘子的检测模型；
[0013] 步骤四：绝缘子目标区域检测；对输电线路图像进行检测，获取绝缘子目标的候 选框；
[0014] 步骤五；对候选框进行非极大值抑制，得到最终的绝缘子候选框；
[0015] 步骤六；对得到的最终的绝缘子候选框进行直线拟合操作，获取中屯、点，候选框的 角度和大小信息，最后在输电线路绝缘子图像上进行标注。
[0016] 所述步骤一中，图像采集及处理过程是；在输电线路绝缘子图像中提取绝缘子部 件、杆塔和背景的区域图像，将提取到的图像进行缩放处理，对提取到的绝缘子进行角度的 旋转操作。
[0017] 所述步骤S中，用卷积神经网络算法进行模型训练时：
[0018] 首先设置初始训练使用的模板参数，其中包括卷积神经网络的层数，卷积核的大 小，各个节点的初始权重，是否使用下采样处理，每层数据输入输出的个数，激活函数，每层 卷积神经网络的梯度下降的学习效率。
[0019] 所述步骤=中，具体的基于卷积神经网络的绝缘子检测模型训练过程包括W下步 骤：
[0020] 3-1)前向传导（Fee壯orward化SS);将输入的彩色图像分RGBS通道提取像素信 息，作为卷积神经网络的输入信息；
[0021] 3-2)后向传导炬ackPropagationPass);优化前向传导得到的类别标签与样本 实际标签间的损失函数。
[0022] 所述步骤3-1)中，卷积神经网络的结构，使用六层的卷积神经网络结构训练模 板；
[0023] 第一层是卷积层，第=层是卷积层，第五层是卷积层，卷积层用设定像素大小的 卷积核与输入信息进行卷积操作得到特征向量；
[0024] 第二层是降采样层，第四层是降采样层，降采样层根据参数模板中的定义，进行 降采样操作，采用的是在设定的像素大小的图像块内取最大值作为输出，通过降采样过程 有效的在保存有用信息的基础上减少数据处理量；
[0025] 第六层为全连接层；将第五层得到的特征向量整合，形成一个长向量，将其传递给 激活函数获得对输入样本类别的判断，选择最大的输出值作为输入样本的标签。
[0026] 所述步骤3-2)中，假设用于训练集形式是{(xW，yW)，（x?，y?)，...，（xW，yW)} ，X<"表示第i个训练数据，yw表示数据Xw对应的数据标签，训练数据集包含n个样本。
[0027] 对于单个样本（X，y)，学习到的结果为tVb(x)，其损失函数为：
[0028]
(1)
[0029]所W整体损失函数J(W，b)为：
[0030]
[00引]公式似中，Si，Sw表示第1层和1+1层神经元节点的数目，ni表示神经网络的 层数，听'嗦示第1组权重参数中连接1层第i个节点和第1+1层第j个节点的权重系数， 马"为第1层第i个节点的偏置，第一项J(W，b;xW，yW)是一个均方差项，第二项是正则化 项，用来减小权重的幅度，防止过拟合，丫为控制系数。
[0032] 用梯度下降法对参数W和b进行更新：
[0033]
[0034] 其中，公式（3)中的a是学习速率，用于控制梯度下降的速度。
[00巧]所述步骤四中，使用卷积神经网络进行绝缘子的检测，详细方法如下：
[003引 4-1)提取训练好的卷积神经网络模板，包括权重、偏置W及训练使用的网络结构； 然后根据该些参数初始化测试程序；
[0037] 4-。载入图像，由于无人机采集到的图像较大，对图像进行缩放W加速后续的运 算，为了精确的定位绝缘子的位置，加入多尺度方法，在多个尺度上进行滑动框操作，获取 具体的目标图像块；
[0038] 4-3)将目标图像块作为输入，进行前向传导操作，获取目标块的所属类别；
[003引4-4)保存绝缘子类别的目标块信息，其中包括目标块的起点位置及长宽信息。[0040] 所述步骤六中，使用直线拟合方法对绝缘子标注，具体过程如下：
[00川 6-1)获取步骤五中得到的t个类别的叫，i= {1，…，t}个候选框信息，计算每个 候选框的中屯、点位置，并保存；
[004引6-。中屯、点位置为化曲，可W用线性拟合的方式对每个类别的中屯、位置进行拟 合，精确的定位每个绝缘子的位置，该里可W用一元线性拟合来解决该个问题：
[0043] Y=kX+b' （4)
[0044] 6-3)用最小二乘拟合法，计算出一条最能反映X与Y关系的直线。
[0045] 所述步骤6-3)中，定义损失函数为：
[004引
城
[0047] 其中，也，Qj.)为属于i类的第j个矩形框的中屯、点。
[0048] 通过对b'和k求偏导，来获取b'和k的最优解；
[004引
佩
[0050]得到k和b'的最终解为
[005U(7)
[00閲其中，（Pj,Qj.)为属于i类的第j个矩形框的中屯、点，m康示第i类