一种基于F-RCNN的缺陷电缆检测方法与流程

本发明属于电缆缺陷识别领域,具体涉及一种基于f-rcnn的缺陷电缆检测方法。

背景技术：

我国在90年代初，开展了大量的城网改造工作，大量的电缆开始应用到城市电网。但是，由于制作工艺以及长期处在不同的运行工况下的影响，电力电缆往往会由于受潮、过热、挤压、弯曲过度等原因造成电力电缆产生水树、绝缘介质变形、铜屏蔽层松动等局部缺陷，如果不对电力电缆的局部缺陷进行处理，电力电缆局部缺陷在强电场的作用下就会迅速发展，最终导致电力电缆绝缘的失效，从而为电力电缆的维护、更换带来大量的工作，导致大量的人力、财力浪费。此外，由于电力电缆埋在地下，并集中在中心城区，对整根电缆进行更换也是一个困难的工作。从节约成本的角度，如果能将电力电缆局部缺陷进行诊断、修复，则可大量节约人力、财力。

当前基本都采用的是无人机巡逻的方式，对电缆进行拍照片，通过识别照片的方法来鉴别电缆的优劣。存在的问题在于，一是无人机所拍摄的照片数量大，存储困难；二是无人机只能拍摄某个离散型的点，不能对电缆的整个概况进行记录；三是照片数量大，筛选的时候，耗时耗力，容易出差错；四是有的时候易受到外界环境的影响，比如风沙天气，导致拍摄的照片模糊不清。

技术实现要素：

针对现有技术的不足和上述问题，本发明提供了一种基于f-rcnn的缺陷电缆检测方法，其特征在于，该方法具体包括：

s1、获取初始值，通过高清摄像头拍摄得到数据照片；

s2、对得到的初始值进行清晰度处理；

s3、利用卷积神经网络cnn，对拍摄图像的特征向量初步提取；

s4、通过池化层和区域卷积神经网络rcnn对卷积神经网络cnn提取图像的特征向量进行随意组合，使得出现的多种可能性被涵盖；

s5、对随意组合后的图像特征向量进行n类回归四等分法处理，将每一类的可能性进行学习，并将学习的结果一一列举，筛选最优值；

s6、对随意组合后的特征向量进行黄金分割法分类，利用函数对特征向量进行计算，确定所有数值；

s7、利用快速区域卷积神经网络f-rcnn的方法找出坏值，得出缺陷电缆的位置。

所述卷积神经网络cnn、区域卷积神经网络rcnn和快速区域卷积神经网络f-rcnn公用一层卷积层。

所述s3中，对拍摄图像的特征向量初步提取步骤为：

步骤1、将二维的照片转变成一个n×n的二维图形矩阵；

步骤2、选取矩阵内的四个区域，别为a×n，b×n，c×n和d×n的二维图形矩阵；

步骤3、每个选定的区域设置两个特征向量，对于a×n的二维图形矩阵设置两个a×1的一维图形矩阵、b×n的二维图形矩阵设置两个b×1的一维图形矩阵、c×n的二维图形矩阵设置两个c×1的一维图形矩阵，d×n的二维图形矩阵设置两个d×1的一维图形矩阵；

步骤4、组合每个区域的两个特征向量；

步骤5、对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个n×2的二维矩阵；

步骤6、对n×2的二维矩阵再组合，形成一个1×2的矩阵；

步骤7、对1×2的矩阵转化为2×1的一维矩阵。

所述步骤4中，组合两个特征向量的具体操作为：具体如下，a×n的二维图形矩阵的两个特征向量组合成一个e×2的新矩阵、b×n的二维图形矩阵的两个特征向量组合成一个f×2的新矩阵、c×n的二维图形矩阵的两个特征向量组合成一个g×2的新矩阵，d×n的二维图形矩阵的两个特征向量组合成一个h×2的新矩阵。

所述s4具体算法为：将提取的图像特征向量带入公式

minf(x)＝f(x1,x2,x3......xn)

s.t.gi(x)＝gi(x1,x2,x3......xn)≥0

i＝1,2,3......m

得到满足上述约束条件的可行点，设f(x)在区间[a,b]上只有唯一的极小点x',且函数f(x)在x'的左边单调递减,在其右侧单调递增，将极小值点确定为搜索区域。

所述s5具体算法为：设设在n步搜索区间[c(n),d(n)]中已确定有f(x)的极小值点x'，取以下三点分别表示为

将上述三点区间分为四等分，并记作

计算和的值，并记为最小点即

由函数的单调性可知，x'必在为中心的小区间之中，因此取此区间为新的搜索区间。

所述s6具体算法为：设从开始，经n次分割后，确定的极小值点x'在中，其关系为：其中

|c⁽ⁿ⁺¹⁾-d⁽ⁿ⁺¹⁾|＝λ(d⁽ⁿ⁾-c⁽ⁿ⁾)

本发明的有益效果为：1)节约了大量的时间成本，本方法只需要拍摄一次清晰的图像，其他部位模糊不清的图像，可通过神经网络模型进行自学习，进行快速卷积运算，得出模糊位置电缆的位置。

2)提高了识别准确率，本方法通过卷积学习，有效的提高了识别的准确率。

附图说明

图1为本发明流程图；

图2为卷积层的特征提取示例图；

图3为搜索区域区间图；

图4为四等分原理图；

具体实施方式

实施例1

结合实施例、附图对本发明作进一步描述：

本实施例包括以下步骤：

流程如图1所示：

s1、获取初始值，利用高清摄像头拍摄需要巡查电缆的照片，得到初始数据照片。

s2、对得到的初始值进行清晰度处理，主要是针对初始值模糊不清，或者初始值残缺等问题进行处理，采取的手法主要是对其图像进行增强处理，包括增加像素；

s3、利用卷积神经网络cnn，对拍摄图像的特征向量初步提取，提取步骤入下：

步骤1、将二维的照片转变成一个n×n的二维图形矩阵；

步骤2、选取矩阵内的四个区域，别为a×n，b×n，c×n和d×n的二维图形矩阵；

步骤3、每个选定的区域设置两个特征向量，对于a×n的二维图形矩阵设置两个a×1的一维图形矩阵、b×n的二维图形矩阵设置两个b×1的一维图形矩阵、c×n的二维图形矩阵设置两个c×1的一维图形矩阵，d×n的二维图形矩阵设置两个d×1的一维图形矩阵；

步骤4、组合每个区域的两个特征向量，具体如下，a×n的二维图形矩阵的两个特征向量组合成一个e×2的新矩阵、b×n的二维图形矩阵的两个特征向量组合成一个f×2的新矩阵、c×n的二维图形矩阵的两个特征向量组合成一个g×2的新矩阵，d×n的二维图形矩阵的两个特征向量组合成一个h×2的新矩阵

步骤5、对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个n×2的二维矩阵；

步骤6、对n×2的二维矩阵再组合，形成一个1×2的矩阵；

步骤7、对1×2的矩阵转化为2×1的一维矩阵。

以图2为例，步骤1，将一幅二维的照片转变成一个8×8的二维图形矩阵；步骤2，选取四个区域，分别为5×8的二维图形矩阵、3×8的二维图形矩阵、2×8的二维图形矩阵和1×8的二维图形矩阵；步骤3，每个选定的区域设置两个特征向量，对于5×8的二维图形矩阵设置两个5×1的一维图形矩阵、3×8的二维图形矩阵设置两个3×1的一维图形矩阵、2×8的二维图形矩阵设置两个2×1的一维图形矩阵和1×8的二维图形矩阵设置两个1×1的一维图形矩阵；步骤4，组合每个区域的两个特征向量，具体如下，5×8的二维图形矩阵的两个特征向量组合成一个3×2的新矩阵、3×8的二维图形矩阵的两个特征向量组合成一个2×2的新矩阵、2×8的二维图形矩阵的两个特征向量组合成一个2×2的新矩阵和1×8的二维图形矩阵的两个特征向量组合成一个1×2的新矩阵；步骤5，对每个区域两个特征向量组合后的新矩阵全部合并，组合成一个8×2的二维矩阵；步骤6，对8×2的二维矩阵再组合，形成一个1×2的矩阵；步骤7，将步骤6的矩阵转化为一个2×1的矩阵，降为一维。所有的特征向量提取完毕。

s4、对s3的处理结果，进行池化层和提取区域特征组合处理，池化层主要是将所有的特征二维向量放进同一个池中，进行任意组合，使得出现的多种可能性被涵盖。具体算法为：将提取的图像特征向量带入公式

minf(x)＝f(x1,x2,x3......xn)

s.t.gi(x)＝gi(x1,x2,x3......xn)≥0

i＝1,2,3......m

得到满足上述约束条件的可行点，该约束即为池化层，该步骤的处理方法主要是进行一维优化，找出一维的可行点。设f(x)在区间[a,b]上只有唯一的极小点x',且函数f(x)在x'的左边单调递减,在其右侧单调递增，将极小值点确定为搜索区域，如图3中的区间[c,d]所示。

s5、对s4的处理结果进行n类回归四等分法处理，主要方法是将每一类的可能性都进行学习，最后将学习的结果一一列举出来，筛选出最优值。具体算法为：设设在n步搜索区间[c(n),d(n)]中已确定有f(x)的极小值点x'，取以下三点分别表示为

将上述三点区间分为四等分，并记作

然后计算和的值，并记为最小点即

由函数的单调性可知，x'必在为中心的小区间之中，因此取此区间为新的搜索区间，具体原理如图4所示。

s6、对随意组合后的特征向量进行黄金分割法分类，利用函数对特征向量进行计算，确定所有数值。具体算法为：设从开始，经n次分割后，确定的极小值点x'在中，其关系为：其中

|c⁽ⁿ⁺¹⁾-d⁽ⁿ⁺¹⁾|＝λ(d⁽ⁿ⁾-c⁽ⁿ⁾)

s7、利用快速区域卷积神经网络f-rcnn的方法找出坏值，快速区域卷积神经网络f-rcnn的方法主要就是利用s4所提出的数学模型，利用四等分方法和黄金分割法进行数据处理，得出缺陷电缆的位置。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。