一种基于SSD架构的电力部件缺陷检测方法与流程

本发明涉及计算机视觉领域，特别涉及一种基于ssd架构的电力部件缺陷检测方法。

背景技术：

电力线是国家重要的基础设施，承担着电力运输的重要职责，而电力部件巡检则是保证电力系统平稳运行的重要保障，随着我国电力系统的高速发展，远距离高压电路，特高压输电等技术的成熟，电力运输呈现出输送容量大，输送距离远的特点，越来越多的电力线从城市延伸到高山，原野等复杂的地理环境中，传统的人工巡检方式耗时耗力，受到自然环境，气候的影响，制约了我国电力系统的建设。

随着信息技术的发展，高性能航拍无人机在电力巡检中得到了广泛的应用，成为了一种新型的前景广阔的实用技术，得益于此，航拍巡检图像数据呈现出海量增长，并呈现出多角度，不同时段，复杂背景等特点，通过对巡检图像数据的处理，可以及时发现电力部件的缺陷状态，从而进行迅速的处理。为此，我们提出一种基于ssd架构的电力部件缺陷检测方法。

技术实现要素：

本发明的主要目的在于提供一种基于ssd架构的电力部件缺陷检测方法，模型文件较小，对多种缺陷类别具有适应性，且在这些缺陷类别上保持较高的平均准确率以及较高的实时性。

为实现上述目的，本发明采取的技术方案为：

本发明公开了一种基于ssd架构的电力部件缺陷检测方法，包括如下步骤：

1)电力部件检测：在ssd架构下，构建基于大卷积神经网络的电力部件检测模型；

2)电力部件缺陷检测：在ssd架构下，构建基于轻量级卷积神经网络的电力部件缺陷检测模型；

3)裁剪图片：利用电力部件检测模型检测电力部件，在检测到的电力部件图片上进行部件区域裁剪，在裁剪后的图片上，利用电力部件缺陷检测模型进行缺陷检测；

4)检测结果重定位：对以上构建的两个检测模型的检测结果进行重定位，作为最终的电力部件缺陷检测结果。

作为优选，所述步骤(1)中在已标注好的电力部件训练数据集上学习电力部件的高水平特征。

作为优选，所述步骤(1)中电力部件检测包括计算边界框预测值、计算类别预测值和计算类别置信度。

作为优选，所述步骤(2)中在已标注好的电力部件缺陷训练数据集上学习电力部件缺陷的高水平特征。

作为优选，所述步骤(2)中电力部件缺陷检测包括计算边界框预测值、计算类别预测值和计算类别置信度。

作为优选，所述步骤(4)中检测结果重定位包括重定位边界框预测值、重定位类别预测值和重定位类别置信度。

与现有技术相比，本发明具有如下有益效果：

1、针对电力部件种类繁多、背景复杂、干扰较多、缺陷在整张图中占比较小，采用电力部件检测模型，模型结构复杂，层数较多，训练出的模型有较高的识别率，可以满足对电力部件的准确识别，为下一步的缺陷检测奠定良好的基础，在自行标注的电力部件图像数据集上训练网络，经过反复迭代，提取电力部件的深层特征，得到一个有高识别率的电力部件检测模型。

2、基于ssd架构，利用轻量级卷积神经网络，训练电力部件缺陷检测模型，该模型层数较少，训练出的模型有较快的检测速度。

3、将电力部件检测模型和电力部件缺陷检测模型的推理过程进行合并，先使用电力部件检测模型识别电力部件，对识别到的部件自动进行识别区域裁剪，裁剪到的区域背景简单、干扰较少，将裁剪到的区域送入电力部件缺陷检测模型来识别电力部件缺陷，对以上训练好的两个模型的推理过程进行整合，将检测结果重定位到原图。

附图说明

图1为本发明一种基于ssd架构的电力部件缺陷检测方法的流程图。

具体实施方式

为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。

实施例1

本发明公开了一种基于ssd架构的电力部件缺陷检测方法，包括如下步骤：

1)电力部件检测：在ssd架构下，构建基于大卷积神经网络的电力部件检测模型；在已标注好的电力部件训练数据集上学习电力部件的高水平特征，电力部件检测包括计算边界框预测值、计算类别预测值和计算类别置信度；

本发明的研究对象为电力线上的电力部件航拍数据，因为电力部件缺陷在整张图片中占比较小，而电力部件占比相对较大，为了准确识别电力部件的缺陷信息，所以先进行电力部件的检测，再进行电力部件缺陷的检测。对于电力部件的检测必须达到较高的精度，需要构建一种基于大卷积神经网络的电力部件检测模型，该模型结构复杂、层数较多，能够有效提取足够的图像特征，对各类电力部件进行高精确度的识别；

2)电力部件缺陷检测：在ssd架构下，构建基于轻量级卷积神经网络的电力部件缺陷检测模型；在已标注好的电力部件缺陷训练数据集上学习电力部件缺陷的高水平特征，电力部件缺陷检测包括计算边界框预测值、计算类别预测值和计算类别置信度；

对于电力部件的缺陷，构建了一种基于轻量级卷积神经网络的电力部件缺陷检测模型，该模型层数较少，检测精度较好，实时性高，能够快速进行缺陷的检测；

3)裁剪图片：利用电力部件检测模型检测电力部件，在检测到的电力部件图片上进行部件区域裁剪，在裁剪后的图片上，利用电力部件缺陷检测模型进行缺陷检测；

4)检测结果重定位：对以上构建的两个检测模型的检测结果进行重定位，作为最终的电力部件缺陷检测结果；检测结果重定位包括重定位边界框预测值、重定位类别预测值和重定位类别置信度；

在推理阶段，对(1)中模型在原图检测到的电力部件进行区域裁剪，然后送入(2)中模型进行电力部件缺陷检测，最后，将两个模型输出的部件类别、检测框位置坐标以及检测类别的置性度等信息进行进行整合，重定位到原图。

以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

技术特征：

技术总结
本发明公开了一种基于SSD架构的电力部件缺陷检测方法，包括如下步骤：1)电力部件检测：在SSD架构下，构建基于大卷积神经网络的电力部件检测模型；2)电力部件缺陷检测：在SSD架构下，构建基于轻量级卷积神经网络的电力部件缺陷检测模型；3)裁剪图片：利用电力部件检测模型检测电力部件，在检测到的电力部件图片上进行部件区域裁剪；4)检测结果重定位：对以上构建的两个检测模型的检测结果进行重定位。本发明模型文件较小，对多种缺陷类别具有适应性，且在这些缺陷类别上保持较高的平均准确率以及较高的实时性。

技术研发人员：王大伟;白鹭;董理科;李冠良;张娜;张申;张兴忠
受保护的技术使用者：国网山西省电力公司电力科学研究院;山西鸿顺通科技有限公司
技术研发日：2019.04.17
技术公布日：2019.07.19