一种复杂背景下高精度金具裂纹图像检测及特征提取方法与流程

1.本发明涉及计算机图像处理、高精度金具裂纹图像检测、特征提取、机器学习模型技术领域，特别是涉及一种复杂背景下高精度金具裂纹图像检测及特征提取方法。


背景技术：

2.在我国电力大动脉建设正逐步得以实现，电力系统的规模也随之越来越大，国民经济与人民对电力系统的依赖性也越来越强，国家对电力系统的安全性、稳定性的要求也越来越高。高电压输电线路不但输送的距离远，而且覆盖的面积广阔，对国民建设至关重要。但由于输电线路施工材料和质量问题、极端天气、微地形等各方面的因素，高电压输电线路会出现不同程度的事故。球头挂环是输电线路中的关键承力部件，一般与碗头金具配合使用，用于架空导地线和杆塔悬挂点的连接球头挂环在连接导线动载荷的作用下，容易发生疲劳断裂，断裂位置一般为挂环、根部和杆部连接的变截面处这些事故，严重影响了输电线路的正常运行。
3.球头挂环断裂的原因主要有球头挂环制造过程产生原始缺陷导致断裂、安装工艺不合理导致金具卡涩和受力不合理、恶劣极端天气下受到过大的动载荷和长期运行后腐蚀和磨损导致开裂。目前这些检测可以依靠高精度相机拍照回传到地面进行识别和分析。
4.传统的金具裂纹图像检测算法结构通过图像预处理得到便于检测的图像，随后借助统计机器学习方法来提取图像特征，进而实现缺陷检测的目标。图像预处理通常包括直方图均衡化、滤波去噪、灰度二值化、再次滤波几部分，以得到前后景分离的简单化图像信息；随后利用数学形态学、傅里叶变换、gabor变换等算法以及机器学习模型完成缺陷的标记与检测。虽然传统算法在某些特定的应用中已经取得了较好的效果，但在金具检测领域仍然存在许多不足。例如：图像预处理步骤繁多且具有强烈的针对性，鲁棒性差；多种算法计算量惊人且无法精确的检测缺陷的大小和形状。


技术实现要素：

5.鉴于以上所述实际需求，本发明的目的在于提供一种复杂背景下高精度金具裂纹图像检测及特征提取方法，运用深度学习算法直接通过学习数据更新参数，避免了人工设计复杂的算法流程，并且有着极高的鲁棒性和精度。相较于传统方法中特征提取主要依赖人工设计的提取器，传统方法还需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差，特别是在复杂背景下传统方法的应用限制很大。深度学习主要是数据驱动进行特征提取，根据大量样本的学习能够得到深层的、数据集特定的特征表示，其对数据集的表达更高效和准确，所提取的抽象特征鲁棒性更强，泛化能力更好，自适应复杂背景，并且可以是端到端的。
6.为实现上述目的及其他相关目的，本发明采用的技术方案如下：
7.一种复杂背景下高精度金具裂纹图像检测及特征提取方法，包括步骤：
8.s1)采集高精度金具图片数据集a；
9.s2)将a中70％的图片作为训练集t，将a中30％的图片作为测试集o；
10.s3)使用labelimg制作训练数据，并保存为voc2007的数据格式；
11.s4)输入图片尺寸为300
×
300，输入rgb通道数为3，输入图像rgb平均值m_c＝[123，117，104]，输入锚盒因子s_c＝[0.1，0.2，0.37，0.54，0.71，0.88，1.05]，输入类数量为1，输入通道顺序r＝[2，1，0]；输入特征因子a_r＝[[1.0，2.0，0.5]，[1.0，2.0，0.5，3.0，1.0]，[1.0，2.0，0.5，3.0，1.0]，[1.0，2.0，0.5]，[1.0，2.0，0.5]]，输入相邻锚盒中心点步数s_ds＝[8，16，32，64，100，300]，输入偏移量offsets＝[0.5，0.5，0.5，0.5，0.5，0.5]，输入边界编码var_code＝[0.1，0.1，0.2，0.2]，根据输入的参数m_c，s_c，r，a_r，s_ds，offsets，var_code创建ssd模型m；
[0012]
s5)将训练集t加载到模型m进行训练；
[0013]
s6)将测试集o加载到模型m进行测试；
[0014]
s7)记l
conf
(x，c)为损失函数，l
conf
(x，c)计算公式为：其中i表示第i个锚盒，j表示第j个输入盒，表示第i个锚盒匹配到第j个类别为p的输入盒，若匹配到取1，否则取0；
[0015]
s8)输入检测因子μ，若l
conf
(x，c)＞μ转到步骤s4)，调整输入锚盒因子a_r和s_c参数；
[0016]
s9)输入新采集高精度金具图片s集到模型m进行预判，并输出结果集r。
[0017]
可选地，步骤s3)使用labelimg制作训练数据时锚盒的大小设置为300＊300，锚盒为存在裂纹特征的图片。
[0018]
可选地，步骤s4)所述的grb平均值参数m-c用于运算时参照彩色范围的均值。
[0019]
可选地，步骤s4)所述的锚盒因子参数s-c用于配置锚盒长宽比例。
[0020]
可选地，步骤s4)所述的输入通道顺序参数r用于指定图片颜色排列顺序。
[0021]
可选地，步骤s4)所述的特征因子参数a-r用于约束锚盒卷积层纵横比例。
[0022]
可选地，步骤s4)所述的相邻锚盒中心点步数参数s_ds用于锚盒返回原射的缩放因素。
[0023]
可选地，步骤s4)所述的偏移量参数offsets用于确定锚盒的中心点。
[0024]
可选地，步骤s4)所述的边界编码参数var_code用于每个坐标的锚盒偏移量的缩放比例。
[0025]
可选地，步骤s8)检测因子μ输入范围为0.6到0.9。
[0026]
本发明的有益效果是：在图像识别领域中背景复杂，目标尺度变化大，颜色对比度低等问题一直是其在各个领域应用中的最大挑战。而金具配件一般尺寸有限、自身颜色没有明显特征、应用场景繁多、裂纹尺寸极小和裂纹颜色对比度低等问题大大增加检测的难度。ssd深度学习模型图像检测又快又准，运算量低，本发明方法应用ssd深度学习模型，对损失函数进行改造，将背景部分视为简单样本，减小背景损失在置信损失中的占比，使得模型收敛更快速，模型训练更充分，从而提高了复杂背景下的目标检测精度。实现了对金具进行检测及特征提取，有效克服以上技术缺陷，满足了复杂背景下金具裂纹的检测应用，实践中特别是在电力传输线上金具裂纹的检测发挥了积极的效果。
附图说明
[0027]
图1是一种复杂背景下高精度金具裂纹图像检测及特征提取方法框图。
[0028]
图2是一种复杂背景下高精度金具裂纹图像检测及特征提取方法实施示意图。
具体实施方式
[0029]
为了使本发明的目的、技术方案及优点更清楚明白，一下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明。
[0030]
在一实施例中，一种复杂背景下高精度金具裂纹图像检测及特征提取方法，整体架构结构如图1所示；实施流程如图2所示，包括步骤：
[0031]
s1)采集高精度金具图片数据集a；
[0032]
s2)将a中70％的图片作为训练集t，将a中30％的图片作为测试集o；
[0033]
s3)使用labelimg制作训练数据，并保存为voc2007的数据格式；
[0034]
s4)输入图片尺寸为300
×
300，输入rgb通道数为3，输入图像rgb平均值m_c＝[123，117，104]，输入锚盒因子s_c＝[0.1，0.2，0.37，0.54，0.71，0.88，1.05]，输入类数量为1，输入通道顺序r＝[2，1，0]；输入特征因子a_r＝[[1.0，2.0，0.5]，[1.0，2.0，0.5，3.0，1.0]，[1.0，2.0，0.5，3.0，1.0]，[1.0，2.0，0.5]，[1.0，2.0，0.5]]，输入相邻锚盒中心点步数s_ds＝[8，16，32，64，100，300]，输入偏移量offsets＝[0.5，0.5，0.5，0.5，0.5，0.5]，输入边界编码var_code＝[0.1，0.1，0.2，0.2]，根据输入的参数m_c，s_c，r，a_r，s_ds，offsets，var_code创建ssd模型m；
[0035]
s5)将训练集t加载到模型m进行训练；
[0036]
s6)将测试集o加载到模型m进行测试；
[0037]
s7)记l
conf
(x，c)为损失函数，l
conf
(x，c)计算公式为：其中i表示第i个锚盒，j表示第j个输入盒，表示第i个锚盒匹配到第j个类别为p的输入盒，若匹配到取1，否则取0；
[0038]
s8)输入检测因子μ，若l
connf
(x，c)＞μ转到步骤s4)，调整输入锚盒因子a_r和s_c参数；
[0039]
s9)输入新采集高精度金具图片s集到模型m进行预判，并输出结果集r。
[0040]
在本实施例中，步骤s3)使用labelimg制作训练数据时锚盒的大小设置为300＊300，锚盒为存在裂纹特征的图片。步骤s4)所述的grb平均值参数m_c用于运算时参照彩色范围的均值，步骤s4)所述的锚盒因子参数s_c用于配置锚盒长宽比例，步骤s4)所述的输入通道顺序参数r用于指定图片颜色排列顺序，步骤s4)所述的特征因子参数a_r用于约束锚盒卷积层纵横比例，步骤s4)所述的相邻锚盒中心点步数参数s_ds用于锚盒返回原射的缩放因素，步骤s4)所述的偏移量参数offsets用于确定锚盒的中心点，步骤s4)所述的边界编码参数var_code用于每个坐标的锚盒偏移量的缩放比例，步骤s8)检测因子μ输入范围为0.6到0.9。
[0041]
本发明的有益效果是：在图像识别领域中背景复杂，目标尺度变化大，颜色对比度低等问题一直是其在各个领域应用中的最大挑战。而金具配件一般尺寸有限、自身颜色没
有明显特征、应用场景繁多、裂纹尺寸极小和裂纹颜色对比度低等问题大大增加检测的难度。ssd深度学习模型图像检测又快又准，运算量低，本发明方法应用ssd深度学习模型，对损失函数进行改造，将背景部分视为简单样本，减小背景损失在置信损失中的占比，使得模型收敛更快速，模型训练更充分，从而提高了复杂背景下的目标检测精度。实现了对金具进行检测及特征提取，有效克服以上技术缺陷，满足了复杂背景下金具裂纹的检测应用，实践中特别是在电力传输线上金具裂纹的检测发挥了积极的效果。
[0042]
以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。