一種用于無人機巡檢輸電線路的絕緣子識別方法
【技術領域】
[0001] 本發明設及數字圖像處理及模式識別技術在輸電線路設備檢測技術領域，尤其設 及一種高效的用于無人機巡檢輸電線路絕緣子的識別方法。
【背景技術】
[0002] 絕緣子是架空輸電線路中重要的組成部分，用來支持和固定母線與帶電導體、并 使帶電導體間或導體與大地之間有足夠的距離和絕緣。由于架空輸電線路長期暴露在自然 環境中，受到自然或者人為因素的影響，存在線路老化和破壞等問題，如果不對該些問題進 行定期檢查和檢修可能引起重大安全事故發生。
[0003] 人工巡線檢測效率低，而且危險性高。隨著無人機技術的發展，通過無人機航拍技 術采集高壓線路圖像并對該些圖像信息進行處理，可W減少人員成本并保證施工人員的安 全，同時可W提高工作效率。
[0004]由于輸電線路桿塔所在位置地理環境復雜，導致獲取的圖像背景也相對復雜，該 給后續目標的識別與定位造成了困難，而且基于航拍圖像的輸電線路狀態檢測技術尚處于 起步階段，可參考文獻和研究成果較少。
[0005] 現有技術中，一類方法是利用顏色信息，使用最大闊值法、最大類間方差法對彩色 圖像進行分割。存在的缺點；該類方法受光照的影響比較嚴重，而且輸電線路所處自然環境 復雜，有樹木，河流、道路等復雜背景，使得該類方法檢測準確率不高。
[0006]另一類方法是利用絕緣子的片狀結構的楠圓信息，用化U曲變換來檢測楠圓。存 在的缺點：由于拍攝角度的問題，片與片之間存在遮擋的情況，造成檢測誤差。
【發明內容】
[0007] 為解決現有技術存在的不足，本發明公開了一種高效的用于無人機巡檢輸電線路 絕緣子識別方法，該技術利用深度學習方法通過對航拍到的輸電線路圖像資料進行學習， 然后利用直線擬合方法計算絕緣子的角度信息，能夠完成對無人機航拍巡線圖像中絕緣子 的識別定位技術要求，提高對絕緣子檢測的準確性和魯椿性。
[0008] 為實現上述目的，本發明的具體方案如下：
[0009] 一種用于無人機巡檢輸電線路的絕緣子識別方法，包括W下步驟：
[0010] 步驟一：圖像采集及處理；從輸電線路絕緣子圖像中提取用于訓練的子圖像并進 行初步處理，形成訓練數據集；
[0011] 步驟二：對提取到的用于訓練的子圖像進行打包處理，添加圖像對應的標簽；
[0012] 步驟S;利用深度學習中的卷積神經網絡（CNN)算法對步驟一數據集中的數據進 行訓練，得到針對絕緣子的檢測模型；
[0013] 步驟四：絕緣子目標區域檢測；對輸電線路圖像進行檢測，獲取絕緣子目標的候 選框；
[0014] 步驟五；對候選框進行非極大值抑制，得到最終的絕緣子候選框；
[0015] 步驟六；對得到的最終的絕緣子候選框進行直線擬合操作，獲取中屯、點，候選框的 角度和大小信息，最后在輸電線路絕緣子圖像上進行標注。
[0016] 所述步驟一中，圖像采集及處理過程是；在輸電線路絕緣子圖像中提取絕緣子部 件、桿塔和背景的區域圖像，將提取到的圖像進行縮放處理，對提取到的絕緣子進行角度的 旋轉操作。
[0017] 所述步驟S中，用卷積神經網絡算法進行模型訓練時：
[0018] 首先設置初始訓練使用的模板參數，其中包括卷積神經網絡的層數，卷積核的大 小，各個節點的初始權重，是否使用下采樣處理，每層數據輸入輸出的個數，激活函數，每層 卷積神經網絡的梯度下降的學習效率。
[0019] 所述步驟=中，具體的基于卷積神經網絡的絕緣子檢測模型訓練過程包括W下步 驟：
[0020] 3-1)前向傳導（Fee壯orward化SS);將輸入的彩色圖像分RGBS通道提取像素信 息，作為卷積神經網絡的輸入信息；
[0021] 3-2)后向傳導炬ackPropagationPass);優化前向傳導得到的類別標簽與樣本 實際標簽間的損失函數。
[0022] 所述步驟3-1)中，卷積神經網絡的結構，使用六層的卷積神經網絡結構訓練模 板；
[0023] 第一層是卷積層，第=層是卷積層，第五層是卷積層，卷積層用設定像素大小的 卷積核與輸入信息進行卷積操作得到特征向量；
[0024] 第二層是降采樣層，第四層是降采樣層，降采樣層根據參數模板中的定義，進行 降采樣操作，采用的是在設定的像素大小的圖像塊內取最大值作為輸出，通過降采樣過程 有效的在保存有用信息的基礎上減少數據處理量；
[0025] 第六層為全連接層；將第五層得到的特征向量整合，形成一個長向量，將其傳遞給 激活函數獲得對輸入樣本類別的判斷，選擇最大的輸出值作為輸入樣本的標簽。
[0026] 所述步驟3-2)中，假設用于訓練集形式是{(xW，yW)，（x?，y?)，...，（xW，yW)} ，X<"表示第i個訓練數據，yw表示數據Xw對應的數據標簽，訓練數據集包含n個樣本。
[0027] 對于單個樣本（X，y)，學習到的結果為tVb(x)，其損失函數為：
[0028]
(1)
[0029]所W整體損失函數J(W，b)為：
[0030]
[00引]公式似中，Si，Sw表示第1層和1+1層神經元節點的數目，ni表示神經網絡的 層數，聽'嗦示第1組權重參數中連接1層第i個節點和第1+1層第j個節點的權重系數， 馬"為第1層第i個節點的偏置，第一項J(W，b;xW，yW)是一個均方差項，第二項是正則化 項，用來減小權重的幅度，防止過擬合，丫為控制系數。
[0032] 用梯度下降法對參數W和b進行更新：
[0033]
[0034] 其中，公式（3)中的a是學習速率，用于控制梯度下降的速度。
[00巧]所述步驟四中，使用卷積神經網絡進行絕緣子的檢測，詳細方法如下：
[003引 4-1)提取訓練好的卷積神經網絡模板，包括權重、偏置W及訓練使用的網絡結構； 然后根據該些參數初始化測試程序；
[0037] 4-。載入圖像，由于無人機采集到的圖像較大，對圖像進行縮放W加速后續的運 算，為了精確的定位絕緣子的位置，加入多尺度方法，在多個尺度上進行滑動框操作，獲取 具體的目標圖像塊；
[0038] 4-3)將目標圖像塊作為輸入，進行前向傳導操作，獲取目標塊的所屬類別；
[003引4-4)保存絕緣子類別的目標塊信息，其中包括目標塊的起點位置及長寬信息。[0040] 所述步驟六中，使用直線擬合方法對絕緣子標注，具體過程如下：
[00川 6-1)獲取步驟五中得到的t個類別的叫，i= {1，…，t}個候選框信息，計算每個 候選框的中屯、點位置，并保存；
[004引6-。中屯、點位置為化曲，可W用線性擬合的方式對每個類別的中屯、位置進行擬 合，精確的定位每個絕緣子的位置，該里可W用一元線性擬合來解決該個問題：
[0043] Y=kX+b' （4)
[0044] 6-3)用最小二乘擬合法，計算出一條最能反映X與Y關系的直線。
[0045] 所述步驟6-3)中，定義損失函數為：
[004引
城
[0047] 其中，也，Qj.)為屬于i類的第j個矩形框的中屯、點。
[0048] 通過對b'和k求偏導，來獲取b'和k的最優解；
[004引
佩
[0050]得到k和b'的最終解為
[005U(7)
[00閲其中，（Pj,Qj.)為屬于i類的第j個矩形框的中屯、點，m康示第i類