金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络

本发明涉及电力系统，更具体地说，本发明涉及一种金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络。

背景技术：

1、随着人工智能的快速发展，基于深度学习的电力视觉技术越来越多地应用于电力系统发电站、输电线路、变电站三个环节的关键部件目标检测和关键部件缺陷检测。其中，绝缘子是电力系统中最重要的基础设施之一，是一种特殊的绝缘控件，用于电线杆塔与导线承接部，变电所构架与线路联结处。它能够在架空输电线路支撑导线、防止电流接地，对输电线路和变电站的安全运行起着重要的作用。所以基于深度学习的绝缘子及缺陷检测是电力视觉技术中最重要的任务之一，其目的是利用深度检测网络对感兴趣的区域(如目标和缺陷)进行识别和标注，提高电力系统巡检效率。然而目前绝缘子公开图像存在绝缘子边缘与背景模糊，缺陷等小目标检测效果差的问题，这使得绝缘子检测比其他图像更加困难。因此，实现端到端的具有一定泛化能力的对电力系统绝缘子及缺陷的高效准确检测具有着重要的理论价值与社会经济效益。

2、在深度学习方法全面发展前，传统方法主要依靠手动设计功能并设置特定阈值来识别绝缘子及缺陷。例如使用形态学hough变换线检测、统计纹理特征、svm分类器等方法来检测绝缘子及故障。然而，这些方法只能提取浅层特征，且只能在特定的环境下工作，在复杂的背景和较大的干扰下鲁棒性较差，无法满足电力系统智能化巡检对绝缘子检测精度以及算法鲁棒性的要求。近年来，随着深度学习的飞跃发展，分类，对象检测和语义段改进算法在计算机视觉方面取得了长足的进步，并且也开始涉足电力工业应用。基于深度学习的方法已经广泛应用于电力系统关键部件目标检测和关键部件缺陷检测任务中。

3、当前针对绝缘子及缺陷的深度神经网络检测方法主要可以分成两类：一类是基于单阶段目标检测，一类是基于双阶段目标检测。单阶段检测利用ssd、 retinanet、yolo系列网络同时一步检测识别绝缘子及缺陷，这些方法虽然快速简单，但对于有密集目标及遮挡复杂的图像识别精度较低，检测框架还不能完全适应绝缘子缺陷这类小目标，检测效果不理想。双阶段检测网络以 faster r-cnn网络为基线，该网络使用cnn来提取区域特征，然后将特征图送入区域候选框网络(rpn)，该层通过softmax判断anchors属于好的或坏的，再利用边界框回归修正anchors获得精确的候选框。将生成的候选框和特征图同时输入roi池化层，该层综合这些信息提取候选框特征图。然后利用候选框特征图计算候选框的类别，同时再次利用边界回归获得检测框最终的精确位置。该网络的关键之处在于最开始的特征图提取，但cnn提取特征图时，在连续下采样的过程中会丢失大量的底部信息，而这些底部细节信息在分辨电力系统绝缘子图像中不同的场景、模糊的边界、微小的目标等细节时起着关键作用。这些问题在电力系统中对绝缘子及其缺陷的检测中是不可忽视的，因为微小的差异就可能造成大规模的停电，影响电力系统的供电可靠性，甚至威胁到操作人员的人身安全。因此，针对电力系统绝缘子及缺陷检测任务需要一种结构简洁、检测性能精确并且鲁棒性好的端到端的绝缘子及缺陷检测任务。

技术实现思路

1、为了克服现有技术的上述缺陷，本发明的实施例提供一种基于金字塔和损失函数增强的电力系统绝缘子及缺陷深度检测网络，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：

3、金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其具体方法如下：

4、s1：建立绝缘子缺陷深度检测系统；

5、s2：对数据集进行划分；

6、s3：采用特征金字塔结构融合多层特征信息；

7、s4：损失函数采用ciou loss计算方式；

8、s5：计算分类网络分支损失约束训练过程；

9、s6：计算回归网络分支损失约束训练过程；

10、s7：将s2中已划分数据集输入到s6所得的基于金字塔和损失函数增强的绝缘子及缺陷深度检测网络中，自动得到检测效果图。

11、在上述技术方案的基础上，所述特征金字塔结构为convnet金字塔型特性层次结构。

12、在上述技术方案的基础上，所述损失函数计算方式为ciou loss。

13、在上述技术方案的基础上，所述绝缘子缺陷深度检测系统包括绝缘子缺陷深度检测模块与卷积神经网络训练模块。

14、在上述技术方案的基础上，所述卷积神经网络训练模块包括故障图像识别模块、故障图像存储模块、cnn网络训练模块与cnn模型储存模块。

15、在上述技术方案的基础上，所述卷积神经网络训练模块用于对深度卷积神经网络进行训练，具体步骤如下：

16、s8：根据s7得到的检测效果图后更新故障图像样本集；

17、s9：卷积神经网络训练模块利用更新后的样本集对深度卷积神经网络进行训练。

18、本发明的技术效果和优点：

19、(1)、与现有技术相比，本发明在原始双阶段检测网络faster r-cnn 的基础上引入特征金字塔结构，在增加较少计算量的前提下融合低分辨率语义信息信息较强的特征和高分辨率语义信息较弱但空间信息丰富的特征图，提高模型检测精度；

20、(2)、与现有技术相比，本发明在原始双阶段检测网络faster r-cnn 的基础上使用ciou loss代替传统双阶段检测网络损失函数计算方式，提高收敛速度和精度，从而提升模型检测准确度；

21、(3)、与现有技术相比，本发明提出的深度检测网络模型兼顾多层特征提取与检测细节保留，可以获得更加精确、更泛化的检测性能，使得本发明能够更加适用于输电线路绝缘子及缺陷的检测；

22、(4)、与现有技术相比，本发明通过卷积神经网络训练模块可以通过在实际应用中根据识别结果来扩充样本库，进而不断提高深度卷积神经网络对故障的识别能力。

技术特征：

1.一种金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其特征在于：其具体方法如下：

2.根据权利要求1所述的金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其特征在于：所述特征金字塔结构为convnet金字塔型特性层次结构。

3.根据权利要求2所述的金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其特征在于：所述损失函数计算方式为ciou。

4.根据权利要求3所述的金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其特征在于：所述绝缘子缺陷深度检测系统包括绝缘子缺陷深度检测模块与卷积神经网络训练模块。

5.根据权利要求4所述的金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其特征在于：所述卷积神经网络训练模块包括故障图像识别模块、故障图像存储模块、cnn网络训练模块与cnn模型储存模块。

6.根据权利要求5所述的金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，其特征在于：所述卷积神经网络训练模块用于对深度卷积神经网络进行训练，具体步骤如下：

技术总结
本发明公开了一种金字塔和损失函数增强的电力系统绝缘子及缺陷检测网络，具体涉及电力系统技术领域，其具体方法如下：S1：建立绝缘子缺陷深度检测系统；S2：对数据集进行划分；S3：采用特征金字塔结构融合多层特征信息；S4：损失函数采用CIoU Loss计算方式；S5：计算分类网络分支损失约束训练过程；S6：计算回归损失网络分支损失约束训练过程；S7：将S2中已划分好的数据集输入到S6所得的基于金字塔和损失函数增强的绝缘子及缺陷深度检测网络中，自动得到检测效果图。本发明提出的基于特征金字塔和损失函数增强的绝缘子及缺陷深度检测网络具有很好的检测精度、鲁棒性以及框架可移植性。

技术研发人员：许铮铧,王博
受保护的技术使用者：河北工业大学
技术研发日：
技术公布日：2024/1/13