一种基于改进CenterNet算法的输电线路耐张线夹缺陷检测方法

一种基于改进centernet算法的输电线路耐张线夹缺陷检测方法
技术领域
1.本发明属于输电线路技术领域，具体涉及一种基于改进centernet算法的输电线路耐张线夹缺陷检测方法。


背景技术：

2.随着电力工业的快速发展，我国电力系统建设不断迈上新台阶，供电系统的输送电压和输电容量越来越高，在电力输送的过程中，输电设备表面或内部存在任何缺陷都有可能造成严重的电力事故。因此，对相关设备的运行维护提出了新的要求，需要更严格的标准和更高效的方法来确保输电设备的可靠性与稳定性，从而确保电力系统的安全运行。输电线路电压等级的提高，电力设备的安全性能要求越来越严格，迫切需要一种更直观便捷的新型检测方式。得益于无损检测技术领域取得的突破性进展，x射线无损检测技术开始逐步应用于耐张线夹的缺陷检测。该技术是一种利用x射线较强的穿透能力对工件进行无损探伤的检测手段，拍摄所得的x光图片可直观反映出耐张线夹内部结构缺陷，克服了传统检测技术存在的短板。


技术实现要素：

3.针对现有耐张线夹缺陷检测不能在线实时检测的不足，本发明旨在提供一种基于改进centernet算法的输电线路耐张线夹缺陷检测方法，用于在线实时检测耐张线夹的运行状况，为电力设备智能巡检提供技术参考；
4.为达到此发明目的，本发明通过以下方案予以实现：一种基于改进centernet算法的输电线路耐张线夹缺陷检测方法，包括如下步骤：
5.s1、耐张线夹x光图像数据集构建与预处理：针对构建好的耐张线夹x光图像数据集进行标准化处理，将所有图片统一为rgb格式；采用3维块匹配滤波算法(block-matching and 3d filtering，bm3d)对含噪的耐张线夹x光图像进行去噪；利用同态滤波算法对去噪后的x光图像中凹槽欠压、飞边、散股以及弯曲等4类缺陷特征进行图像对比度增强；
6.s2、构建改进的centernet耐张线夹x光图像缺陷检测模型：在构成主干特征提取网络resnet50的诸多特征提取模块中分别加入se注意力机制，以使网络对符合目标特征的卷积通道分配更高的权重；同时将原centernet算法在解码预测中使用到的非极大抑制(nms)替换成柔性非极大抑制(soft-nms)，避免耐张线夹x光图像中的缺陷被漏检；
7.加入se注意力机制的具体有以下4个部位；1、在大小为512
×
512
×
3的图片经过conv、bn以及relu激活函数后，使用最大池化使图片大小变为128
×
128
×
64，此时加入se注意力机制a1关注特征层通道变化；2、对加入a1的特征层继续卷积操作进行特征提取，在经过一个conv block与两个identity block模块后特征层大小变为128
×
128
×
256，加入se注意力机制a2；3、加入a2的特征层继续下采样，经过一个conv block与三个identity block模块后特征层大小变为64
×
64
×
512，加入se注意力机制a3；4、加入a3的特征层继续
下采样，经过一个conv block与五个identity block模块后特征层大小变为32
×
32
×
1024，最后加入se注意力机制a4。针对加入a4的特征层继续经过一个conv block与两个identity block模块后特征层大小变为16
×
16
×
2048，此时se注意力机制已全部加入主干网络resnet50中；
8.s3、利用预处理的图像训练改进后的centernet算法模型：预处理后的耐张线夹x光数据集图像以8:1:1的比例划分训练集、验证集和测试集，并对所有图像尺寸进行归一化处理为w
×h×
3；将训练集与验证集输入改进的centernet目标检测算法，采用迁移学习的思想，将主干特征提取网络resnet50在pascal voc公开数据集上训练所得的权重w1输入改进的centernet进行辅助训练；训练分为两个阶段，第一阶段冻结模型主干resnet50迭代训练100轮次，并在冻结训练阶段采用mixup数据增强，随机将两张不同图像上的缺陷种类混合，形成一张新的图片进行训练；第二阶段对模型主干进行解冻，再迭代训练100轮次，在此期间特征提取网络结构不发生改变，网络对特征进行学习时仅对参数进行微调，此时占用显存较大，因此参数需适当调小；
9.s4、利用训练好的改进centernet模型对测试集图像进行缺陷检测：取出最后一轮训练产生的权重w2，将w2输入改进的centernet模型对测试集图像进行检测。
10.进一步地，步骤s1使用的3维块匹配滤波算法与同态滤波算法应对参数进行合理化设置。其中3维块匹配滤波算法降噪强度参数σ十分敏感，调节时应慎重；相似度阈值th越大则滤波强度越高；最大匹配块数max_matched越多变换组的稀疏性也越强，滤波也越强；块的尺寸大小size对应于匹配质量与速度。在同态滤波算法中，锐化系数c决定输出图像的亮暗，当c《1时图像曝光变强(图像变亮)，当c》1时图像曝光减弱(图像变暗)。
11.进一步地，步骤s2中构成主干网络resnet50的诸多特征提取模块中分别加入se注意力机制，换而言之是在每次卷积通道发生变化时有倾向地对有效特征通道倾注更多资源并抑制无用特征。
12.进一步地，步骤s3中划分验证集是为了验证模型训练效果，验证集检测训练模型收敛则训练继续，反之停止训练；训练最后得到的权重w1损失值最小，在多轮训练中效果最优，最适合对耐张线夹x光图像中缺陷进行检测。
13.进一步地，总共训练200轮，若训练时出现val_loss多轮次不下降，则训练可提前停止，表示模型已达收敛；取出最后一轮训练产生的权重w2输入centernet模型对测试集图像进行检测。
14.本发明有益效果
15.本发明提供的一种基于改进centernet目标检测算法的输电线路耐张线夹x光图像缺陷检测方法，只需将耐张线夹x光图像输入便可精准快速地识别并定位缺陷，可为电力设备智能巡检在电力行业的其他应用领域提供参考。
附图说明
16.图1为本发明方法的步骤图。
17.图2为本发明方法的流程图。
18.图3为耐张线夹平面图以及x光图像所分缺陷；；(a)为耐张线夹平面图；(b)为“凹槽欠压”；(c)为“飞边”；(d)为“弯曲”；(e)为“散股”。
19.图4为利用改进后的网络对缺陷的检测结果。
具体实施方式
20.下面将结合本发明的实施例中的附图，对本发明的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
21.实施例
22.本发明流程图如图2所示，下面将详细地对实施例进行说明，对耐张线夹x光图像缺陷检测包括以下步骤：
23.(一)将获取的耐张线夹x光缺陷图像进行分析，根据dl/t 5285-2013《输变电工程架空导线及地线液压压接工艺规程》规定可攘括为凹槽欠压、飞边、散股以及弯曲4类缺陷，如图3所示，共1601张图片，每张图片可能存在多个缺陷，共计7137个缺陷，缺陷及其各自数量如表1：
24.表1
25.缺陷种类凹槽欠压飞边散股弯曲图片数量860张812张523张220张
26.其中，凹槽欠压与散股均为压接不实造成，此类缺陷的存在易使耐张线夹两个结构部件之间卡位不牢，在应力作用下存在脱落的风险，应及时进行补压；而弯曲的耐张线夹各部位受力不均，在运行过程中一旦张力增大极有可能发生断裂，对于弯曲的钢锚应及时进行矫正或更换；飞边则不应存在于在运耐张线夹，是指钢锚表面存在裂纹，在压接过程中应将飞边打磨光滑以便股线穿过铝管。将获取的耐张线夹x光数据集图像以8:1:1的比例划分训练集、验证集和测试集，分别得到1281个训练样本、160个验证样本和160个测试样本。其中80％的训练集图片输入改进后的网络进行训练，在每一轮的训练中都会利用验证集图片对模型训练效果进行验证。
27.(二)将获取的输电线路耐张线夹x光图像进行预处理，首先针对数据集进行标准化处理，将所有图片统一为rgb格式；然后采用3维块匹配滤波算法对其中含噪和模糊的图像进行去噪，使得数据集图像清晰；最后为了还原耐张线夹x光图像的更多细节特征，采用同态滤波算法对其进行图像增强，提高目标与背景的对比度。bm3d是利用图像的全局信息进行滤波的思想，以块为单位将图像划分为多个小区域，通过在耐张线夹x光图像中寻找相似块并对这些块求平均的方法达到去除图片噪声的目的；设置计算块之间相似度阈值th＝400，最大匹配块数max_matched＝16，块的尺寸大小size＝8
×
8，像素步长step＝3，降噪强度σ＝25；同态滤波算法中锐化系数设置为c＝0.5实现对暗区特征的增强。
28.(三)利用labelimg图像标注工具对凹槽欠压、飞边、散股以及弯曲4类缺陷分别进行标注，每张图像的每类缺陷均要标注。
29.(四)构建更改后的centernet目标检测算法模型，具体操作如下：
30.步骤1：构建centernet网络所需的基础结构，具体包括：
31.cb结构：包括一个普通卷积(conv)与标准化(batch normalization)构建cb结构。
32.cbr结构：由普通卷积、标准化以及激活函数relu构建一个cbr结构。
33.conv block模块：由两个cbr结构与一个cb结构串联构建主干部分bone，一个cb结构构成残差部分short1，利用主干部分bone与残差部分short1构建conv block模块。
34.identity block模块：由两个cbr结构与一个cb结构串联构建主干部分bone，一个1
×
1的卷积构建残差边short2，主干部分bone与残差部分short2构建identity block模块。
35.center head结构：由热力图预测cls_head、宽高预测wh_head以及中心点预测reg_head三个部分构成。
36.步骤2：将输入的耐张线夹x光图片大小设置为512
×
512
×
3。
37.步骤3：利用resize使图片不失真，经过一个步长为2的普通卷积后图片大小变为256
×
256
×
64，并进行bn标准化与relu激活函数。
38.步骤4：采用maxpool进一步对特征进行提取，此时图片大小变为128
×
128
×
64。
39.步骤5：加入se注意力机制a1关注特征层通道变化，继续卷积操作进行特征提取，在经过一个conv block与两个identity block模块后特征层大小变为128
×
128
×
256。
40.步骤6：加入se注意力机制a2继续下采样，经过一个conv block与三个identity block模块后特征层大小变为64
×
64
×
512。
41.步骤7：加入se注意力机制a3继续下采样，经过一个conv block与五个identity block模块后特征层大小变为32
×
32
×
1024。
42.步骤8：最后加入se注意力机制a4，针对加入a4的特征层继续经过一个conv block与两个identity block模块后特征层大小变为16
×
16
×
2048，此时se注意力机制已全部加入主干网络resnet50中。
43.步骤9：引出大小为16
×
16
×
2048的特征层进行特征融合，采用convtranspose进行三次上采样后特征层大小变为128
×
128
×
64。
44.步骤10：将融合过的特征层输入进行分类预测的center head。再将解码预测中使用到的非极大抑制(nms)替换成柔性非极大抑制(soft-nms)，利用热力图预测cls_head判断图片是否存在缺陷以及缺陷种类；中心点预测reg_head判断缺陷中心热力点偏移情况；宽高预测wh_head判断缺陷的宽高大小。
45.(五)将预处理过后的耐张线夹x光图像训练集输入搭建好的centernet目标检测算法模型。
46.(六)借鉴迁移学习的思想，使用主干特征提取网络的预训练权重作为初始化参数，并对centernet网络的训练参数进行设定，总共训练200轮；训练分为两个阶段，第一阶段冻结模型主干迭代训练100轮次，冻结主干的目的是加快训练效率并防止权值被破坏，并在冻结训练阶段采用mixup数据增强，随机将两张不同图像上的缺陷种类混合，形成一张新的图片进行训练；在此期间，特征提取网络结构不发生改变，网络对特征进行学习时仅对参数进行微调，占用显存较小；第二阶段对模型主干进行解冻，再迭代训练100轮次，此时占用显存较大，因此参数需适当调小。初始学习率设置在0.001～0.1的区间较为合适，而在函数接近收敛时，为了确保函数不错过任何可能存在的极小值点，则需将学习率适当调小以使函数低速收敛。在冻结训练阶段batch_size设置为16，学习率设置为0.001，使用mixup数据增强轮数n＝85；解冻训练阶段batch_size设置为8，学习率设置为0.0001。
47.(七)训练结束后取出最后一轮训练产生的权重w2，利用测试集中图像检验该权重
训练效果，检测结果的map值为89.07％，检测效果如图4所示。
48.本实施例中根据实际运行中可能出现的影响情况：数据集分配应尽可能与本发明一致；对各类缺陷进行标注时，应充分考虑机器对该缺陷特征的识别是否与其他特征不一样；只需要在主干网络中特征层通道变化之处添加se注意力机制；网络训练参数设置为尽可能调小，训练轮数尽可能调大，最好使训练自动停止。
49.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。