一种航拍图像输电线路细小金具识别方法与流程

本发明属于输电线路金具识别，具体涉及一种航拍图像输电线路细小金具识别方法。

背景技术：

1、架空输电线路长期暴露在野外，因受到持续的机械张力、风吹日晒、材料老化的影响，经常出现断股、磨损、腐蚀等损伤，如不及时修复更换，原本微小的破损和缺陷就可能扩大，最终导致严重事故，造成大面积停电，从而带来极大的经济损失和严重的社会影响。

2、线路金具是输电线路所用金属部件(除杆塔螺栓外)的总称；线路金具种类繁多，用途各异，常用的有线夹、接续金具、连接金具、保护金具以及拉线金具等。

3、输电线路在常年使用过程中会受到外界环境的影响,各种部件可能出现不同程度的破损,给电力系统的稳定运行带来了巨大挑战，因此，输电线路各部件的检测对电力系统稳定运行起着关键作用；随着无人机巡检的广泛应用，基于深度学习的目标检测技术在输电线路缺陷检测领域得到了应用。

4、公开号为cn109344753a的一种基于深度学习的航拍图像输电线路细小金具识别方法，该专利公开了航拍图像预处理；建立细小金具识别图像库；扩充识别图像库；建立与细小金具识别图像库对应的图像标签库；建立深度学习模型；数据集生成；训练细小金具识别模型；固化模型用于快速检测；模型测试；螺栓平帽故障诊断。

5、现有的航拍图像输电线路细小金具识别方法存在着以下问题：

6、需要构建识别图像库和扩充识别图像库，并需要构建与细小金具识别图像库对应的图像标签库，增加了识别的繁琐；航拍时，容易受到细小金具外部污物干扰，如灰尘、锈迹、鸟粪，这些污物干扰对输电线路的巡检和故障排查带来很大困难，影响识别的精准。

技术实现思路

1、本发明的目的在于提供一种航拍图像输电线路细小金具识别方法，提高识别的效率和精准。

2、为实现上述目的，本发明提供如下技术方案：一种航拍图像输电线路细小金具识别方法，所述识别方法如下：

3、步骤一：使用深度学习算法对航拍图像进行预处理，去除细小金具上的污物干扰；

4、步骤二：运用数据增强技术，增加训练样本数量和多样性；

5、步骤三：采用多尺度特征融合和迁移学习策略，提高模型识别性能；

6、步骤四：将待识别的图像输入到细小金具图像生成模型中，用矩形边界框在图像中标注出识别到的细小金具区域。

7、作为本发明的一种优选的技术方案，所述航拍图像进行预处理包括图像去噪、对比度增强和滤波。

8、作为本发明的一种优选的技术方案，所述细小金具图像生成模型生成方法如下：在gan的框架中，建立生成器g和判别器d两个神经网络，对于生成器g，使用改进后的卷积神经网络(cnn)来替代多层感知机，允许生成器学习自己的空间采样，在生成器和判别器中使用全局平均池化来消除完全连接层的趋势；准备训练的细小金具真实图像数据，使用判别器d对真实图像进行分类，同时使用生成器g生成假图像，这些生成的假图像将与真实图像一起作为训练数据，用于更新判别器d的参数；在训练过程中，不断调整生成器和判别器的参数，直到达到最优的状态；当模型训练完成后，需要对模型进行评估。

9、作为本发明的一种优选的技术方案，所述调整生成器和判别器的参数调整方式：调整生成器的权重参数，以使判别器不能完全区分真实图像和生成的假图像；或者调整判别器的权重参数，使得它能够更好地区分真实图像和生成的假图像。

10、作为本发明的一种优选的技术方案，所述模型进行评估：使用测试集来检验模型对细小金具图像的生成能力和判别能力，评估指标包括准确率、召回率、f1分数。

11、作为本发明的一种优选的技术方案，所述模型训练过程中，采用损失函数进行优化。

12、作为本发明的一种优选的技术方案，所述深度学习算法为卷积神经网络(cnn)，通过训练得到一个自适应的模型。

13、作为本发明的一种优选的技术方案，通过图像识别和深度学习技术对标注出识别到的细小金具区域图像数据进行故障检测；根据故障检测结果生成故障报告。

14、与现有技术相比，本发明的有益效果是：

15、能够识别和分类输电线路中的细小金具，同时去除细小金具上的污物干扰；

16、通过对比度增强、滤波和去噪预处理手段提高图像质量，并采用多尺度特征融合、数据增强和迁移学习技术，使其具有更高的识别准确率和泛化能力；

17、模型训练过程中，采用损失函数进行优化，以提高识别精确度和鲁棒性，与现有技术相比，本发明能够更准确、高效地识别输电线路细小金具，并具有更广泛的应用前景和实用价值。

技术特征：

1.一种航拍图像输电线路细小金具识别方法，其特征在于：所述识别方法如下：

2.根据权利要求1所述的一种航拍图像输电线路细小金具识别方法，其特征在于：所述航拍图像进行预处理包括图像去噪、对比度增强和滤波。

3.根据权利要求1所述的一种航拍图像输电线路细小金具识别方法，其特征在于：所述细小金具图像生成模型生成方法如下：在gan的框架中，建立生成器g和判别器d两个神经网络，对于生成器g，使用改进后的卷积神经网络(cnn)来替代多层感知机，允许生成器学习自己的空间采样，在生成器和判别器中使用全局平均池化来消除完全连接层的趋势；准备训练的细小金具真实图像数据，使用判别器d对真实图像进行分类，同时使用生成器g生成假图像，这些生成的假图像将与真实图像一起作为训练数据，用于更新判别器d的参数；在训练过程中，不断调整生成器和判别器的参数，直到达到最优的状态；当模型训练完成后，需要对模型进行评估。

4.根据权利要求3所述的一种航拍图像输电线路细小金具识别方法，其特征在于：所述调整生成器和判别器的参数调整方式：调整生成器的权重参数，以使判别器不能完全区分真实图像和生成的假图像；或者调整判别器的权重参数，使得它能够更好地区分真实图像和生成的假图像。

5.根据权利要求3所述的一种航拍图像输电线路细小金具识别方法，其特征在于：所述模型进行评估：使用测试集来检验模型对细小金具图像的生成能力和判别能力，评估指标包括准确率、召回率、f1分数。

6.根据权利要求3所述的一种航拍图像输电线路细小金具识别方法，其特征在于：所述模型训练过程中，采用损失函数进行优化。

7.根据权利要求1所述的一种航拍图像输电线路细小金具识别方法，其特征在于：所述深度学习算法为卷积神经网络(cnn)，通过训练得到一个自适应的模型。

8.根据权利要求1所述的一种航拍图像输电线路细小金具识别方法，其特征在于：通过图像识别和深度学习技术对标注出识别到的细小金具区域图像数据进行故障检测；根据故障检测结果生成故障报告。

技术总结
本发明公开了一种航拍图像输电线路细小金具识别方法，所述识别方法如下：步骤一：使用深度学习算法对航拍图像进行预处理，去除细小金具上的污物干扰；步骤二：运用数据增强技术，增加训练样本数量和多样性；步骤三：采用多尺度特征融合和迁移学习策略，提高模型识别性能；步骤四：将待识别的图像输入到细小金具图像生成模型中，用矩形边界框在图像中标注出识别到的细小金具区域；本发明的有益效果是：能够识别和分类输电线路中的细小金具，同时去除细小金具上的污物干扰；通过对比度增强、滤波和去噪预处理手段提高图像质量，并采用多尺度特征融合、数据增强和迁移学习技术，使其具有更高的识别准确率和泛化能力。

技术研发人员：庄毅,陈绍勇,陈建泉,吴桂滨,蔡柳君,张钰,张仲天
受保护的技术使用者：广东电网有限责任公司云浮供电局
技术研发日：
技术公布日：2024/2/1