一种金具锈蚀图像检测方法和计算机可读存储介质

技术领域

本发明涉及图像检测技术领域，更具体地，涉及一种一种金具锈蚀图像检测方法和计算机可读存储介质。

背景技术

输电线路中，金具起着连接和固定裸导线、导线及绝缘子，传递机械载荷、电气负荷的重要作用。金具的锈蚀，会造成连接线路断开或掉落，引起停电跳闸的重大事故。我国高压输电线路距离长、沿线潮湿环境较多，使得输电线路中的连接金具、防护金具等部件容易受到锈蚀破坏，因此输电线路的锈蚀检测是输电线路缺陷检测的一个重要方面。

现有阶段通过人工目测的方式检测金具锈蚀，工作效率低、主观性大。其一，巡检人员在杆塔附近通过望远检测杆塔金具是否锈蚀，必须在现场完成检测工作，检测结果无证明材料，主观性大，复核成本高；其二，通过直升机/无人机拍摄巡检照片人工判别是否存在金具锈蚀缺陷，数据量巨大、检测效率低，检测人员容易产生视觉疲劳，导致主观错误。中国公开专利号CN110910341A，公开日期为2020年3月24日，该专利公开了一种输电线路锈蚀区缺陷检测方法及装置，该专利通过超红色法和阈值法识别实物锈蚀，识别速度慢，依靠图片颜色进行识别，易受到光线影响，准确性不高。

发明内容

本发明的目的在于克服现有锈蚀图片检测方法中检测识别速度慢，准确性低的缺点，提供一种金具锈蚀图像检测方法。本发明改进了锈蚀图像检测的方法，不仅能够自动识别输电线路中的金具锈蚀，还缩短了锈蚀检测时间，提升了工作的效率，节省时间和人力成本，降低主观性。

为解决上述技术问题，本发明采用的技术方案是：一种金具锈蚀图像检测方法，包括以下步骤方法：

S1.收集金具锈蚀照片，建立金具锈蚀数据库；

S2.将数据库数据输入典型缺陷智能分析模块，提取缺陷信息；

S3.建立Cascade网络，构建检测架构；

S4.改进FPN层，增强对小目标特征检测；

S5.改进Anchor的密度和匹配，增强小目标特征的敏感度；

S6.将缺陷信息输入Cascade网络、FPN层和Anchor进行联合训练形成多特征融合的目标检测框架；

S7.将无人机采集的金具图片信息输入目标检测框架得出金具锈蚀检测结果。

进一步的，所述步骤S1中，所述金具锈蚀照片为金具的可见光照片。将金属的锈蚀照片从无人机的可见光照片中筛选出，建立起锈蚀数据库。

进一步的，所述步骤S2中典型缺陷智能分析模块在数据中识别出待分析区域，在待分析区域中建立分析框，标注出缺陷，提取缺陷信息。步骤S2实现非机构数据即图片数据向结构化数据的转换，便于直接提取图片上的相关缺陷信息。

进一步的，所述步骤S3中建立的Cascade网络以Cascade R-CNN算法为基础，增加若干个级联过程。

进一步的，所述级联过程包括以下具体过程，级联采用的是R-CNN网络，每个级联的R-CNN网络设置不同的IOU阈值，对输入的proposal进行优化。增加了级联的Cascade网络在计算精度和效率上进行了提升，非常易于实施和端到端的trainning，特别是在更严格的评估指标下，实现最先进的单模型探测器。此外，Cascade R-CNN可以使用基于R-CNN框架的任何两级物体探测器构建，计算的边际增长具有一致的增益(2到4个点，意味着更严格的本地化指标)，实现简单有效的检测架构。

进一步的，所述步骤S4中，根据不同阶段特征图的感受野和抽象程度改进FPN层。

进一步的，所述步骤S4中，改进的FPN层使用GAN对特征图的小目标特征生成一个和大目标特征相近的Super-resolved Feature，然后将Super-resolved Feature叠加在原来的小目标特征的特征图上。GAN能够将不同阶段的特征图对应的感受野和表达的抽象信息融合进入FPN层，增强对小目标特征表达来提升小目标特征的检测性能。

进一步的，所述步骤S5包括以下具体步骤：

S51.在数据训练中采用基于数据的特点增加小目标特征匹配的Anchor框的个数；

S52.增加小目标特征的训练权重，减少对大目标特征的bias

本技术方案中，增加负责小目标特征的Anchor的策略，可以在训练时对小目标特征的学习更加充分，使用比较宽松的匹配策略增强对小目标特征的敏感度。

进一步的，所述步骤S6中目标检测框架能够将图片分割成多层特征融合的多特征图，结合了低层的原始图像信息和高层的语义信息，根据语义信息进行锈蚀检测。本技术方案中，可以直接将无人机拍摄的可见光图片输入目标检测框架中，目标框架能够将可见光图片进行图像分析，根据其分割后的语义信息和原始图像信息检测出金具锈蚀信息，完成自动检测。

一种计算机可读存储介质，计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时上述的一种金具锈蚀图像检测方法。

与现有技术相比，本发明的有益效果是：

本发明改进了FPN层，增强对小目标特征检测，改进Anchor的密度和匹配，增强小目标特征的敏感度，并通过锈蚀数据库对Cascade网络、FPN层和Anchor进行联合训练，使得其构成的目标检测框架面对金具图片能够快速进行分割检测，得到金具锈蚀检测结果，缩短了锈蚀检测时间，提升了工作的效率，且不会受到拍照时的光线影响，具有更高的检测精度。

附图说明

图1为本发明一种金具锈蚀图像检测方法的流程示意图。

具体实施方式

下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

实施例1

如图1所示为本发明一种金具锈蚀图像检测方法的实施例。一种金具锈蚀图像检测方法包括以下具体步骤：

步骤一：在无人机拍摄的可见光图片里，筛选出金具锈蚀照片，建立金具锈蚀数据集。

步骤二：将数据库数据输入典型缺陷智能分析模块，基于智典型缺陷智能分析模块识别出数据中待分析区域，建立分析框，人工标注缺陷。实现非机构数据(图片)向结构化数据的转换，并提取图片上的相关缺陷信息。

步骤三：构建cascade网络，以CVPR2018的Cascade R-CNN算法为基础进行了改进，增加了多个强分类器的级联过程，通过级联的R-CNN网络，对每个级联的R-CNN网络设置不同的IOU阈值，对输入的proposal进行优化。增加了级联的Cascade网络在计算精度和效率上进行了提升，非常易于实施和端到端的trainning，特别是在更严格的评估指标下，实现最先进的单模型探测器。此外，Cascade R-CNN可以使用基于R-CNN框架的任何两级物体探测器构建，计算的边际增长具有一致的增益(3个增益点，即更严格的本地化指标)，实现简单有效的检测架构。

步骤四：根据不同阶段特征图的感受野和抽象程度改进FPN层。改进的FPN层使用GAN对特征图的小目标特征生成一个和大目标特征相近的Super-resolved Feature，然后将Super-resolved Feature叠加在原来的小目标特征的特征图上。GAN能够将不同阶段的特征图对应的感受野和表达的抽象信息融合进入FPN层，增强对小目标特征表达来提升小目标特征的检测性能。

步骤五：改进anchor密度和匹配。在数据训练中采用基于数据的特点增加小目标特征匹配的Anchor框的个数，增加小目标特征的训练权重，减少网络对大目标特征的bias。可以在训练时对小目标特征的学习更加充分，可以使用比较宽松的匹配策略增强对小目标特征的敏感度。

步骤六：将缺陷信息输入Cascade网络、FPN层和Anchor进行联合训练形成多特征融合的目标检测框架。目标检测框架能够将图片分割成多层特征融合的多特征图，结合了低层的原始图像信息和高层的语义信息。

步骤七：将无人机采集的金具图片信息输入目标检测框架得出检测结果。目标检测框架能够对输入的金具图片进行处理分割，能够快速得到锈蚀检测结果，提高了目标检测的速度，且不会受到拍照时的光线影响，具有更高的检测精度和速度。

实施例2

本发明一种计算机可读存储介质的实施例。计算机可读存储介质内存储有计算机程序，计算机程序被处理器执行时实施例1中的一种金具锈蚀图像检测方法。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。