一种绝缘子图像的缺陷检测方法及装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113762384A(43)申请公布日2021.12.07(21)申请号202111045229.3(22)申请日2021.09.07(71)申请人南方电网电力科技股份有限公司地址510000广东省广州市越秀区西华路捶帽新街1-3号华业大厦附楼501-503室(72)发明人杨英仪(74)专利代理机构北京集佳知识产权代理有限公司11227代理人刘思言(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书9页附图3页(54)发明名称一种绝缘子图像的缺陷检测方法及装置(57)摘要本发明公开了一种绝缘子图像的缺陷检测方法及装置，其方法包括：获取绝缘子训练集和绝缘子测试集；所述绝缘子图像集包括绝缘子本体图像及对应的缺陷标签；基于所述绝缘子数据集，构建优化的目标Cascade‑RCNN框架网络模型；将绝缘子图像输入到所述优化的目标Cascade‑RCNN框架网络模型，得到对应的预测图像；通过Cascade‑RCNN框架网络模型确定绝缘子的缺陷问题，从而提高绝缘子缺陷检测的准确性和效率。CN113762384ACN113762384A权利要求书1/2页1.一种绝缘子图像的缺陷检测方法，其特征在于，包括：获取绝缘子图像集；所述绝缘子图像集包括绝缘子本体图像及对应的缺陷标签；所述绝缘子图像集又划分为：绝缘子训练集和绝缘子训练集；基于所述绝缘子训练集中的绝缘子本体图像及对应的缺陷标签，对所构建的Cascade‑RCNN模型进行迭代训练，得到训练后的Cascade‑RCNN模型；基于所述绝缘子测试集中的绝缘子本体图像及对应的缺陷标签，对所述训练后的Cascade‑RCNN模型进行测试，根据训练误差调整参数继续训练，得到优化的目标Cascade‑RCNN模型；获取待测绝缘子本体图像，并输入所述优化的目标Cascade‑RCNN模型，生成对应的绝缘子缺陷预测结果；所述绝缘子缺陷预测结果包括绝缘子绑扎线预测缺陷或绝缘子压片预测缺陷。2.根据权利要求1所述的绝缘子图像的缺陷检测方法，其特征在于，基于所述绝缘子测试集中的绝缘子本体图像及对应的缺陷标签，对所述训练后的Cascade‑RCNN模型进行测试，根据训练误差调整参数继续训练，得到优化的目标Cascade‑RCNN模型，包括：将所述绝缘子测试集中的绝缘子本体图像输入所述训练后的Cascade‑RCNN模型，生成对应的缺陷测试结果；根据所述绝缘子测试集中的绝缘子本体图像对应的缺陷测试结果和缺陷标签，确定所述训练误差；基于所述训练误差，对所述训练后的Cascade‑RCNN模型进行调整，以得到所述最优网络参数，并采用所述最优网络参数生成所述优化的目标Cascade‑RCNN模型。3.根据权利要求2所述的绝缘子图像的缺陷检测方法，其特征在于，所述绝缘子图像集还包括：绝缘子验证集；基于所述训练误差，对所述训练后的Cascade‑RCNN模型进行调整，以得到所述最优网络参数，并采用所述最优网络参数生成所述优化的目标Cascade‑RCNN模型之后，还包括：基于所述绝缘子验证集中的绝缘子本体图像集对应的缺陷标签，对所述优化的目标Cascade‑RCNN模型进行验证。4.根据权利要求1所述的绝缘子图像的缺陷检测方法，其特征在于，获取绝缘子图像集，包括：获取已预先标注缺陷标签的绝缘子本体图像；所述绝缘子本体图像包括裁剪后的绝缘子本体图像；所述裁剪后的绝缘子本体图像为基于所述缺陷标签裁剪所得到；基于所述绝缘子本体图像，构建所述绝缘子图像集。5.根据权利要求1‑4中任一所述的绝缘子图像的缺陷检测方法，其特征在于，所述Cascade‑RCNN模型包括：特征提取网络、区域候选提取网络和分类回归网络；基于所述绝缘子训练集中的绝缘子本体图像及对应的缺陷标签，对所构建的Cascade‑RCNN模型进行迭代训练，得到训练后的Cascade‑RCNN模型，包括：利用特征提取网络，对所述绝缘子训练集中的绝缘子本体图像进行提取，得到对应的多层级绝缘子特征图；基于所述绝缘子训练集中的绝缘子本体图像及对应的缺陷标签，以及对应的多层级绝缘子特征图，对所述初区域候选提取网络训练，得到训练后的区域候选提取网络和训练好2CN113762384A权利要求书2/2页的分类回归网络。6.一种绝缘子图像的缺陷检测装置，其特征在于，包括：获取模块，用于获取绝缘子图像集；所述绝缘子图像集包括绝缘子本体图像及对应的缺陷标签；所述绝缘子图像集又划分为：绝缘子训练集和绝缘子训练集；训练模块，用于基于所述绝缘子训练集中的绝缘子本体图像及对应的缺陷标签，对所构建的Cascade‑RCNN模型进行迭代训练，得到