基于轻量级深度学习算法的输电线路绝缘子识别定位方法

摘要

本发明提供了一种基于轻量级深度学习算法的输电线路绝缘子识别定位方法，通过现场收集输电线路绝缘子可见光通道图片，构建输电线路绝缘子可见光图像数据集；建立EfficientDet‑d0算法模型，将模型在ImageNet数据集上进行预训练，并利用可见光图像数据集对预训练后的模型进行微调训练；将待检测的输电线路绝缘子图像输入微调训练后的模型中，进行输电线路绝缘子识别定位。本发明提供的基于轻量级深度学习算法的输电线路绝缘子识别定位方法，在保证准确率和召回率在工程应用允许的范围内的同时，减小了模型的参数大小，提升了模型的计算效率，能够方便地部署到嵌入式计算平台中，为输电线路绝缘子的无人机巡检提供技术支持。

说明书

技术领域

本发明涉及输电线路绝缘子识别定位技术领域，特别是涉及一种基于轻量级深度学习算法的输电线路绝缘子识别定位方法。

背景技术

绝缘子作为传输线上最常用的电力设备之一，对于维持电力系统的安全性和稳定性至关重要。绝缘子的定位和识别是进行故障诊断的前提。目前，无人机和机器人等巡检方式的技术更新，能够有效解决传统电力巡检效率低、实时性差、危险系数高等问题，但是也堆积了大量的巡检图像视频数据。海量的图像数据在低效筛选处理下极易积压，反倒降低了设备运维的实时性，难以适应智能化的电力系统的发展。

当前，基于计算机视觉的深度学习算法在目标识别领域不断更迭和变革，在图像处理领域取得了良好的成果。与传统的目标识别算法相比，Faster-RCNN、SSD和YOLO等基于深度卷积神经网络的目标识别算法从大量的图像数据中自动学习目标特征，无需人工设计特征提取器。这种端到端的学习策略有效地简化了算法的流程，提升了目标识别算法的效率、准确率以及泛化能力。但是，深度卷积神经网络模型十分复杂，且参数过多，无法在嵌入式平台上部署。EfficientDet算法是目标识别领域中较新的算法，它的速度和精度都表现出色，目前还未在绝缘子识别领域进行应用。因此，设计一种速度和精度都十分出色的基于轻量级深度学习算法EfficientDet的输电线路绝缘子识别定位方法是十分有必要的。

发明内容

本发明的目的是提供一种基于轻量级深度学习算法的输电线路绝缘子识别定位方法，在保证准确率和召回率在工程应用允许的范围之内的同时，减小了模型的参数大小，提升了模型的计算效率，能够方便地部署到嵌入式计算平台中，为输电线路绝缘子的无人机巡检提供技术支持。

为实现上述目的，本发明提供了如下方案：

一种基于轻量级深度学习算法的输电线路绝缘子识别定位方法，包括如下步骤：

步骤1：通过现场收集输电线路绝缘子可见光通道图片，构建输电线路绝缘子可见光图像数据集；

步骤2：建立EfficientDet-d0算法模型，将EfficientDet-d0算法模型在ImageNet数据集上进行预训练，预训练完成后，利用步骤1中构建的输电线路绝缘子可见光图像数据集对进行过预训练后的EfficientDet-d0算法模型的模型参数进行微调训练；

步骤3：将待检测的输电线路绝缘子图像输入步骤2中进行微调训练后的EfficientDet-d0算法模型中，进行输电线路绝缘子识别定位。

可选的，步骤1中，构建输电线路绝缘子可见光图像数据集，具体为：

在输电线路中收集不同地点、不同天气情况下的110kV、220kV和500kV电压等级的输电线路中绝缘子样本图片，构建输电线路绝缘子可见光图像数据集，并将其分为训练集及测试集，其中训练集占照片总数的90％，测试集占照片总数的10％。

可选的，使用标签软件制作输电线路绝缘子可见光图像数据集，通过人工对输电线路绝缘子可见光图像数据集中的输电线路绝缘子逐一进行框选，输入标签名insulator，并生成相应的xml文件，用于对EfficientDet-d0算法模型的模型参数进行微调训练。

可选的，所述EfficientDet-d0算法模型的深度学习框架为Pytorch，且未设定训练总次数，基于早停法缓解过拟合，其中，学习率在0-16000次迭代间被设置为1E-4，在16001-20000次迭代间被设置为1E-5，在20001-22000间被设置为1E-6，在22000-23001间被设置为1E-7，在23001-40000次迭代间被设置为1E-8。

可选的，步骤3中，进行输电线路绝缘子识别定位，具体为：

所述EfficientDet-d0算法模型包括在ImageNet上预训练好的EfficientNet、BiFPN、分类和检测框预测网络，将待检测的输电线路绝缘子图像输入EfficientDet-d0算法模型的EfficientNet，进行卷积和最大值池化交替处理，输出P3-P7共5层特征向量，将得到的P3-P7共5层特征向量输入到EfficientDet-d0算法模型的BiFPN中多次做top-down和bottom-up的特征融合，最后输出同样得到5个融合特征向量，将得到的5个融合特征向量分别都输入到分类和检测框预测网络中，得到预测框，根据预测框得到绝缘子概率和绝缘子框的位置。

根据本发明提供的具体实施例，本发明公开了以下技术效果：本发明提供的基于轻量级深度学习算法的输电线路绝缘子识别定位方法，在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为输电线路绝缘子的巡检提供了新的思路和方法，对边缘计算在输电线路运维中的应用具有一定的参考价值；该方法通过现场收集输电线路绝缘子可见光通道图片，构建输电线路绝缘子可见光图像数据集，通过ImageNet数据集及输电线路绝缘子可见光图像数据集对建立的EfficientDet-d0算法模型进行训练，训练完成后，将待检测的输电线路绝缘子图像输入EfficientDet-d0算法模型中，进行输电线路绝缘子识别定位，能够快速对绝缘子进行识别框选，采用EfficientDet算法，无论是精度还是速度都十分出色，与其他算法相比，简化了流程，提升了目标识别的效率、准确率及泛化能力；将输电线路绝缘子可见光图像数据集分为训练集及测试集，其中训练集占照片总数的90％，测试集占照片总数的10％，训练集对模型进行训练，测试集用于评估模型的性能；模型选取深度学习框架为Pytorch，通过早停法有效的缓解了过拟合；对比了本发明记载模型与主流YOLOv3模型的AP值、FLOPs及模型大小，本发明记载模型的大小约为YOLOv3模型的十五分之一，在保证准确率和召回率的情况下，大大减小了模型的参数大小，使其能够方便地部署到嵌入式计算平台中。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例基于轻量级深度学习算法的输电线路绝缘子识别定位方法流程示意图；

图2为EfficientDet-d0算法模型的结构示意图；

图3为MBConv模块的结构示意图；

图4为EfficientDet-d0算法模型的输出示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明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。

本发明的目的是提供一种基于轻量级深度学习算法的输电线路绝缘子识别定位方法，在保证准确率和召回率在工程应用允许的范围之内的同时，减小了模型的参数大小，提升了模型的计算效率，能够方便地部署到嵌入式计算平台中，为输电线路绝缘子的无人机巡检提供技术支持。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1-4所示，本发明实施例提供的基于轻量级深度学习算法的输电线路绝缘子识别定位方法，如图1所示，包括如下步骤：

步骤1：通过现场收集输电线路绝缘子可见光通道图片，构建输电线路绝缘子可见光图像数据集；

步骤2：建立EfficientDet-d0算法模型，将EfficientDet-d0算法模型在ImageNet数据集上进行预训练，预训练完成后，利用步骤1中构建的输电线路绝缘子可见光图像数据集对进行过预训练后的EfficientDet-d0算法模型的模型参数进行微调训练；

步骤3：将待检测的输电线路绝缘子图像输入步骤2中进行微调训练后的EfficientDet-d0算法模型中，进行输电线路绝缘子识别定位。

步骤1中，构建输电线路绝缘子可见光图像数据集，具体为：

为保证数据集的多样性，在输电线路中收集不同地点、不同天气情况下的110kV、220kV和500kV等多种电压等级的输电线路中绝缘子样本图片，构建输电线路绝缘子可见光图像数据集，并将其分为训练集及测试集，其中训练集占照片总数的90％，测试集占照片总数的10％，本发明实施例采集了共计1300张的样本图片，其中1170张作为训练集，用于对EfficientDet-d0算法模型进行训练，130张作为测试集，用于评估EfficientDet-d0算法模型的性能。

使用标签软件制作输电线路绝缘子可见光图像数据集，通过人工对输电线路绝缘子可见光图像数据集中的输电线路绝缘子逐一进行框选，输入标签名insulator，并生成相应的xml文件，用于对EfficientDet-d0算法模型的模型参数进行微调训练。

所述EfficientDet-d0算法模型的深度学习框架为Pytorch，该模型未设定训练总次数，采用早停法缓解过拟合，其中，学习率在0-16000次迭代间被设置为1E-4，在16001-20000次迭代间被设置为1E-5，在20001-22000间被设置为1E-6，在22000-23001间被设置为1E-7，在23001-40000次迭代间被设置为1E-8。

步骤3中，进行输电线路绝缘子识别定位，具体为：

如图2所示，EfficientDet-d0算法模型的网络结构由三部分组成，第一部分是由在ImageNet上预训练好的EfficientNet，该部分作为骨干网络，第二部分是BiFPN，作为特征提取网络，第三部分就是分类和检测框预测网络；将待检测的输电线路绝缘子图像输入EfficientDet-d0算法模型的EfficientNet，进行卷积和最大值池化交替处理，输出P3-P7共5层特征向量，将得到的P3-P7共5层特征向量输入到EfficientDet-d0算法模型的BiFPN中多次做top-down和bottom-up的特征融合，最后输出同样得到5个融合特征向量，将得到的5个融合特征向量分别都输入到分类和检测框预测网络中，得到预测框，如图4所示，根据预测框得到绝缘子概率和绝缘子框的位置。

EfficientDet算法使用加权双向特征金字塔网络从而快速地实现多尺度特征融合，对小目标的检测起到了显著的作用，以往的检测算法大多采用自顶向下的特征金字塔网络(Feature Pyramid Networks for Object Detection，FPN)，但EfficientDet算法通过以PANet(Path Aggregation Network)等替代FPN，以增加计算量为代价添加了一个额外的自底向上的流，提出了一种新的双向特征网络BiFPN，它融合了FPN和PANet的多级特征融合思想，使得信息能够在自上而下和自下而上的方向流动，同时使用规则和高效的连接。

骨干网络EfficientNet由移动翻转瓶颈卷积MBConv模块组成，如图3所示，MBConv模块中包含类似残差结构的结构，在短连接部分使用了SE注意力模块，另外使用了Dropconnect方法对隐层节点的输入进行随机的丢弃。

将本发明提出的模型与目前主流YOLOv3模型相对比，得到下表，

表1模型对比表

如表1所示，本发明提出的模型大小约为YOLOv3模型的十五分之一，在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中。

本发明提供的基于轻量级深度学习算法的输电线路绝缘子识别定位方法，在保证准确率和召回率在工程应用允许范围之内的同时，大大减小了模型的参数大小，提升了模型的计算效率，使其可以方便地部署到嵌入式计算平台中，为输电线路绝缘子的巡检提供了新的思路和方法，对边缘计算在输电线路运维中的应用具有一定的参考价值；该方法通过现场收集输电线路绝缘子可见光通道图片，构建输电线路绝缘子可见光图像数据集，通过ImageNet数据集及输电线路绝缘子可见光图像数据集对建立的EfficientDet-d0算法模型进行训练，训练完成后，将待检测的输电线路绝缘子图像输入EfficientDet-d0算法模型中，进行输电线路绝缘子识别定位，能够快速对绝缘子进行识别框选，采用EfficientDet算法，无论是精度还是速度都十分出色，与其他算法相比，简化了流程，提升了目标识别的效率、准确率及泛化能力；将输电线路绝缘子可见光图像数据集分为训练集及测试集，其中训练集占照片总数的90％，测试集占照片总数的10％，训练集对模型进行训练，测试集用于评估模型的性能；模型选取深度学习框架为Pytorch，通过早停法有效的缓解了过拟合；对比了本发明记载模型与主流YOLOv3模型的AP值、FLOPs及模型大小，本发明记载模型的大小约为YOLOv3模型的十五分之一，在保证准确率和召回率的情况下，大大减小了模型的参数大小，使其能够方便地部署到嵌入式计算平台中。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。