(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210875820.X (22)申请日 2022.07.25 (71)申请人 南昌大学 地址 330000 江西省南昌市红谷滩新区学 府大道999号 (72)发明人 邱志斌　李俊轩　卢祖文　周志彪　 张润　吴子建　 (74)专利代理 机构 南昌金轩知识产权代理有限 公司 36129 专利代理师 殷康明 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 5/00(2006.01)G06V 10/764(2022.01) G06V 10/77(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) H02G 7/02(2006.01) (54)发明名称 一种输电线路耐张线夹X光图像缺陷检测方 法 (57)摘要 本发明公开一种输电线路耐张线夹X光图像 缺陷检测方法， 具体包括如下步骤： 构建输电线 路耐张线夹的X光图像数据集并进行标准化处 理， 将所有图片统一为RGB格式； 对图像进行去噪 与对比度增强， 并利用Labeli mg对数据集的缺陷 类别进行标注； 基于原YOLOv3模型进行改进， 以 EfficientNet网络的特征提取输出替换原主干 网络DarkNet ‑53的有效特征层作为输 出， 并以此 作为特征融合网络FPN的三个输入； 采用迁移学 习的思想， 利用耐张线夹X光图像数据集训练与 测试改进后的网络。 本发明通过改进YOL Ov3算法 对耐张线夹缺陷进行检测， 为电力设备智能巡检 领域提供技术参考。 权利要求书2页 说明书4页 附图3页 CN 115147397 A 2022.10.04 CN 115147397 A 1.一种输电线路耐张线夹X光图像缺陷检测方法， 其特 征在于， 包括如下步骤： S1、 耐张线夹X光图像数据集构建与预处理： 构 建含有凹槽欠压、 飞边、 散股以及弯曲等 4类缺陷的耐张线夹X光图像数据集； 针对 数据集进 行标准化处理， 将所有图片统一为 RGB格 式； 采用3维块匹配滤波算法对含 噪的耐张线夹X光图像进行滤波去 噪； 利用同态滤波算法 对去噪后的图像特 征进行图像对比度增强； S2、 构建改进的YOLOv3耐张线夹X光图像缺陷检测模型： 以EfficientNet网络中的三个 特征提取层Block3、 Block5、 Block7的输出替换原YOLOv3主干网络DarkNet ‑53的有效特征 层， 并以此作为特 征融合网络FPN的三个输入； 具体替换操作为： 利用EfficientNet网络中特征提取层B lock3的输出替换原YOLOv3网 络中大小为52 ×52×256的特征层作为输出P1， 同时利用步长为2、 大小为的3 ×3的普通卷 积将特征层大小调节为52 ×52、 利用1 ×1的卷积将通道数调整40， 此时特征层P1尺度大小 为52×52×40； 再利用EfficientNet网络中特征提取层Block5的输出替换原 YOLOv3网络中 大小为26 ×26×512的特征层作为输出P2， 并利用步长为2、 大小的3 ×3的普通卷积将特征 层大小调节 为26×26、 利用1 ×1的卷积将通道数调整112， 此时特征层P2尺度大小为26 ×26 ×112； 最后利用EfficientNet网络中特征提取层Block7的输出替换原YOLOv3网络中大小 为13×13×1024的特征层作为输出P3， 再利用步长为2、 大小为的3 ×3的普通卷积将特征层 大小调节为13 ×13、 利用1 ×1的卷积将通道数调整320， 此时特征层P3尺度大小为13 ×13× 320； 最终获得三个尺度大小为52 ×52×40、 26×26×112、 13×13×320的特征层P1、 P2、 P3， 输入特征融合网络FPN进行 特征融合； S3、 利用预处理的图像训练改进后的YOLOv3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Resize处理为W ×H×3； 将训练集与验证集输入改进的YOLOv3目标检测算法， 采用迁移学习的思想， 将 EfficientNet网络在Pascal  VOC公开数据集上训练所得的权重W1输入改进的YOLOv3进行 辅助训练； 辅助训练时首先冻结模型主干迭代训练100轮次， 在损失函数收敛趋于饱和之 后， 再对模型主干进行解冻， 继续迭代训练100轮次， 两个阶段总计训练200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； S4、 利用训练好的改进YOLOv3模型对测试集图像进行缺陷检测： 迁移学习辅助训练后 可得200组权重， 取出训练损失值最小的权重W2， 将W2输入改进的YOLOv3模 型对测试集图像 进行检测。 2.根据权利要求1所述的改进YOLOv3算法的输电线路耐张线夹缺陷检测方法， 其特征 在于， 所述步骤S1中关于缺陷的定义， 其中包括凹槽欠压： 耐张线夹铝管与凹槽未完全被压 接， 之间留有间隙， 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； 散股： 指绞线与铝管未被完全压接所造成， 弯曲： 是指耐张线夹钢锚与 套管各部位受力不均导 致形变； 飞边则是指钢锚表明存在裂纹。 3.根据权利要求1所述的改进YOLOv3算法的输电线路耐张线夹缺陷检测方法， 其特征 在于，权　利　要　求　书 1/2 页 2 CN 115147397 A 2所述步骤S1中耐张线夹X光 图像的预处理， 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。 将 计算块之间相似度阈值Th＝400， 最大匹配块 数Max_match ed＝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。 4.根据权利要求1所述的改进YOLOv3算法的输电线路耐张线夹缺陷检测方法， 其特征 在于， 所述步骤S2对YOLOv3算法进行改进， 其中对基本组成单元的构建包括： 利用深度可分 离卷积DepthwiseConv和注 意力机制的逆残差结构构建Block模块， 该模块可分为主干部分 与残差边部分； 主干部分先利用1 ×1的卷积进行升维， 经过标准化与Swish激活函数之后， 结合3×3的深度可分离卷积进行跨特征点的特征提取， 在特征提取后加入通道注意力机 制， 并使用1 ×1的卷积进行降维， 降维结束后进行标准化处理； 残差边部分不作任何处理， 直接与主干 部分连接一 起作为输出。 5.根据权利要求1所述的改进YOLOv3算法的输电线路耐张线夹缺陷检测方法， 其特征 在于， 所述步骤S2 中EfficientNet网络是由是由1个stem结构、 Blocki(i＝1、 2、 3、 4、 5、 6、 7) 模块和1个输出层依次构成组成， 取其中特征提取层Block3、 Block5、 Block7的输出替换原 YOLOv3主干网络DarkNet ‑53的有效特征层作为输出， 并以此作为特征融合网络FPN的三个 输入。 6.根据权利要求1所述的改进YOLOv3算法的输电线路耐张线夹缺陷检测方法， 其特征 在于， 所述步骤S3中分阶段训练中参数的设置， 在冻结训练阶段Batch_size设置为8， 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4， 学习率设 置为0.0001。 7.根据权利要求1所述的改进YOLOv3算法的输电线路耐张线夹缺陷检测方法， 其特征 在于， 所述步骤S4 中总共训练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YOLOv3模型对测试集图像进 行检测。权　利　要　求　书 2/2 页 3 CN 115147397 A 3