一种绝缘子缺陷检测方法及系统

1.本发明涉及绝缘子领域，特别是涉及一种绝缘子缺陷检测方法及系统。


背景技术：

2.随着中国电力事业的高速发展，电网规模日益扩大。绝缘子作为输电线路的电气绝缘和支撑部件，由于长期暴露在野外，随时可能因缺陷而导致故障，进而影响整个电网的安全稳定运行。因此，对绝缘子定期巡检，及时发现其缺陷至关重要。目标检测技术和无人机技术在过去几年取得了重大进展，结合无人机巡检和目标检测算法的智能巡检技术开始逐渐代替人工巡检。目前的绝缘子缺陷检测方法大多是通过改进目标检测网络来提升检测准确率，其检测性能更多的依赖于样本的数量和质量。绝缘子缺陷具有样本不足和样本不平衡的问题。样本不足的原因有以下两点：一是绝缘子在大部分时间处于正常工作状态，导致在日常巡检中缺陷绝缘子的获取非常有限；二是缺陷样本基本是不公开的，研究人员很难获得足够的缺陷样本用于模型训练。样本不平衡的原因有以下两点：一是缺陷相对于整幅图像所占面积较小，在模型训练过程中存在正负样本不平衡的问题；二是缺陷存在难易样本不平衡的问题。因此，在少样本条件下实现绝缘子缺陷的检测具有重要的研究价值。
3.现有的绝缘子缺陷检测方案有：
4.(1)在fasterr-cnn的基础上，提出一种动态焦点损失函数和一种基于二阶矩的样本平衡方法，提升了绝缘子缺陷的检测性能。
5.(2)改进fasterr-cnn的特征提取网络，使用增强特征金字塔和可变形卷积，提升了绝缘子缺陷的检测精度。
6.(3)通过优化全卷积网络模型结构、剔除全连接层dropout、增加多尺度池化与孔洞卷积以及采用双目标优化函数，提高了绝缘子缺陷检测的准确率。
7.采用方案一所述的动态焦点损失函数和样本平衡方法，其优势在于解决了绝缘子缺陷样本不平衡以及困难样本低效学习问题，实现了绝缘子伞盘脱落、绝缘子破损和绝缘子脏污三种缺陷的检测，但绝缘子破损和脏污检测的准确率较低；采用方案二所述的基于增强特征金字塔和可变形卷积的绝缘子缺陷检测方法，其优势在于可以减小背景干扰的影响并显著提高缺陷区域较小情况下的检测精度，但需要大规模的缺陷样本进行训练；采用方案三所述的改进全卷积网络优化绝缘子缺陷检测方法，其优势在于检测效率高，但绝缘子缺陷检测的准确率低。


技术实现要素：

8.本发明的目的是提供一种绝缘子缺陷检测方法及系统，以实现少样本条件下的绝缘子缺陷检测，检测精度高。
9.为实现上述目的，本发明提供了如下方案：
10.一种绝缘子缺陷检测方法，包括：
11.获取多个绝缘子缺陷真实图像样本；所述绝缘子缺陷包括零部件破损和伞盘脱
落；所述零部件包括伞盘、金属端头和棒芯；
12.构建不同背景、不同形态的绝缘子缺陷人工图像样本；
13.以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本为输入，以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的标注结果为标签构成绝缘子缺陷混合样本集；
14.将所述绝缘子缺陷混合样本集划分为训练集和验证集；所述训练集包括绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本；所述验证集包括绝缘子缺陷人工图像样本；
15.构建faster r-cnn网络模型以及用于平衡正负样本和难易样本的均衡损失函数；
16.利用绝缘子缺陷人工图像样本训练faster r-cnn网络模型，获得绝缘子缺陷检测的预训练模型；
17.利用所述训练集和验证集，并采用均衡损失函数，对所述预训练模型进行训练和验证，获得绝缘子缺陷检测模型；
18.将待测的绝缘子缺陷图像输入所述绝缘子缺陷检测模型，输出绝缘子缺陷检测结果。
19.可选的，所述构建不同背景、不同形态的绝缘子缺陷人工图像样本，具体包括：
20.绘制绝缘子零部件；
21.组合绝缘子零部件，并渲染不同材质，构建多种材质的绝缘子模型；
22.以绝缘子破损和伞盘脱落的形态结构为先验知识，构建切割模块；
23.利用切割模块分别切割每种材质的绝缘子模型，得到绝缘子破损模型和绝缘子伞盘脱落模型；
24.以陶瓷或玻璃为材质渲染伞盘，并以镀锌为材质渲染金属端头，获得渲染后的绝缘子破损模型和绝缘子伞盘脱落模型；
25.将渲染后的绝缘子破损模型和绝缘子伞盘脱落模型分别以预设角度为步长进行旋转，获得不同形态的绝缘子破损模型和绝缘子伞盘脱落模型；
26.将每个形态的绝缘子破损模型和绝缘子伞盘脱落模型赋予一个模拟绝缘子所处实际场景的图像背景，获得不同背景、不同形态的绝缘子缺陷人工图像样本。
27.可选的，所述faster r-cnn网络模型包括依次连接的resnet50特征提取网络、区域建议网络、感兴趣区域池化层和多个全连接层；
28.所述resnet50特征提取网络用于提取绝缘子图像的特征图；
29.所述区域建议网络用于在所述特征图上生成候选框，输出多个特征矩阵；
30.所述感兴趣区域池化层用于将多个特征矩阵缩放成统一大小的特征图；
31.多个所述全连接层用于根据多个统一大小的特征图输出绝缘子图像的缺陷检测结果。
32.可选的，所述均衡损失函数为
[0033][0034]
其中，bl表示均衡损失，α、α
·
和γ分别表示第一、第二和第三参数，α
·
＝1-α，p1表示样本为破损缺陷的概率，p2表示样本为伞盘脱落缺陷的概率，β表示破损缺陷样本数量与
伞盘脱落缺陷样本数量之比，p
·
表示破损缺陷和伞盘脱落缺陷的概率之和，p
·
＝p1 p1，damaged表示破损缺陷，dropped表示伞盘脱落缺陷。
[0035]
可选的，利用所述训练集和验证集，并采用均衡损失函数，对所述预训练模型进行训练和验证，获得绝缘子缺陷检测模型，具体包括：
[0036]
调整所述训练集中绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的比例，获得不同比例的训练集；
[0037]
设定所述均衡损失函数中的α＝0.75，β＝0.5，γ＝1；
[0038]
利用不同比例的训练集和设定参数的均衡损失函数，对所述预训练模型进行训练，获得多个训练后的模型；
[0039]
利用所述验证集验证多个训练后的模型预测结果的性能，并将性能最优的模型确定为绝缘子缺陷检测模型；其中，表征训练后的模型预测结果的性能指标包括检测精度和召回率。
[0040]
一种绝缘子缺陷检测系统，包括：
[0041]
真实样本获取模块，用于获取多个绝缘子缺陷真实图像样本；所述绝缘子缺陷包括零部件破损和伞盘脱落；所述零部件包括伞盘、金属端头和棒芯；
[0042]
人工样本构建模块，用于构建不同背景、不同形态的绝缘子缺陷人工图像样本；
[0043]
混合样本集构成模块，用于以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本为输入，以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的标注结果为标签构成绝缘子缺陷混合样本集；
[0044]
划分模块，用于将所述绝缘子缺陷混合样本集划分为训练集和验证集；所述训练集包括绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本；所述验证集包括绝缘子缺陷人工图像样本；
[0045]
模型构建模块，用于构建fasterr-cnn网络模型以及用于平衡正负样本和难易样本的均衡损失函数；
[0046]
预训练模块，用于利用绝缘子缺陷人工图像样本训练faster r-cnn网络模型，获得绝缘子缺陷检测的预训练模型；
[0047]
训练模块，用于利用所述训练集和验证集，并采用均衡损失函数，对所述预训练模型进行训练和验证，获得绝缘子缺陷检测模型；
[0048]
应用模块，用于将待测的绝缘子缺陷图像输入所述绝缘子缺陷检测模型，输出绝缘子缺陷检测结果。
[0049]
可选的，所述人工样本构建模块，具体包括：
[0050]
零部件绘制子模块，用于绘制绝缘子零部件；
[0051]
组合子模块，用于组合绝缘子零部件，并渲染不同材质，构建多种材质的绝缘子模型；
[0052]
切割模块构建子模块，用于以绝缘子破损和伞盘脱落的形态结构为先验知识，构建切割模块；
[0053]
缺陷模型获得子模块，用于利用切割模块分别切割每种材质的绝缘子模型，得到绝缘子破损模型和绝缘子伞盘脱落模型；
[0054]
渲染子模块，用于以陶瓷或玻璃为材质渲染伞盘，并以镀锌为材质渲染金属端头，
获得渲染后的绝缘子破损模型和绝缘子伞盘脱落模型；
[0055]
旋转子模块，用于将渲染后的绝缘子破损模型和绝缘子伞盘脱落模型分别以预设角度为步长进行旋转，获得不同形态的绝缘子破损模型和绝缘子伞盘脱落模型；
[0056]
人工样本获得子模块，用于将每个形态的绝缘子破损模型和绝缘子伞盘脱落模型赋予一个模拟绝缘子所处实际场景的图像背景，获得不同背景、不同形态的绝缘子缺陷人工图像样本。
[0057]
可选的，所述faster r-cnn网络模型包括依次连接的resnet50特征提取网络、区域建议网络、感兴趣区域池化层和多个全连接层；
[0058]
所述resnet50特征提取网络用于提取绝缘子图像的特征图；
[0059]
所述区域建议网络用于在所述特征图上生成候选框，输出多个特征矩阵；
[0060]
所述感兴趣区域池化层用于将多个特征矩阵缩放成统一大小的特征图；
[0061]
多个所述全连接层用于根据多个统一大小的特征图输出绝缘子图像的缺陷检测结果。
[0062]
可选的，所述均衡损失函数为
[0063][0064]
其中，bl表示均衡损失，α、α
·
和λ分别表示第一、第二和第三参数，α
·
＝1-α，p1表示样本为破损缺陷的概率，p2表示样本为伞盘脱落缺陷的概率，β表示破损缺陷样本数量与伞盘脱落缺陷样本数量之比，p
·
表示破损缺陷和伞盘脱落缺陷的概率之和，p
·
＝p1 p2，damaged表示破损缺陷，dropped表示伞盘脱落缺陷。
[0065]
可选的，所述训练模块，具体包括：
[0066]
比例调整子模块，用于调整所述训练集中绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的比例，获得不同比例的训练集；
[0067]
参数设定子模块，用于设定所述均衡损失函数中的α＝0.75，β＝0.5，γ＝1；
[0068]
训练子模块，用于利用不同比例的训练集和设定参数的均衡损失函数，对所述预训练模型进行训练，获得多个训练后的模型；
[0069]
验证子模块，用于利用所述验证集验证多个训练后的模型预测结果的性能，并将性能最优的模型确定为绝缘子缺陷检测模型；其中，表征训练后的模型预测结果的性能指标包括检测精度和召回率。
[0070]
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：
[0071]
本发明公开一种绝缘子缺陷检测方法及系统，通过模拟绝缘子缺陷真实图像样本的几何结构、表面纹理等特征以及可能出现的环境条件，生成大规模且具有多样性的绝缘子缺陷人工图像样本数据集，并将人工样本和真实样本构成混合样本训练集，进一步通过混合样本的迁移学习模型减少了绝缘子缺陷检测对样本数量的依赖，实现少样本条件下的绝缘子缺陷检测，且通过均衡损失函数解决了绝缘子缺陷检测过程中存在的正负样本不平衡和难易样本不平衡的问题，在保证缺陷检测模型对简单缺陷检测能力的同时，提升模型对困难样本的检测能力，检测精度高。
附图说明
[0072]
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。
[0073]
图1为本发明提供的绝缘子缺陷检测方法的流程图；
[0074]
图2为本发明提供的绝缘子缺陷检测方法的原理图。
具体实施方式
[0075]
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。
[0076]
本发明的目的是提供一种绝缘子缺陷检测方法及系统，以实现少样本条件下的绝缘子缺陷检测，检测精度高。
[0077]
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。
[0078]
本发明提供了一种绝缘子缺陷检测方法，如图1-2所示，包括：
[0079]
步骤s1，获取多个绝缘子缺陷真实图像样本；绝缘子缺陷包括绝缘子破损和伞盘脱落。
[0080]
数据集准备：采集并整理输电线路航拍图像中的绝缘子破损和伞盘脱落图像。
[0081]
步骤s2，构建不同背景、不同形态的绝缘子缺陷人工图像样本。
[0082]
融合盘型绝缘子先验知识和规则标准，构建切割模块切割绝缘子模型，得到绝缘子伞盘脱落和破损模型。绝缘子缺陷模型生成过程分以下步骤：
[0083]
s2-1，绘制绝缘子零部件；零部件包括伞盘、金属端头和棒芯；
[0084]
s2-2，组合绝缘子零部件，并渲染不同材质，构建多种材质的绝缘子模型；示例性的，由于在实际的航拍图像中存在三种不同材质的绝缘子，所以构建三种材质的绝缘子模型，三种材质分别为玻璃材质、陶瓷材质、复合材质；不同材质的绝缘子形态是不同的，几何形状不同，在渲染时按相应的材质进行渲染。
[0085]
s2-3，以绝缘子破损和伞盘脱落的形态结构为先验知识，构建切割模块；
[0086]
切割模块是一个多边形通过拉伸操作生成的立体几何结构，切割模块与绝缘子模型相交，通过3d max的布尔差集操作得到绝缘子缺陷模型。即根据绝缘子破损和伞盘脱落的定义，形态结构构建切割模块，得到的绝缘子破损和伞盘脱落模型与真实绝缘子破损和伞盘脱落更为相近。
[0087]
s2-4，利用切割模块分别切割每种材质的绝缘子模型，得到绝缘子破损模型和绝缘子伞盘脱落模型；
[0088]
s2-5，以陶瓷或玻璃为材质渲染伞盘，并以镀锌为材质渲染金属端头，获得渲染后的绝缘子破损模型和绝缘子伞盘脱落模型；使用keyshot软件进行渲染；
[0089]
s2-6，将渲染后的绝缘子破损模型和绝缘子伞盘脱落模型分别以预设角度为步长
进行旋转，获得不同形态的绝缘子破损模型和绝缘子伞盘脱落模型；优选方式为：以60度为一个步长进行旋转来模拟不同的航拍角度。
[0090]
s2-7，将每个形态的绝缘子破损模型和绝缘子伞盘脱落模型赋予一个模拟绝缘子所处实际场景的图像背景，获得不同背景、不同形态的绝缘子缺陷人工图像样本。其中，包括天空、沙漠、树木、输电线路的图像背景模拟绝缘子的实际场景。每张图片中绝缘子数量为一个。最终得到不同背景、不同形态的绝缘子缺陷样本。
[0091]
步骤s3，以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本为输入，以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的标注结果为标签构成绝缘子缺陷混合样本集。
[0092]
采用labelimg标注工具对绝缘子缺陷真实图像样本和人工样本进行标注，其中绝缘子伞盘脱落的标签为dropped，绝缘子破损的标签为damaged。
[0093]
步骤s4，将绝缘子缺陷混合样本集划分为训练集和验证集；训练集包括绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本；验证集包括绝缘子缺陷人工图像样本。
[0094]
将绝缘子图像构成的样本集按一定比例随机分为训练集和验证集，其中训练集包含真实样本和人工样本，测试集只包含人工样本。
[0095]
步骤s5，构建faster r-cnn网络模型以及用于平衡正负样本和难易样本的均衡损失函数。
[0096]
s5-1，搭建基础网络
[0097]
本发明采用faster r-cnn作为基础模型，在pytorch框架下搭建faster r-cnn模型。faster r-cnn网络模型包括依次连接的resnet50特征提取网络、区域建议网络、感兴趣区域池化层和多个全连接层。resnet50特征提取网络用于提取绝缘子图像的特征图。区域建议网络(region proposal network,rpn)用于在特征图上生成候选框，输出多个特征矩阵；使用rpn结构生成候选框，将rpn生成的候选框投影到特征图上获得相应的特征矩阵。rpn是一个全卷积网络，输入一张图像，输出一系列的矩形目标建议框，每一个框都含有一个目标得分。感兴趣区域池化层(roi pooling层)用于将多个特征矩阵缩放成统一大小的特征图。多个全连接层用于根据多个统一大小的特征图输出绝缘子图像的缺陷检测结果。
[0098]
s5-2，构建均衡损失函数
[0099]
faster r-cnn的分类损失使用的是交叉熵损失，没有考虑到训练过程中正负样本不平衡以及难易样本不平衡的问题。交叉熵损失的公式如下：
[0100][0101]
其中，p为样本是正样本的概率，y＝1表示正样本。均衡损失是在交叉熵损失前加上一个参数α，公式如下：
[0102][0103]
上式中α可平衡正负样本，但不能解决难易样本不平衡的问题，由于易分样本相对较多，最终总的损失主要由易分样本决定。然而，易分样本对模型的提升效果非常小，模型应该主要关注于那些难分样本。因此，应该将置信度高的易分样本损失降低，使损失函数更加关注难分样本。对于绝缘子破损和伞盘脱落缺陷，破损样本数量更少，破损形式更多，为
难分样本，应在训练的过程中给予更多关注。因此，将伞盘脱落缺陷的损失降低，相当于将破损缺陷的损失提高。最终得到的均衡损失的公式如下：
[0104][0105]
其中，bl表示均衡损失，α、α
·
和γ分别表示第一、第二和第三参数，α
·
＝1-α，p1表示样本为破损缺陷的概率，p2表示样本为伞盘脱落缺陷的概率，β表示破损缺陷样本数量与伞盘脱落缺陷样本数量之比，p
·
表示破损缺陷和伞盘脱落缺陷的概率之和，p
·
＝p1 p2，damaged表示破损缺陷，dropped表示伞盘脱落缺陷。γ值用来降低易分样本即伞盘脱落缺陷样本的损失。
[0106]
步骤s6，利用绝缘子缺陷人工图像样本训练faster r-cnn网络模型，获得绝缘子缺陷检测的预训练模型。
[0107]
使用大量绝缘子缺陷人工图像样本训练faster r-cnn得到绝缘子缺陷检测的预训练模型，具体步骤如下：
[0108]
(1)特征提取网络：将绝缘子图片输入resnet50特征提取网络，利用一系列卷积、池化操作提取输入图像的特征并得到图像的特征图。
[0109]
(2)区域建议网络(rpn)：使用3
×
3的空间窗口在最后一个共享卷积层输出的卷积特征图上滑动。在每个滑动窗口位置，它同时预测9个锚框。在此基础上，求取交并比(iou)设置标签为0或1(表示区域是否包含对象)，从而产生待检测物体的分数和背景的分数。此外，每个锚框都具有4个位置坐标(x、y、w、h)，其中x、y、w和h分别表示锚框的中心坐标及其宽度和高度。
[0110]
(3)感兴趣区域池化(roi pooling):使用roi pooling层将不同大小的建议框输出为固定大小的图像。此外，该层还收集特征图，提取建议特征图，用于后续分类和回归。
[0111]
(4)分类以及回归:分类部分利用全连接层和基于提议特征映射的softmax函数来确定每个区域提议的类别，回归部分再次使用建议框回归得到每个检测框更精确的坐标。
[0112]
步骤s7，利用训练集和验证集，并采用均衡损失函数，对预训练模型进行训练和验证，获得绝缘子缺陷检测模型。
[0113]
示例性的，训练和验证的具体过程如下：
[0114]
s7-1，调整训练集中绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的比例为3:2；当人工样本与真实样本的比例为3:2时检测的效果最好。
[0115]
s7-2，设定均衡损失函数中的α＝0.75，β＝0.5，γ＝1；当α＝0.75，β＝0.5，γ＝1时检测效果最好。
[0116]
s7-3，利用不同比例的训练集和设定参数的均衡损失函数，对预训练模型进行训练，获得多个训练后的模型；
[0117]
s7-4，利用验证集验证多个训练后的模型预测结果的性能，并将性能最优的模型确定为绝缘子缺陷检测模型；其中，表征训练后的模型预测结果的性能指标包括检测精度和召回率。
[0118]
将验证集输入训练完成的fasterr-cnn网络模型，将输出的参数与验证集中标注
的参数进行比较，观察是否能正确检测出绝缘子缺陷。目标检测结果有：正确正样本(true positive，tp)、错误正样本(false positive，fp)、正确负样本(true negative，tn)、错误负样本(false negative，fn)。模型的检测精度以及召回率分别为用p和r表示，其中：
[0119][0120][0121]
比较各权重的精确率和召回率，保存最优的绝缘子缺陷检测模型权重。
[0122]
步骤s8，将待测的绝缘子缺陷图像输入绝缘子缺陷检测模型，输出绝缘子缺陷检测结果。
[0123]
本发明基于平行视觉理论框架，采用混合样本的迁移学习方法。训练分为两个阶段，第一阶段使用大量绝缘子缺陷人工图像样本进行训练得到预训练模型；第二阶段加载第一阶段得到的预训练模型，使用一定数量的人工样本和真实样本混合训练并使用均衡损失函数解决样本不平衡的问题。测试阶段使用绝缘子缺陷真实图像样本进行测试。
[0124]
平行视觉是基于acp理论(人工系统artificial systems 计算实验computational experiments 平行执行parallel execution)的智能视觉计算方法。平行视觉体现在通过模拟绝缘子缺陷真实图像样本的几何结构、表面纹理等特征以及可能出现的环境条件，生成大规模且具有多样性的绝缘子缺陷人工图像样本数据集，并将人工样本和真实样本构成混合样本训练集进行训练。
[0125]
本发明的优势在于实现了少样本条件下的绝缘子缺陷检测，检测精度高。通过融合绝缘子的先验知识和规则标准，生成与绝缘子缺陷真实图像样本特征相似的绝缘子缺陷人工图像样本。与其他人工样本生成方法相比，此方法能够生成特征多样的缺陷样本，提升模型的泛化能力。采用混合样本的迁移学习方法，有效解决了样本不足导致模型过拟合的问题。采用均衡损失函数，有效解决了正负样本不平衡和难易样本不平衡的问题。本发明为少样本缺陷检测问题提供了新的解决思路与实现方法。
[0126]
本发明的优势在于将平行视觉引入绝缘子缺陷检测，通过混合样本的迁移学习模型减少了绝缘子缺陷检测对样本数量的依赖；通过均衡损失函数解决了绝缘子缺陷检测过程中存在的正负样本不平衡和难易样本不平衡的问题，在保证缺陷检测模型对简单缺陷检测能力的同时，提升模型对困难样本的检测能力。本方法最终实现了少样本情况下的绝缘子伞盘脱落和破损检测。
[0127]
本发明还提供了一种绝缘子缺陷检测系统，包括：
[0128]
真实样本获取模块，用于获取多个绝缘子缺陷真实图像样本；绝缘子缺陷包括零部件破损和伞盘脱落；零部件包括伞盘、金属端头和棒芯；
[0129]
人工样本构建模块，用于构建不同背景、不同形态的绝缘子缺陷人工图像样本；
[0130]
混合样本集构成模块，用于以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本为输入，以绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的标注结果为标签构成绝缘子缺陷混合样本集；
[0131]
划分模块，用于将绝缘子缺陷混合样本集划分为训练集和验证集；训练集包括绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本；验证集包括绝缘子缺陷人工图像样
本；
[0132]
模型构建模块，用于构建faster r-cnn网络模型以及用于平衡正负样本和难易样本的均衡损失函数；
[0133]
预训练模块，用于利用绝缘子缺陷人工图像样本训练faster r-cnn网络模型，获得绝缘子缺陷检测的预训练模型；
[0134]
训练模块，用于利用训练集和验证集，并采用均衡损失函数，对预训练模型进行训练和验证，获得绝缘子缺陷检测模型；
[0135]
应用模块，用于将待测的绝缘子缺陷图像输入绝缘子缺陷检测模型，输出绝缘子缺陷检测结果。
[0136]
人工样本构建模块，具体包括：
[0137]
零部件绘制子模块，用于绘制绝缘子零部件；零部件包括伞盘、金属端头和棒芯；
[0138]
组合子模块，用于组合绝缘子零部件，并渲染不同材质，构建多种材质的绝缘子模型；
[0139]
切割模块构建子模块，用于以绝缘子破损和伞盘脱落的形态结构为先验知识，构建切割模块；
[0140]
缺陷模型获得子模块，用于利用切割模块分别切割每种材质的绝缘子模型，得到绝缘子破损模型和绝缘子伞盘脱落模型；
[0141]
渲染子模块，用于以陶瓷或玻璃为材质渲染伞盘，并以镀锌为材质渲染金属端头，获得渲染后的绝缘子破损模型和绝缘子伞盘脱落模型；
[0142]
旋转子模块，用于将渲染后的绝缘子破损模型和绝缘子伞盘脱落模型分别以预设角度为步长进行旋转，获得不同形态的绝缘子破损模型和绝缘子伞盘脱落模型；
[0143]
人工样本获得子模块，用于将每个形态的绝缘子破损模型和绝缘子伞盘脱落模型赋予一个模拟绝缘子所处实际场景的图像背景，获得不同背景、不同形态的绝缘子缺陷人工图像样本。
[0144]
faster r-cnn网络模型包括依次连接的resnet50特征提取网络、区域建议网络、感兴趣区域池化层和多个全连接层；
[0145]
resnet50特征提取网络用于提取绝缘子图像的特征图；
[0146]
区域建议网络用于在特征图上生成候选框，输出多个特征矩阵；
[0147]
感兴趣区域池化层用于将多个特征矩阵缩放成统一大小的特征图；
[0148]
多个全连接层用于根据多个统一大小的特征图输出绝缘子图像的缺陷检测结果。
[0149]
均衡损失函数为
[0150][0151]
其中，bl表示均衡损失，α、α
·
和γ分别表示第一、第二和第三参数，α
·
＝1-α，p1表示样本为破损缺陷的概率，p2表示样本为伞盘脱落缺陷的概率，β表示破损缺陷样本数量与伞盘脱落缺陷样本数量之比，p
·
表示破损缺陷和伞盘脱落缺陷的概率之和，p
·
＝p1 p2，damaged表示破损缺陷，dropped表示伞盘脱落缺陷。
[0152]
训练模块，具体包括：
[0153]
比例调整子模块，用于调整训练集中绝缘子缺陷真实图像样本和绝缘子缺陷人工图像样本的比例为3:2；
[0154]
参数设定子模块，用于设定均衡损失函数中的α＝0.75，β＝0.5，γ＝1；
[0155]
训练子模块，用于利用不同比例的训练集和设定参数的均衡损失函数，对预训练模型进行训练，获得多个训练后的模型；
[0156]
验证子模块，用于利用验证集验证多个训练后的模型预测结果的性能，并将性能最优的模型确定为绝缘子缺陷检测模型；其中，表征训练后的模型预测结果的性能指标包括检测精度和召回率。
[0157]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0158]
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。