说明
限时参赛完成的论文，大三（2020.5.8）时写的，忙着考研没及时分享。现在来看论文写的很粗糙。复制粘贴麻烦，这里仅展示部分，直接附上PDF文档，官网也有。第八届挑战赛B1-基于Mask R-CNN及Yolov4的电力巡检中绝缘子缺陷研究
还有在数学建模及其应用发表期刊的论文，写得比参赛论文工整清晰。
知网搜索：电力巡检中绝缘子缺陷问题研究
介绍
最核心算法就是借鉴YOLT论文中提到的滑动窗口思想解决高分辨率问题
YOLT——YOLO系的遥感图像应用 (目标检测)(one-stage)(深度学习)(CVPR 2018)
【论文笔记】YOLT ——对高分辨率大尺寸图像的目标检测
摘要
输电线路是国家电力系统中负责电能输送的一个重要的组成部分。架空输电线路长期经历着电闪雷击、风吹日晒、污秽、雨雪及沉陷等外界环境的侵害。目前传统的电力巡检仍是人工巡检，新型技术利用无人机搭载高分辨摄像机，近距离拍摄线路及其关键部件获取航拍图像来代替人工巡检。其中，航拍图像中输电线路部件的识别及缺陷检测是关键技术也是技术难点。本文提出一种利用Mask R-CNN技术提取绝缘子串珠的掩膜图像、采用Yolo-v3和Yolo-v4进行对照，通过神经网络模型对其绝缘子自爆区域进行特征提取，特征判断，识别定位。具体流程如下：
针对问题一中绝缘子串珠分割，本文根据不同绝缘子类型进行图像类别划分，通过图像分割优化模型对小目标进行数据集制作。采用Mask R-CNN为框架构建了深度学习算法，并以算法为核心搭建了绝缘子串图像检测平台。最后选取数据集80%进行模型训练，20%进行测试，使用极大值抑制算法，得出最佳先验框（best_anchor），对经过模型得出的绝缘子掩模图与官方的绝缘子掩模图进行计算，求出评价模型的Dice系数为0.83。
针对问题二中绝缘子自爆识别和定位，对35张原始含有自爆区域高分辨率图像，经由图像分割、图像增强、归一化大小等对图像进行预处理，将得到的数据集用LabelImg工具进行标记，将标记后的数据集制作为VOC2007格式，随机选取80%数据集进行模型训练，20%数据集放进Yolo-v3和Yolo-v4神经网络进行模型测试，训练至loss函数收敛，并用Mean AP（平均精度均值）计算得出正确率为94.7%，与GroundTruth绝缘子自爆区域进行对比得出该模型平均IOU（重叠度）为82.5%。
关键词：电力巡检，缺陷检测，Mask R-CNN，掩膜，Yolo-v4，识别定位
Abstract
Transmission lines are an important part of electric power transmission in national power system.The overhead transmission lines have long been damaged by lightning, wind and sun, pollution, rain and snow, and subsidence.At present, the traditional electric power inspection is still manual inspection. The new technology USES unmanned aerial vehicles (uavs) equipped with high-resolution cameras to capture aerial images of circuits and key components in close range to replace manual inspection.Among them, the identification and defect detection of transmission line components in aerial images are key technologies and technical difficulties.In this paper, a Mask image of insulator beads is extracted by using Mask r-cnn technology, compared with Yolo-v3 and Yolo-v4, and features of the self-exploding region of the insulator are extracted, identified and located by using neural network model.The specific process is as follows:
For the first question,insulator bead segmentation, the image classification is carried out, and the data sets of small targets are made by the image segmentation optimization model. A deep learning algorithm is constructed by using Mask R-CNN as the frame, and an insulator string image detection platform is built with the algorithm as the core. finally ,80% of the data set is selected for model training ,20% is tested, and the best prior frame (best_anchor) is obtained by using the maximum suppression algorithm. the insulator mask obtained by the model and the official insulator mask are calculated. the Dice coefficient of the evaluation model is 0.83.
For the second question, insulator self-explosion recognition and localization, first for 40 data original image, the image is preprocessed by image segmentation, image enhancement, normalized size, etc. the obtained data set is labeled with LabelImg tools, and the Yolo-v4 neural network is used to build the model. finally, the labeled data set system is used as the VOC2007 format ,80% is randomly selected for model training ,20% is trained to loss function convergence, and the correct rate is 94.7% calculated by using Mean AP (mean precision). compared with the GroundTruth insulator self-explosion region, the average iou( overlap) of the model is 82.5%.
Keywords: Electric power inspection,Defect detection ,Mask R-CNN,mask,Yolo-v4, identify location
一、绪论
1.1研究背景
架空线路巡检是长期以来，绝缘子串珠经受极其恶劣的天气条件，难免会出现缺陷。为保障我国输配电网正常运行，架空线路巡检是保障人们电路网正常的必要手短。传统的巡线缺陷检测方式为人工巡视，但架空线路巡检常常需要在高处巡检故障区域，工作量多，需要定期打扫脏污的绝缘子，任务强度大，且十分危险。
随着我国科学技术不断发展，无人机技术得到越来越广泛的应用。用无人机配置高分辨率相机获取航拍图像代替人工巡线，可以大大降低了电力巡视的强度，大大提高了恶劣环境下巡检的质量和效率，有效的避免了人工巡视中存在的危险。
1.2国内研究现状
近年来国内针对绝缘子串珠的识别与分割的研究也有不少，基于传统图像识别方法有，黄新波等人[1]提出了基于改进色差法的复合绝缘子图像分割，基于图像颜色特征，将绝缘子不同环境下的图形学颜色进行色度的分割。基于深度学习方法识别分割绝缘子的有，吕易航等人[2]的航拍图像中绝缘子串检测、分割与自爆识别，通过Faster R-CNN分割出绝缘子串，通过改进算法的Faster R-CNN网络实现绝缘子自爆区域的识别。
1.3研究目标及流程
本文同样以绝缘子为研究对象，采用2018年Kaiming He等人[3]Mask R-CNN v3神经网络模型作为分割绝缘子串珠主要研究方法，采用堪称yolo之父的Joseph Redmon的Yolo-v3[4]神经网络模型以及Alexey Bochkovski 最新的Yolo-v4[5]作为绝缘子自爆区域识别的对比方案。利用现有的40张无人机航拍高分辨率原图，拟解决以下问题：
（1）分割出绝缘子串珠图像，包括玻璃绝缘子、复合绝缘子等类别，获取其掩膜图像。
（2）识别定位绝缘子自爆区域，包括玻璃绝缘子、复合绝缘子等类别，获取其Boundbox。
针对于任务一，具体研究流程如图1.1所示。本文主要研究过程分为三部分。
（1）数据的预处理。包括40张图片中不同的绝缘子类型进行划分，通过数据增强提高数据集的数量，通过图像分割优化模型对小目标的识别，并利用via 2.08和Labelme图像标注工具标记为”insulator”，生成via格式的json文件，最终制作标签并对所有数据集按8:2比例划分训练和测试集。
（2）绝缘子串珠分割，通过via2.08标注好绝缘子串后生成json文件，放进Mask R-CNN神经网络模型中迭代训练，训练过程中不断的调整参数，如学习率，训练至loss函数收敛。
（3）分析与评价。对比预测结果与标准的掩模图，分析改进。利用Dire系数进行评价。
针对于任务二，绝缘子自爆区域的具体研究流程如图1.2所示。主要研究流程分为三部分。
（1）数据预处理。包含了对原始航拍照片的绝缘子类型的分类，对各个类绝缘子的数量统计，原始图像进行分割或剪裁，图像的数据增强，统一尺寸，用labelme图像标记工具生成xml文件，按8:2比例划分训练集和测试集，制作标签。
（2）绝缘子自爆点识别模型训练。通过labellmg对绝缘子自爆区域标注为”defect”后生成的xml文件，制作VOC2007格式，生成标签label，分别放进Yolo-v3和Yolo-v4神经网络模型中进行训练，训练过程中观看loss函数，不断调整训练参数，如学习率，训练至loss函数收敛，且低于0.06。
（3）分析与评价。对比不同方案的测试结果，分别计算出训练中loss和iou损失变化并画出loss和IOU损失函数变化曲线，计算测试数据的map，对比模型识别的精度。利用IOU交叠率对绝缘子自爆区域进行评价，对比模型IOU定位的准确度。分析比较，得出最好的训练模型。
; 二、数据预处理
原始图像由40张无人机航拍高分辨率图像构成，尺寸多为7360×4912，由于本文采用Mask R-CNN或者Yolo神经网络模型训练，都要求图片不能太大，否则将增加运算的时间消耗，甚至由于显存不足而导致训练中断。
因此需要对数据进行预处理操作。本文采用预处理有图像分割、图像金字塔、数据增强等方法。
2.1图像分割
对于识别的目标占原始图像比例较小的高分辨率图像，采用分割算法，将原始图片等额分割，直至分割后的目标占图片比例适中。如图2.1所示为某张原始图片进行2×2分割。
2.2图像金字塔
对于识别目标占原始图像比例较大的高分辨率图像，采用图像金字塔[6]，有效降低图像分辨率。
图像金字塔即将图像比喻成金字塔，层级越高，则图像越小，如图2.2所示，常用的图像金字塔算法有拉普拉斯金字塔和高斯金字塔，拉普拉斯金字塔常用来上采样，即向金字塔的底层图像重建上层图像，预测残差；高斯金字塔常用来下采样，即向金字塔的顶层缩小。
图2.2 图像金字塔
当要从金字塔第i层生成第i+1层，即向下采样图像时，先用高斯核对进行卷积，删除所有偶数行偶数列，新的图像面积变为原来四分之一。通过调用Opencv的PryDown()函数可以不断的进行下采样，直到目标占图片比例适中。
2.3数据增强
本文采用神经网络模型，其实质上训练神经网络模型就是一个不断调参的过程，使之模型能够将具体输入（如图像）映射为输出（标签）。而我们所需要的
就是使模型的损失函数尽可能的降低。优秀的神经网络模型需要大量的参数，当我们有大量的参数，就可以提高模型的泛化能力，因此需要提高样本的数据集。本文采用的数据增强方式有水平垂直镜像、随机剪裁、随机旋转、随机改变色度、饱和、明度（HSV）、随机gamma变换、随机增加高斯噪声等[7]。如图2.3所示。
Original: https://blog.csdn.net/weixin_43193231/article/details/123766248
Author: 学电子很轻松
Title: 第八届泰迪杯B题特等奖比赛论文——基于Mask R-CNN及Yolov4的电力巡检中绝缘子缺陷研究
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/697106/
转载文章受原作者版权保护。转载请注明原作者出处！