#每天一篇论文#229/365 基于卷积神经网络航空影像的电力线绝缘子缺陷检测_tao x, zhang d, wang z, et al. detection of power

Detection of Power Line Insulator DefectsUsing Aerial Images Analyzed WithConvolutional Neural Networks

本文主要对电力输电系统上的绝缘子用语义分割的方法，将其检测构建其独立模型，判断其是否损坏，并且提出了输电线路绝缘子检测的训练数据集

摘要

摘要由于线路绝缘子的失效导致输电系统的故障，基于高空平台的绝缘子检测系统得到了广泛的应用。岛状效应检测是在复杂背景下进行的一个有趣但具有挑战性的问题。传统的方法是基于手工特征或浅层学习技术，只能在特定的检测条件下定位绝缘体和检测故障，例如在特定的对象尺度下，或在特定的照明条件下，在低背景干扰下，有足够的先验知识时。本文讨论了利用航空图像自动检测绝缘子缺陷的方法。根据实际检测环境中采集到的输入图像，准确定位绝缘子缺陷，提出了一种新的深卷积神经网络（cnn）级联结构，用于绝缘子缺陷的定位和检测。级联网络利用基于区域建议网络的cnnb将缺陷检测问题转化为两级目标检测问题。为了解决实际检测环境中缺陷图像的质量问题，提出了一种数据增强方法，该方法包括四个操作：1）仿射变换；2）绝缘体分割和背景融合；3）高斯模糊；4）亮度变换。该方法在标准绝缘数据集上的缺陷检测精度和召回率分别为0.91和0.96，能够成功地检测出不同条件下的绝缘缺陷。实验结果表明，该方法满足绝缘子缺陷检测的稳健性和准确性要求。

贡献

现有的研究多集中在绝缘子定位和缺陷检测两个方面，我们提出了一种新的级联cnn，将这两种检测任务结合起来。据我们所知，我们首先将绝缘子缺陷检测问题看作是一个基于cnn的两级目标检测问题。2）提出了一种数据采集方法，该方法可以获得多个样本，其中一些样本是合成的。提出了一种提高缺陷绝缘材料数据集体积和多样性的方法，并利用改进后的数据集训练了一个深度cnn。3）用一个真实的数据集证明了该方法的有效性。我们构建了一个cplid，并使其可以在线供公众使用。

方法

航拍图像处理和目标检测
边缘缺陷检测和背景去处

语义分割算法伪代码

实验

故障检测实验，通过分割获取目标图像