(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 202210660158.6 (22)申请日 2022.06.13 (71)申请人 中国科学院沈阳自动化研究所 地址 110016 辽宁省沈阳市沈河区南塔街 114号 申请人 南京南瑞信息通信科技有限公司 (72)发明人 宋纯贺　高鹏佩　于诗矛　孙勇　 沈耀威　曾鹏　 (74)专利代理 机构 沈阳科苑专利商标代理有限 公司 210 02 专利代理师 王倩 (51)Int.Cl. G06V 10/22(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06V 10/766(2022.01) G06V 10/762(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于深度学习的输电线路绝缘子串识 别定位方法 (57)摘要 本发明提供了一种基于深度学习的输电线 路绝缘子串识别定位方法， 通过结合Faster  R‑ CNN网络模型和YOLOv3网络模型， 能够有效解决 绝缘子串识别以及缺陷定位问题。 同时， 通过数 据增强方法并对 方法进行定量分析， 能够有效解 决绝缘子串数据集不足问题。 将绝缘子串识别定 位任务分为两个阶段， 第一阶段利用Faster  R‑ CNN网络模型进行绝缘子串识别， 第二阶段利用 YOLOv3网络模型进行缺陷定位， 全面考虑任务中 的多种因素并设计了基于Faster  R‑CNN网络模 型的绝缘子串识别网络以及基于YOLOv3网络模 型的绝缘子串缺陷定位网络。 使方案具有目前更 高正确率和更高召回率的优点。 权利要求书2页 说明书5页 附图3页 CN 114972721 A 2022.08.30 CN 114972721 A 1.一种基于深度学习的输电线路绝 缘子串识别定位方法， 其特 征在于， 包括以下步骤： 1)采用Faster  R‑CNN网络模型， 对输入的绝 缘子串图像进行识别； 2)采用YOLOv3模型， 对绝 缘子串的缺陷进行定位。 2.根据权利要求1所述的一种基于深度学习的输电线路绝缘子串识别定位方法， 其特 征在于， 所述步骤1)中， 采用基于VGG16的Faster  R‑CNN网络模型对图像进行识别， 其中， 所 述Faster  R‑CNN网络模型的损失函数由RPN部分和分类器部分各自的分类损失和边界框回 归损失组成； 分类损失函数均采用多类别的交叉熵损失函数， 边界框回归损失函数均采用 平方差损失函数。 3.根据权利要求1或2所述的一种基于深度 学习的输电线路绝缘子串识别定位方法， 其 特征在于， 步骤1)中， 采用基于VGG16的Faster  R‑CNN网络模 型对图像进行识别， 其中， 所述 Faster R‑CNN网络模型的边界框回归损失函数实现方式包括以下步骤： 首先， 将图像分成w ×h个网格， 并对网格大小 进行归一 化； 然后， 在处 理后的图像中进行回归， 回归公式如下： G″x＝σ(d′x(A))+cx G″y＝σ(d′y(A))+cy G″w＝A′wexp(d′w(A)) G″h＝A′hexp(d′h(A)) 其中， 其中， G ″x,G″y是先验框坐标， G ″w,G″h是先验框的宽和高， σ()函数是sigmoid函 数， cx和cy是预测框所在网格的左上角到图像左上角的相对距离， A ′w和A′h是预测框的相对 大小， d′x(A),d′y(A),d′w(A),d′h(A)是四个需要学习的参数。 4.根据权利要求3所述的一种基于深度学习的输电线路绝缘子串识别定位方法， 其特 征在于， 在计算边界框回归损失时， 对先验框的高和宽以及预测框的高和宽分别进行开方 处理后， 再计算平方误差损失。 5.根据权利要求1所述的一种基于深度学习的输电线路绝缘子串识别定位方法， 其特 征在于， 所述YOLOv3模型中的检测器部分包括顺次的卷积块集合、 3 ×3卷积块、 1 ×1卷积 层， 所述1 ×1卷积层生成结果信息， 以表示预测缺陷所处的位置以及是否为 缺陷的置信度； 所述的卷积块集合包括多个依次连接的卷积块， 依次为1 ×1卷积块、 3 ×3卷积块、 1 ×1 卷积块、 3 ×3卷积块、 1 ×1卷积块； 所述卷积块包 含依次的一个卷积层、 一个BN层、 一个LeakyReLU激活函数。 6.根据权利要求1所述的一种基于深度学习的输电线路绝缘子串识别定位方法， 其特 征在于， Faster  R‑CNN中的分类损失采用交叉熵损失函数， 所述边界框回归损失采用平方 差损失函数； 所述YOLOv3模 型中， 回归损失 中的中心 点坐标、 置信度损失和分类损失采用交 叉熵损失函数， 回归损失中的宽和高采用平方差损失函数。 7.根据权利要求1所述的一种基于深度学习的输电线路绝缘子串识别定位方法， 其特 征在于， 所述YOLOv3模型， 采用k ‑means算法对标签框进行聚类， 生成3个anchorbox， 使原图 像下采样到原来的八 分之一， 且不需要另外 两个尺度的特 征图。 8.一种基于深度学习的输电线路绝 缘子串识别定位系统， 其特 征在于， 包括： 绝缘子串识别模块， 用于采用Faster  R‑CNN网络模型， 对输入的绝缘子串图像进行识 别；权　利　要　求　书 1/2 页 2 CN 114972721 A 2绝缘子串缺陷定位模块， 用于采用YOLOv3模型， 对绝 缘子串的缺陷进行定位。 9.一种基于深度学习的输电线路绝缘子串识别定位装置， 其特征在于， 包括存储器和 处理器； 所述存储器， 用于存储计算机程序； 所述处理器， 用于 当执行所述计算机程序时， 实 现如权利要求1 ‑7任一项所述的一种基于深度学习的输电线路绝 缘子串识别定位方法。 10.一种计算机可读存储介质， 其特征在于， 所述存储介质上存储有计算机程序， 当所 述计算机程序被处理器执行时， 实现如权利要求1 ‑7任一项所述的一种基于深度学习的输 电线路绝 缘子串识别定位方法。权　利　要　求　书 2/2 页 3 CN 114972721 A 3