Page 47 - 无损检测2023年第九期

耿座学, 等:

边缘算法优化 FasterR-CNN 算法下的输电线路缺陷识别方法

INS多传感器设备植入到无人机系统中, 提取水利 R-CNN 算法中对图像边缘计算存在一定缺陷, 在目
工程输电线路的点云数字图像, 分析缺陷状态下的 标区域大于图像边界的条件下, 需舍弃目标区域而
水利工程输电线路的变形和异常参数分布情况, 根 导致训练过程不收敛, 降低最终识别精度, 因此需对

据中心化投影点的聚类分布, 实现输电线路的缺陷 FasterR-CNN 算法进行优化。
检测。 NI 等 [ 6 ] 研究了一种传输线关键部件缺陷识 1.1 输电线路图像的采集与处理
别方法, 该方法通过对架空输电线路缺陷图像的预 利用无人机采集输电线路图像, 受外在环境因
处理、 特征提取、 目标定位和目标分类, 得到了目标 素影响, 所采集图像内存在严重噪声 [ 9 ] 。因此需预
缺陷检测模型。 处理所采集的输电线路图像, 采用极值中值滤波算
以上方法通常采用缺陷风险建模方法来量化线 法对输电线路图像进行降噪处理, 降低图像内的噪
路缺陷程度, 且依照历史数据分析电路缺陷风险值, 声干扰, 令其转变为适于识别的图像, 并最大程度保
从而影响到最终识别精度。针对该问题, 文章研究 留细节信息。

了一种基于边缘算法优化 FasterR-CNN 算法的输 中值滤波算法就是通过数字图像的全部点的中
电线路缺陷识别方法, 可为准确识别输电线路缺陷 值取代其中一点的值。该算法在具体应用过程中虽

提供一定帮助。 然能有效抑制噪声干扰, 但也会对初始输电线路图
像内未被噪声污染的像素点产生影响 [ 10 ] 。为消除
1 输电线路缺陷的识别方法
这种影响, 对中值滤波进行优化, 提出极值中值滤波

基于边缘算法优化 FasterR-CNN 算法的输电线 算法。其首先判断像素点 f i , j 是否为极值点, 通过

路缺陷识别主要采用 FasterR-CNN ( 快速区域卷积 N 和 S分别表示判断结果为极值点或非极值点; 考
神经网络) 算法。区域卷积神经网络算法在识别目标 虑并非全部极值点均为噪声点 [ 11 ] , 所以为提升噪声
过程中提取输电线路图像内的感兴趣区域 , 汇总全 点检测的精度, 可利用阈值条件 f i , j<T 1 或 f i , j>
[ 6 ]
部感兴趣区域图像生成感兴趣区域集合, 将此集合分 T 2 T 1 和T 2 均表示阈值) 约束中值点; 然后通过窗
(
别输入卷积神经网络内提取输电线路图像特征, 再将 口领域内非噪声点均值取代噪声点的方式完成降噪
所提取的特征输入支持向量机分类器内, 确定该特征 处理。
所属类别( 输电线路缺陷类别), 同时通过回归预测算 1.2 输电线路图像的缺陷特征提取

法优化候选框位置 , 提升类别划分精度。区域卷积 将输电线路图像作为初始输入, FasterR-CNN
[ 7 ]
神经网络经过长时间的演化后转变为快速区域卷积 算法的第 l 层和第m 层分别为卷积层和池化层, 两
者的输出特征向量分别为
神经网络, 其结构如图1所示。
i l - 1 l l
x j = f ∑ x j *k i j + b j ( 1 )
i ∈M j
m m m- 1 m

x j = f β jdownx j + b j ( 2 )
l - 1 l
式中: x j 和 k i j 分别表示 l 层内的第 i 个输出和 l
l 分别表示对输电线路图
层的一个卷积核; * 和b j
像的卷积操作和卷积层偏置; · 表示 Relu激活
f
m- 1 和
(
函数; x j f · )分 别 表 示 磁 化 层 的 输 入 和
softmax函数; m 和 down (·) 分别表示连接权重
β j
m
与输入矩阵的求和操作; b j 表示池化层偏置。
利用式( 1 ) 与式( 2 ) 能够获取输电线路图像缺陷
图1 FasterR-CNN 结构示意 特征。

1.3 基于 RPN 网络确定目标候选区域
利用卷积网络采集输电线路图像特征时, 首先
在确定输电线路图像的缺陷特征后, 区域建议
确定输电线路缺陷图像的特征属性图, 利用 RPN
训练( RPN ) 网络获取多个目标候选区域。作为全
网络生成候选锚 [ 8 ] 。快速区域卷积神经网络确定形

卷积网络, RPN 网络同FasterR-CNN 共用卷积层,
状有所差异的候选框, 在此基础上利用不同损失函
其通过滑窗映射d 维特征向量 [ 12 ] 。在不同滑动窗

数共同训练, 完成输电线路缺陷识别。考虑 Faster
口的位置共同判断k 个区域建议, 因此回归层与分
3
1
2023年 第45卷 第9期
无损检测