Page 79 - 无损检测2024年第八期

周 飞，等：

基于 RetinaNet 算法的输电线路耐张线夹压接缺陷图像检测方法

通过上述步骤，完成清晰化耐张线夹压接轮廓 式中： λ 为融合特征角；D为融合特征分布轴线；l为
下的图像重构过程。 钢锚管长度。
1.2 基于RetinaNet算法融合提取图像特征 通过上述步骤计算的融合特征角，解构得到图
分析上述步骤重构的耐张线夹压接图像特征。 像中耐张线夹压接的特征值。在此基础上，计算每
笔者采用RetinaNet算法来融合提取重构图像的特 个部位的缺陷特征比例，即 [14-15]
征，该算法的流程结构如图1所示。 N
β o = N o s （10）

N
β L = N L s （11）

h
β C = l l （12）

l
图 1 RetinaNet 算法流程结构 β W = 0 （13）
基于如图1所示的算法结构，融合分析耐张线 l +l a
夹压接图像特征。基于算法的主要网络结构，在图 β = l b （14）
像中框取目标区域，分别计算该框选区域的宽度和 A l
高度，即 [11-12] 式中： β 为漏压缺陷特征比例；N 为漏压数量；N 为
o
s
o
压接槽数量； β 为欠压缺陷特征比例；N 为欠压数
 G =pc z w L L

 w w h z （7） 量； β C 为钢锚管弯曲缺陷特征比例； h l 为钢锚管弦高；
  G h =pc β W 为绞线漏压缺陷特征比例； l 0 为铝管长度； l a 为钢
h
式中：G 和G 分别为框选目标区域的宽度和高度； 芯长度； β A 为钢锚管空腔缺陷特征比例； l b 为空腔
w
h
p 和p 分别为宽度和高度相应的区域中心点；c为框 线程。
w
h
选尺度；z 和z 分别为宽度和高度相应的回归值。 基于上述计算，得到图像中耐张线夹压接各部
w
h
在算法的特征网络中，融合图像的尺度特征， 位的缺陷情况，完成压接缺陷的图像检测过程。
可得
2 检测试验
 - (1- ) lg ρ c γ
α

Fp γ （8） 2.1 试验准备
( )= 
ρ
α
  -(1- ) lg(1- )
式中：F( p)为融合的图像特征； α 为权重系数；ρ 为框 设计对比试验对所提出的基于RetinaNet算法
选区域多尺度特征的交叉熵； γ 为RetinaNet算法的 的输电线路耐张线夹压接缺陷图像检测方法的应用
置信度。 可行性进行测试，并分析该方法的有效性。
将融合后的特征在算法的预测结构中以多层次 制备试验用输电线路耐张线夹试件若干个，其
特征图的形式输出。在此基础上，分析框选区域特 结构如图2所示，所选用的制备材料及相应参数如
征与真实框的交集部分，并以0. 5为阈值将交集部 表1所示。制作好耐张线夹试件后，采用智能压接
分的图像特征提取出来。 技术将其与导线进行压接。试验中，耐张线夹的主
通过上述步骤，完成基于RetinaNet算法的耐张 要压接参数如表2所示。
线夹压接缺陷图像特征的融合提取。
1.3 解构分析耐张线夹压接缺陷
利用RetinaNet算法输出得到的图像融合特征，
通过解构的过程，分析图像中所对应的耐张线夹压
接缺陷。
根据耐张线夹压接的主要结构，分解融合的图
像特征，即 [13] 图 2 输电线路耐张线夹试件结构示意
Fp
D
π ( - ( )) 为制备的若干试件设置不同的缺陷类型，其具
λ = （9）
l 体参数如表3所示。完成上述步骤后，可开展耐张
45
2024 年 第 46 卷 第 8 期
无损检测