技术摘要：
本申请公开了一种绝缘子图像检测方法，包括：基于VGG16对玻璃绝缘子图像进行特征提取，得到训练特征图；基于训练特征图选取检测框，将训练特征图和检测框结合，得到训练特征向量；对训练特征向量进行ROI池化处理，得到池化特征向量；对池化特征向量进行两种损失训练，  全部
背景技术：
绝缘子是输电线路中的一个重要元件，用于支持和固定母线与带电导体，从而保 证带电导体间或导体与大地之间有足够的距离和绝缘，是输电线路中不可替代的部分。绝 缘子长期暴露在自然环境中，受到自然因素的影响，存在老化或损坏等问题。因此在对输电 线路巡检时需要准确识别出绝缘子。 现有技术一般利用巡线机器人进行巡检，通过摄像机获取待检测绝缘子图像，再 对图像进行分割处理，根据绝缘子的特征进行目标提取，以识别出准确的绝缘子。 然而本申请的发明人发现，现有技术存在以下缺陷：绝缘子包括玻璃绝缘子和陶 瓷绝缘子，现阶段的生产技术主要使用玻璃绝缘子，而现有技术的检测方法是针对玻璃绝 缘子的，当图像中为陶瓷绝缘子时，现有技术并不能检测出来。因此现有技术存在无法准确 检测绝缘子的缺点。
技术实现要素：
本申请提供了一种绝缘子图像检测方法，以解决现有技术无法准确检测绝缘子的 问题。 为了解决上述技术问题，本申请实施例公开了如下技术方案： 本申请提供了一种绝缘子图像检测方法，该方法包括： 基于预设的VGG16网络对玻璃绝缘子图像进行特征提取，得到训练特征图； 基于所述训练特征图选取检测框；将所述训练特征图和所述检测框结合，得到训 练特征向量； 对所述训练特征向量进行ROI池化处理，得到池化特征向量； 对所述池化特征向量进行分类损失训练和坐标回归损失训练，得到第一检测网 络； 将相同数量的陶瓷绝缘子图片和玻璃绝缘子图片输入到所述第一检测网络中，得 到陶瓷特征图和玻璃特征图； 对所述陶瓷特征图和所述玻璃特征图进行回归损失处理，得到回归损失函数；基 于预设的分类器对所述陶瓷特征图和所述玻璃特征图进行处理，得到分类损失函数； 基于所述回归损失函数和所述分类损失函数进行对抗损失训练，得到特征提取网 络； 用所述特征提取网络替换所述第一检测网络中的预设的VGG16网络，得到绝缘子 图像检测网络，所述绝缘子图像检测网络用于检测图像中是否包含绝缘子。 可选的，所述基于预设的VGG16网络对玻璃绝缘子图像进行特征提取，包括： 对所述玻璃绝缘子图像进行预处理，所述预处理包括镜像、旋转以及缩放至预设 4 CN 111597964 A 说　明　书 2/8 页 的格式； 将预处理后的玻璃绝缘子图像输入到预设的VGG16网络中，进行特征提取处理； 所述预设的VGG16网络包括：13个conv层、13个relu层和4个池化层。 可选的，所述基于所述训练特征图选取检测框，包括： 对所述训练特征图进行卷积处理，得到训练矩阵； 基于预设格式的滑动窗口对所述训练矩阵进行筛选，得到候选检测窗口； 对所述候选检测窗口进行非极大值抑制处理，得到候选框； 对所述候选框分别进行预测分类损失处理和回归损失处理，得到前景候选框； 基于前景得分对所述前景候选框进行筛选，得到检测框。 可选的，所述对所述候选框分别进行预测分类损失处理和回归损失处理，包括： 基于两个卷积核对所述候选框分别进行预测分类损失处理和回归损失处理，损失 函数为： 其中： Ncls表示批处理的大小，Nreg表示锚点数量； λ表示超参数； pi是锚点i作为对象的预测概率， 为地面真值标签； 当锚点i为正值时，地面真值标签 为1，当锚点i为负值时， 为0； Lcls为分类损失；Lreg为回归损失； ti是表示预测候选框的4个参数化坐标的矢量； 是正样本锚点相关的候选框坐标矢量； R是鲁棒损失函数。 可选的，所述基于前景得分对所述前景候选框进行筛选得到检测框，包括： 获取所述前景候选框的前景得分； 基于前景得分对锚点排序，并提取前N个锚点，将前N个锚点对应的前景候选框映 射到所述训练特征图中，剔除掉超出边界的前景候选框，得到锚点框； 对所述锚点框进行非极大值抑制处理，计算非极大值抑制处理后的锚点框的前景 得分，并按照前景得分情况由大到小排序，选取得分靠前的预设数量的锚点框作为检测框。 可选的，基于预设的分类器对所述陶瓷特征图和所述玻璃特征图进行处理，得到 分类损失函数，包括： 将所述陶瓷特征图和所述玻璃特征图分别输入预设的分类器中，得到分类结果， 所述分类结果包括：玻璃特征、陶瓷特征和非玻璃非陶瓷特征； 计算所述玻璃特征、所述陶瓷特征和所述非玻璃非陶瓷特征的损失函数： L玻璃＝-q1logp(1) 5 CN 111597964 A 说　明　书 3/8 页 L陶瓷＝-q2logp(2) L非玻璃非陶瓷＝-q3logp(3) 其中： q1、q2和q3分别是玻璃特征、陶瓷特征和非玻璃非陶瓷特征的标签； p是分类器输出的预测概率向量。 可选的，所述回归损失函数为： 其中： f玻璃表示玻璃特征图，f陶瓷表示陶瓷特征图； 表示L2范数运算。 可选的，所述对所述回归损失函数和所述分类损失函数进行对抗损失训练，包括： 将公式(3)和公式(4)作为第一组训练损失，用于更新特征提取网络的参数；将公 式(1)和公式(2)作为第二组训练损失，用于更新所述预设的分类器的网络参数； 将所述第一组训练损失和所述第二组训练损失交替进行反向传播，直到损失收 敛。 与现有技术相比，本申请的有益效果为： 本申请提供了一种绝缘子图像检测方法，包括基于预设的VGG16网络对玻璃绝缘 子图像进行特征提取，得到训练特征图；基于训练特征图选取检测框，将训练特征图和检测 框结合，得到训练特征向量；对训练特征向量进行ROI池化处理，得到池化特征向量；对池化 特征向量进行分类损失训练和坐标回归损失训练，得到第一检测网络；将相同数量的陶瓷 绝缘子图片和玻璃绝缘子图片输入到第一检测网络中，得到陶瓷特征图和玻璃特征图；对 陶瓷特征图和玻璃特征图进行回归损失处理，得到回归损失函数；基于预设的分类器对陶 瓷特征图和玻璃特征图进行处理，得到分类损失函数；对回归损失函数和分类损失函数进 行对抗损失训练，得到特征提取网络；用特征提取网络替换第一检测网络中的预设的VGG16 网络，得到绝缘子图像检测网络，绝缘子图像检测网络用于检测图像中是否包含绝缘子。本 申请先以玻璃绝缘子为训练数据构建检测网络，再利用对抗损失训练的方法得到可以检测 不同种类特征的特征提取网络，最后将特征提取网络和检测网络结合，得到可以识别两种 绝缘子的检测网络，从而保证不论图像中为陶瓷绝缘子还是玻璃绝缘子，本申请提供的检 测网络都可以识别。因此和现有技术相比，本申请的准确性更高。 附图说明 为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简 单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下， 还可以根据这些附图获得其他的附图。 图1为本申请实施例提供的绝缘子图像检测方法的流程示意图。