CN114663352B 一种输电线路缺陷高精度检测方法、系统及存储介质 （国网电力空间技术有限公司）

的原始图像数据自适应去噪，获得去噪图像数测神经网络算法对输电线路缺陷识别的卷积神然后采用两阶段目标检测神经网络算法对输电2针对所述去噪图像数据，采用两阶段目标检测神经网络算法对基于变换域和空间域方法相结合的自适应噪声去除方法，包括：基于峰值附近块的高频图像像素值进行绝对值求和并取平均，得到两个区域噪声方差估计值；利用噪声参数评估得到的两个区域噪声方差估将噪声程度与预设阈值比较，若像素点噪声程度值大于预设阈所述Faster-RCNN深度学习网络的输入端为原始输电线巡检视频图像，输出端为电力目标5.如权利要求4所述的输电线路缺陷高精度检测方法，6.一种输电线路缺陷高精度检测系统，其特征在于，所3缺陷识别模块，用于针对所述去噪图像数据，采用两阶段目标检测对获取的原始图像数据基于变换域和空间域方法相结合的自适基于变换域和空间域方法相结合的自适应噪声去除方法，包括：基于峰值附近块的高频图像像素值进行绝对值求和并取平均，得到两个区域噪声方差估计值；4[0002]目前电网输电线路的巡检方式主要是人工方式、无人机5络对输电线巡检目标跟踪与检测，所述Faster-RCNN深度学习网络的输入端为原始输电线6[0035]图6为本申请输电线路缺陷高精度检测方法中FasterR-CNN模型的结构示意性框[0037]图8为本申请输电线路缺陷高精度检测方法中Classification部分网络的结构示7取高质量去噪图像视频数据。采用Faster-RCNN深度学习网络实现输电线巡检目标的跟踪[0049]请参照图1，图1为本申请输电线路缺陷高精度检测方法第一实施例的流程示意[0059]由于直升机巡检视频图像数据在数字化和传输过程中常受到成像设备与外部环声污染。本项目综合变换域和空间域去噪方法对直升机巡检视频图像数据进行去噪处理，8后将高频图像分为若干不重叠块。第三步对分块后图像的方差进行统计得到两个方差峰度学习网络对输电线巡检目标跟踪与检测，所述Faster-RCNN深度学习网络的输入端为原[0078]所述Faster-RCNN深度学习网络中目标区域提取层、区域筛选层与目标分析层基由大量图像进行训练，其中目标区域提取层与筛选层根据标记结果区域训练网络层参数，9[0081]综上所述，在整个Convlayers中，conv和relu层不改变输入输出大小，只有[0082]由于经典的目标检测方法生成检测框都非常耗时，如OpenCVadaboost使用滑动2条线，上面一条通过softmax分类anchors获得foreground和background(检测目标是精确的proposal。而最后的Proposal层则负责综合foregroundanchors和boundingbox[0084]在本申请的实施例中，FasterR-CNN中Classification部分利用已经获得的暗通道的值。暗通道优先法则认为在经过暗通道优先处理之后，图像J的暗通道值将接近像素点(x,y)坐标，根据这些点的坐标找到有雾图像I对应像素点，并求各点RGB通道平均[0092]第三步，根据有雾图像的大气光照模型由有雾图像及大透射率图中亮度越高的地方表示此处场景色彩的通过性越好，也可以理解为距离视点越视频数据。采用Faster-RCNN深度学习网络实现输电线巡检目标的跟踪与检测，直接使用[0102]本申请的输电线路缺陷高精度检测方法、装置可以实现为一种计算机程序的形[0105]处理器用于提供计算和控制能力，支撑整个输电线路缺陷高精度检测设备的运用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列采用两阶段目标检测神经网络算法对输电线路缺陷识别训练。在获取原始巡检图像数据