(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 202210625697.6 (22)申请日 2022.06.02 (71)申请人 常州晋陵电力实业有限公司 地址 213100 江苏省常州市武进国家高新 技术产业开发区南区西湖路南侧12号 申请人 常州大学 (72)发明人 刘洪涛　段家振　陆政　黄渤　 史如新　树玉琴　任显铭　陈阳　 (74)专利代理 机构 常州佰业腾飞专利代理事务 所(普通合伙) 32231 专利代理师 陈红桥 (51)Int.Cl. G06T 7/00(2017.01) G06T 7/13(2017.01) G06T 5/00(2006.01)G06V 20/17(2022.01) G06V 10/80(2022.01) G06V 10/30(2022.01) G06V 10/42(2022.01) G06V 10/764(2022.01) G06V 10/36(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于智能机器人的架空线异常检测方法和 系统 (57)摘要 本发明提供了一种基于智能机器人的架空 线异常检测方法和系统， 其中， 智能机器人悬挂 在待检测架空线上， 智能机器人上设置有摄像单 元， 架空线检测方法包括以下步骤： 通过摄像单 元对待检测架空线进行拍摄以获取相应的架空 线图像； 对架空线图像进行预处理以获取第一检 测图像； 采用Canny算法对第一检测图像进行边 缘检测， 以获取第二检测图像； 采用自适应多尺 度融合特征算法对第二检测图像进行处理以获 取融合特征图； 采用改进的Faster  R‑CNN模型根 据融合特征图对待检测架空线进行异常检测。 由 此， 能够大 大提高架空线异常检测的准确性。 权利要求书2页 说明书8页 附图4页 CN 115018788 A 2022.09.06 CN 115018788 A 1.一种基于智能机器人的架空线异常检测方法， 其特征在于， 所述智能机器人悬挂在 待检测架空线上， 所述智能机器人 上设置有摄 像单元， 所述架空线检测方法包括以下步骤： 通过所述摄像单元对待检测架空线 进行拍摄以获取相应的架空线图像； 对所述架空线图像进行 预处理以获取第一检测图像； 采用Canny算法对所述第一检测图像进行边 缘检测， 以获取第二检测图像； 采用自适应多尺度融合特 征算法对所述第二检测图像进行处 理以获取融合特 征图； 采用改进的Faster  R‑CNN模型根据所述融合特征图对所述待检测架空线进行异常检 测。 2.根据权利要求1所述的基于智能机器人的架空线异常检测方法， 其特征在于， 对所述 架空线图像进行预处理以获取所述第一检测图像， 包括： 依 次对所述架空线图像进行畸变 校准处理、 灰度化处 理以及图像降噪处 理， 以获取 所述第一检测图像。 3.根据权利要求1所述的基于智能机器人的架空线异常检测方法， 其特征在于， 采用所 述自适应多尺度融合特征算法对所述第二检测图像进行处理以获取所述融合特征图， 包 括： 采用卷积及池化操作对所述第 二检测图像进行图像降采样处理， 以获取尺寸为第 一预 设尺寸的第三检测图像以及尺寸 为第二预设尺寸的第四检测图像； 对所述第二检测图像进行图像卷积操作以获取第 一特征图， 并对所述第 三检测图像进 行图像卷积操作以获取第二特征图， 以及 对所述第四检测图像进 行图像卷积操作以获取第 三特征图； 对所述第二特征图进行插值处理以获取与 所述第一特征图尺寸相同的第四特征图， 并 对所述第三特 征图进行差值处 理以获取与所述第一特 征图尺寸相同的第五特 征图； 对所述第一特征图、 所述第四特征图和所述第五特征图进行矩阵加操作以获取所述融 合特征图。 4.根据权利要求3所述的基于智能机器人的架空线异常检测方法， 其特征在于， 在采用 所述改进的Faster  R‑CNN模型根据所述融合特征图对所述待检测架空线进行异常检测之 前， 还包括： 获取训练样本集， 并根据所述训练样本集对改进的Faster  R‑CNN网络进行训 练， 以获取 所述改进的Faster  R‑CNN模型。 5.根据权利要求4所述的基于智能机器人的架空线异常检测方法， 其特征在于， 所述改 进的Faster  R‑CNN网络包括改进的残差特征提取层、 RPN网络、 RoI模块和分类层； 其中， 所 述改进的残差特征提取层包括13个具有ReLU激活功能的残差卷积层和4个池化层， 在所述 残差卷积层中， 每一个核 大小为3的卷积核分支均对应设置有一个核 大小为1的卷积核分支 与一个恒等映射分支， 在所述训练样本集输入所述残差卷积层进行训练时， 根据所述训练 样本集中训练数据的类型， 自动分配在不同分支上的训练权 重。 6.一种基于智能机器人的架空线异常检测系统， 其特征在于， 所述智能机器人悬挂在 待检测架空线上， 所述智能机器人 上设置有摄 像单元， 所述架空线检测系统包括： 第一获取模块， 所述第 一获取模块用于通过所述摄像单元对待检测架 空线进行拍摄以 获取相应的架空线图像； 第二获取模块， 所述第 二获取模块用于对所述架 空线图像进行预处理以获取第 一检测 图像；权　利　要　求　书 1/2 页 2 CN 115018788 A 2第三获取模块， 所述第三获取模块用于采用Canny算法对所述第一检测图像进行边缘 检测， 以获取第二检测图像； 第四获取模块， 所述第四获取模块用于采用自适应多尺度融合特征算法对所述第 二检 测图像进行处 理以获取融合特 征图； 异常检测模块， 所述异常检测模块用于采用改进的Faster  R‑CNN模型根据所述融合特 征图对所述待检测架空线 进行异常检测。 7.一种计算机设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计 算机程序， 其特征在于， 所述处理器执行所述计算机程序时， 实现根据权利要求1 ‑5中任一 项所述的基于智能机器人的架空线异常检测方法。 8.一种非临时性计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 该程序被 处理器执行时实现根据权利要求1 ‑5中任一项 所述的基于智能机器人的架空线异常检测方 法。权　利　要　求　书 2/2 页 3 CN 115018788 A 3