(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 202211039867.9 (22)申请日 2022.08.29 (71)申请人 合肥工业大 学 地址 230009 安徽省合肥市包河区屯溪路 193号 (72)发明人 史明光　李雪峰　 (74)专利代理 机构 安徽省合肥新 安专利代理有 限责任公司 34101 专利代理师 陆丽莉　何梅生 (51)Int.Cl. G06V 20/17(2022.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01)G01N 21/88(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于DenseNet的输电线路多尺度目标故障 检测方法及应用 (57)摘要 本发明公开了一种基于DenseNet的输电线 路多尺度目标故障检测方法及应用， 包括： 1、 利 用无人机巡检， 采集航拍输电线路巡检图片并进 行预处理和样本扩充， 对每一图片制作对应的样 本标签文件， 构建图像数据集； 2、 建立基于 DenseNet的输电线路多尺度目标故障检测模型， 包括： 特征提取网络， 特征融合网络、 区域 建议网 络和目标检测层； 3、 利用图像数据集对 该网络模 型进行训练， 得到最优输电线路多尺度目标故障 检测模型。 本发 明能够实现航拍图像中多尺度目 标的故障检测， 具有较高的检测精度和目标检测 效果， 稳定性 好且抗干 扰能力强。 权利要求书2页 说明书8页 附图2页 CN 115393746 A 2022.11.25 CN 115393746 A 1.一种基于DenseNet的输电线路多尺度目标故障检测方法， 其特征在于， 是按以下步 骤进行： 步骤1、 采集无人机在巡检过程中的航拍图片并进行预处理， 得到预处理后的故障图像 集； 步骤2、 对所述预处 理后的故障图像集进行扩充样本， 得到扩充后的航拍故障图像集； 步骤3、 对所述扩充后的航拍故障图像集进行目标标注， 从而构建带有m种类别标签的 图像数据集； 令所述图像数据集中任意一张样本图像记为C； 其维度为s0×s0×k0； s0表示图 像长度或宽度， k0表示通道数； 步骤4、 建立基于DenseNet的输电线路多尺度目标故障检测模型， 包括： 特征提取网络、 特征融合网络、 区域建议网络和目标检测层； 步骤4.1、 所述特征提取网络， 包括： 初始卷积层， 初始池化层， I个特征提取层、 I ‑1个过 渡层； 任意第i层特征提取层由ai个稠密块依次密集连接而成， i＝1， 2， ...， I； 其中， 第l个稠 密块包含： 第l个第一BN层、 第l个第一Relu层、 第l个维度为1 ×1的Conv层、 第l个第二BN层、 第l个第二Relu层、 第l个维度为3 ×3的Conv层； l＝1， 2， ...， ai； 任意第j个过渡层是由第j个第三BN层、 第j个第三Relu层、 第j个维度为1 ×1的卷积层 和第j个维度为2 ×2的平均池化层依次连接组成， j＝1， 2， . ..， I‑1； 所述维度为s0×s0×k0的样本图像C输入特征提取网络中， 并依次经过初始卷积层、 初 始池化层中， 得到初始特 征图像f0； 当i＝1， j＝1时， 初始特征图像f0经过第i个特征提取层的处理后， 输出第i个特征图像 Gi， Gi再输入第j个过渡层中， 并依次经过第j个第三BN层、 第j个第三Relu层、 第j个维度为1 ×1的卷积层的降维 处理后输出第i个尺度特征图像Ci； Ci再经过第j个维度为2 ×2的平均池 化层的处理后， 得到第j个维度为sj×sj×kj的池化特征图像fj； 其中， sj表示fj的维度， kj表 示fj的通道数； 当i＝2， 3， ...， I； j＝2， 3， ...， I ‑1时， 第j‑1个池化特征图像fj‑1输入第i个特征提取层 中进行处理后， 输出第i个特征图像Gi， 并输入第j个过渡层中进行处理， 依次得到第i个尺 度特征图像Ci和第j个维度为sj×sj×kj的池化特 征图像fj； 当i＝I， j＝I ‑1时， 第I‑1个池化特征图像fI‑1输入第I个特征提取层中进行处理后， 输 出第I个特征图像GI， 并作为第I个尺度特征图像CI； 从而由所述 特征提取网络得到多尺度特 征图集合{C1， C2，…Ci，…CI}； 步骤4.2、 所述特征融合网络包括I个维度为1 ×1的卷积降通道模块、 I ‑1个上采样模 块、 I‑1个加法模块、 I个维度为3 ×3的卷积模块和一个下采样模块； I个维度为1 ×1的卷积降通道模 块分别对{C1， C2，…Ci，…CI}进行降通道处理， 得到通道 数统一后的特 征图像{D1， D2，…Di，…DI}， 其中， Di表示第i个通道数统一后的特 征图像； 当i＝I时， 第I ‑1个上采样模块对第I个特征图像DI进行2倍的上采样 处理后得到第I‑1 个高分辨率特征图EI‑1， 第I‑1个加法模块将EI‑1与DI‑1进行逐像素相加后， 得到第I ‑1个融合 特征图MI‑1； 当i＝I‑1， I‑2， ...， 2时， 第i ‑1个上采样模块对第i个 特征图像Di进行2倍的上采样处理 后得到第i ‑1个高分辨率特征图Ei‑1， 第i‑1个加法模块将Ei‑1与Di‑1进行逐像素相加 后， 得到权　利　要　求　书 1/2 页 2 CN 115393746 A 2第i‑1个融合特 征图Mi‑1； 从而得到融合特 征图集合{M1， M2，…Mi，…MI‑1}； I‑1个维度为3 ×3的卷积模块分别对{ M1， M2，…Mi，…MI‑1}进行混叠效应消除后， 得到预 测特征图像集 合{P1， P2，…Pi，…PI‑1}； 其中， Pi表示第i个预测特 征图像； 第I个维度为3 ×3的卷积模块对第I个通道数统一的特征图像DI进行混叠效应消除后， 得到第I个预测特 征图像PI； 所述下采样模块对第I个预测特征图像PＩ进行2倍的下采样处理后得到第I+1个预测特 征图PI+1； 从而由所述特 征融合网络得到最终的预测特 征图集合{P1， P2，…Pi，…PI+1}； 步骤4.3、 预测 特征图集合{P1， P2，…Pi，…PI+1}输入区域建议网络中， 并对每个特征图 中的每一个位置生成锚点， 且每个锚点由不同尺度和宽高比例的矩形框组成； 每个锚点先 输入分类分支中， 通过卷积层和softmax函数判断每个锚点中是否包含目标， 如果包含目 标， 则保留相应锚点， 否则剔除相应锚点； 筛选后的锚点再经过边框回归支路中进 行边界框 回归， 得到相应特 征图的建议区域， 从而得到I+1个建议区域； 步骤4.4、 所述目标检测层包括： ROIAlign层、 最大值融合层、 全连接层、 分类层和边框 回归层； 所述ROIAl ign层对I+1个建议区域分别进行池化操作， 生成I+1个相同形状的特 征图； 所述最大值融合层对I+1个相同形状的特征图进行最大值融合操作， 最终生成一个融 合特征图PI+2； 步骤4.5、 所述全连接层将融合特征图PI+2变换为特征向量后再经分类器、 边框回归层 以及softmax函数的计算后， 输出样本图像C的故障区域 候选框及其类别； 步骤5、 基于所述图像数据 集， 利用梯度下降法对所述基于DenseNet的输电线路多尺度 目标故障检测模型进 行训练， 并计算交叉熵损失函数， 用于更新模型参数， 当损失函数值不 再下降并趋于稳定时停止训练， 得到最优输电线路多尺度目标故障检测模型， 用于对目标 图像进行故障识别。 2.一种电子设备， 包括存储器以及处理器， 其特征在于， 所述存储器用于存储支持处理 器执行权利要求1所述方法的程序， 所述处理器被配置为用于执行所述存储器中存储的程 序。 3.一种计算机可读存储介质， 计算机可读存储介质上存储有计算机程序， 其特征在于， 所述计算机程序被处 理器运行时执 行权利要求1所述方法的步骤。权　利　要　求　书 2/2 页 3 CN 115393746 A 3