(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 202210924238.8 (22)申请日 2022.08.02 (71)申请人 江苏师范大学 地址 221116 江苏省徐州市铜山 新区上海 路101号 (72)发明人 孙晗　邹宽胜　赵帅强　 (74)专利代理 机构 深圳市洪荒之力专利代理有 限公司 4 4541 专利代理师 庄露露 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/766(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于改进CenterNet网络的绝缘子缺陷 检测方法 (57)摘要 本发明适用 于电力系统输电线路检测技术 领域， 提供了一种基于改进CenterNet网络的绝 缘子缺陷检测方法， 所述方法包括以下步骤： 建 立绝缘子缺陷数据集； 建立绝缘子缺陷数据集的 图像标签库， 具体包括： 通过LabelImg工具对绝 缘子缺陷数据集中所有图片进行标注， 并且将标 注文件与绝缘子缺陷数据集中的图片整理成 PASCAL VOC2007的数据集格式， 生成全部绝缘子 缺陷数据集； 将全部绝缘子缺陷数据集划分为训 练集和测试集， 本发明的有益效果在于： 解决了 复杂背景下缺陷绝缘子的误检以及漏检问题， 检 测精度高。 权利要求书2页 说明书6页 附图5页 CN 115239681 A 2022.10.25 CN 115239681 A 1.一种基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在于， 所述方法包括以 下步骤： 建立绝缘子缺陷数据集； 建立绝缘子缺陷数据集的图像标签库， 具体包括： 通过LabelImg工具对绝缘子缺陷数 据集中所有图片进行标注， 并且将标注文件与绝缘子缺陷数据集中的图片整理成PASCAL   VOC2007的数据集格式， 生成全部绝 缘子缺陷数据集； 将全部绝 缘子缺陷数据集划分为训练集和 测试集； 构造基于改进的CenterNet网络， 所述构造基于改进的CenterNet网络具体包括： 将CenterNet网络原主干网络resnet18网络加深为resnet50网络， 并引入卷积块注意 力模块CBAM； 在原始block和残差结构连接前嵌入CBAM， 然后构建金字塔池化模块； 将经过resnet50 ‑CBAM输出的特征 图作为金字塔池化模块的输入， 接着经过金字塔池 化模块后输出的特 征图进行三次反卷积的操作； 将三次反卷积 操作后的特 征图输入到 CenterNet网络检测头； 使用全部绝缘子缺陷数据集中的训练集对改进的CenterNet网络进行训练与参数调 节， 生成最优网络模型； 将绝缘子缺陷数据集中的测试集输入训练好的最优 网络模型， 输出绝缘子检测结果和 目标位置信息， 实现输电线路绝 缘子缺陷检测。 2.根据权利要求1所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述建立 绝缘子缺陷数据集具体包括： 获取无人机对电线杆塔上的绝 缘子进行采集的图片； 将清晰度低于清晰度阈值的图片删除， 剩余照片作为巡检数据集； 将巡检数据集与网络中公开的绝缘子数据集进行合并， 对合并后数据集中的图片进行 数据增强处 理， 获得包 含若干图片的绝 缘子缺陷数据集。 3.根据权利要求1所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 绝缘子缺陷数据集中所有图片 中不同的待检测目标物体的标签类别不同， 每个图片经 过标注后都会生成一个包 含图片所有目标类别标注信息的xml文件。 4.根据权利要求3所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述将全部绝缘子缺陷数据集划分为训练集和测试集具体包括： 使用随机分配的方法 对绝缘子缺陷数据集包含的所有图片按照预设的比例进行随机划分， 分别得到训练集图片 和测试集图片。 5.根据权利要求1所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述引入卷积块注意力模块CBAM具体包括： 将CenterNet网络原主干网络resnet18网络加深为resnet50网络， 并引入卷积块注意 力模块CBAM， 在原 始block和残差结构连接前嵌入CBAM 。 6.根据权利要求5所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述构建金字塔池化模块具体包括： 将CenterNet网络原主干网络resnet18网络加深为resnet50网络， 并引入卷积块注意 力模块CBAM， 在原 始block和残差结构连接前， 嵌入CBAM；权　利　要　求　书 1/2 页 2 CN 115239681 A 2将经过resnet50 ‑CBAM输出的特征 图作为金字塔池化模块的输入， 该模块采用了四种 不同金字塔尺度， 每层池化尺 寸为1×1、 2×2、 3×3、 6×6， 其中第一层是对整个特征图进行 的全局池化， 第二到第四层将特征图给分割成不同的子区域， 每个子区域会各自在内部进 行池化操作， 每一层通过池化会得到包含不同尺度特征 的特征图， 接着会对得到的特征图 进行一次卷积操作， 卷积核 大小为1×1， 目的是将得到的特征图进 行降维， 通道数减少到原 始特征图的， 表示金字塔层数； 利用双线性插值的方法， 将得到的特征图的通道维度上采样到与原输入特征图相同， 将这些特征图与原 始特征图进行通道拼接， 得到最终的全局特 征。 7.根据权利要求6所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述对得到的特征图进行一次卷积操作时卷积核大小为1 ×1， 以实现将得到的特征图 进行降维， 通道数减少到原 始特征图的 ， 表示金字塔层数。 8.根据权利要求1所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述使用全部绝缘子缺陷数据集中的训练集对改进的CenterNet网络进行训练与参数 调节， 生成最优网络模型 具体包括： 使用数据集中的训练集对改进的CenterNet网络进行训练， 采取冻结与解冻的训练方 式， 在冻结训练中Batch  Size设置为8， 在解冻训练中Bat ch Size设置为4， 冻结训练进行50 个Epoch， 解冻训练进行250个Epoch， 总共300个Epoch， 其中本 次实验中的网络优化器选择 Adam优化器， 冻结训练阶段学习率设置为0.001， 解冻训练阶段学习率设置为0.0001， 根据 训练结果进行参数调优。 9.根据权利要求1所述的基于改进CenterNet网络的绝缘子缺陷检测方法， 其特征在 于， 所述将数据集中的测试集输入训练好的改进CenterNet网络模型 具体包括： 通过训练得到模型的训练权重， 并将最优权重加载进改进后的CenterNet网络模型中， 将绝缘子图片 输入进网络模型中， 检测结果中会用两种不同颜色的检测框对正常绝缘子和 缺陷绝缘子进行检测， 将识别出的目标类别以及定位到的坐标信息 显示在原图像上。权　利　要　求　书 2/2 页 3 CN 115239681 A 3