(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 202211224356.4 (22)申请日 2022.10.09 (71)申请人 池州学院 地址 247000 安徽省池州市 建设西路169号 (72)发明人 刘传洋　刘姚军　吴健雄　余平　 余永义　邵杰　陈士博　 (74)专利代理 机构 合肥中博知信知识产权代理 有限公司 34142 专利代理师 管秋香 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06T 7/136(2017.01) G06T 7/194(2017.01)G06T 7/62(2017.01) G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 一种电力巡检图像中金具锈蚀检测及量化 方法 (57)摘要 本发明提供一种电力巡检图像中金具锈蚀 检测及量化方法， 涉及电力巡检图像处理技术领 域， 包括以下步骤： 采集无人机巡检输电线路航 拍图像； 利用改进YOLOv5s在图像中定位出金具 设备； 使用GrabCut分割算法和形态学优化算法 将金具与背景分离； 在YCrCb颜色空间提取分离 出三通道的彩色图像， 并得到Cr通道的灰度图 像； 根据Cr通道的阈值分割， 得到金具锈蚀二值 图像， 根据二值图像判断金具是否锈蚀； 统计锈 蚀区域像素点个数和金具区域像素点个数， 通过 计算两个区域的面积比判定金具锈蚀等级。 本发 明采用深度学习与传统图像处理相结合， 实现了 巡检图像中金具识别及锈蚀区域检测和锈蚀程 度量化， 解决了输电线路金具设备锈蚀检测靠人 工目测工作效率低、 主观性大的缺陷。 权利要求书3页 说明书7页 附图6页 CN 115526869 A 2022.12.27 CN 115526869 A 1.一种电力巡检图像中金 具锈蚀检测及量 化方法， 其特 征在于， 包括以下步骤： S1、 采集无 人机巡检输电线路航拍图像； S2、 将步骤S1的航拍图像送入深度学习网络模型， 利用深度学习网络模型在图像中定 位出金具设备， 再将金 具设备剪 裁出来； S3、 先使用半交互式分割算法将步骤S2剪裁出的图像进行图像分割处理， 再使用形态 学优化算法将金 具设备与背景分离； S4、 将步骤S3分割后的金具设备 图像进行RGB颜色空间到YCrCb颜色空间转换， 提取分 离出YCrCb颜色空间三 通道的彩色图像， 并得到 Cr通道的灰度图像； S5、 根据Cr通道阈值对步骤S4的灰度图像进行阈值分割， 得到金具锈蚀二值图像， 根据 二值图像判断金 具是否锈蚀； S6、 根据步骤S5阈值分割后的二值 图像进行金具锈蚀量化， 统计锈蚀区域像素点个数 和金具区域像素点个数， 通过计算两个区域的面积比判定金 具锈蚀等级。 2.如权利要求1所述的一种电力 巡检图像中金具锈蚀检测及量化方法， 其特征在于： 所 述步骤S1采集的航拍图像分辨 率调整为6 08×608。 3.如权利要求2所述的一种电力 巡检图像中金具锈蚀检测及量化方法， 其特征在于， 所 述步骤S2采用的深度学习网络模型包括特 征提取网络、 特 征融合网络、 预测网络； 所述特征提取网络包括Focus模块、 第一CBL模块、 第一DCSP模块、 第二CBL模块、 第二 DCSP模块、 第三CBL模块、 第三DCSP 模块、 第四CBL模块、 SPP 模块， 所述Focus模块、 第一CBL模 块、 第一DCSP模块、 第二CBL模块、 第二DCSP模块、 第三CBL模块、 第三DCSP模块、 第四CBL模 块、 SPP模块依次连接提取图像特 征； 所述特征融合网络的输入端与所述特征提取网络的四个有效特征层(19 ×19、 38×38、 76×76、 152×152)相连， 特征融合网络用于浅层和深层图像特征深度融合， 所述特征融合 网络的输出端与预测网络的三个输入端相连。 4.如权利要求3所述的一种电力 巡检图像中金具锈蚀检测及量化方法， 其特征在于， 所 述Focus模块与输入图像6 08×608×3相连， Focus模块的输出 特征为304×304×32； 所述第一CBL模块由卷积层、 归一化Batch  Normalization、 激活函数组成， 卷积层为3 ×3卷积， 步长为2， 第一CBL卷积模块的输出 特征为152×152×64； 所述第一DCSP模块用于提取图像特征152 ×152， 第一DCSP模块的输出特征为152 ×152 ×64； 所述第二CBL模块由卷积层、 归一化Batch  Normalization、 激活函数组成， 卷积层为3 ×3卷积， 步长为2， 第二CBL卷积模块的输出 特征为76×76×128； 所述第二DCSP模块用于提取图像特征76 ×76， 第二DCSP模块的输出特征为76 ×76× 128； 所述第三CBL模块由卷积层、 归一化Batch  Normalization、 激活函数组成， 卷积层为3 ×3卷积， 步长为2， 第三CBL卷积模块的输出 特征为38×38×256； 所述第三DCSP模块用于提取图像特征38 ×38， 第三DCSP模块的输出特征为38 ×38× 256； 所述第四CBL模块由卷积层、 归一化Batch  Normalization、 激活函数组成， 卷积层为3 ×3卷积， 步长为2， 第四CBL卷积模块的输出 特征为19×19×512。权　利　要　求　书 1/3 页 2 CN 115526869 A 25.如权利要求3或4所述的一种电力巡检图像中金具锈蚀检测及量化方法， 其特征在 于， 所述第一DCSP模块包括第一卷积层、 第二卷积层、 第三卷积层、 第四卷积层、 第五卷积 层， 第一卷积层和第二卷积层为1 ×1×64卷积， 分别与输入 特征152×152×64相连； 第三卷 积层为1×1×32卷积， 第四卷积层为3 ×3×32卷积， 第三卷积层和第四卷积层构成第一 Dense模块； 所述第一卷积层的输出与第四卷积层的输出相拼接作为第一Dense模块的输 出， 所述第一Dense模块的输出与第二卷积层的输出相拼接后输入给第五卷积层， 第五卷积 层为1×1×64卷积， 第五卷积层的输出 特征为152×152×64； 所述第二DCSP模块包括第六卷积层、 第七卷积层、 第八卷积层、 第九卷积层、 第十卷积 层， 第六卷积层和第七 卷积层为1 ×1×128卷积， 分别与输入 特征76×76×128相连； 第八卷 积层为1×1×32卷积， 第九卷积层为3 ×3×32卷积， 第八卷积层和第九卷积层构成第二 Dense模块； 所述第六卷积层的输出与第九卷积层的输出相拼接作为第二Dense模块的输 出， 所述第二Dense模块的输出与第七 卷积层的输出相拼接后输入给第十卷积层， 第十卷积 层为1×1×128卷积， 第十卷积层的输出 特征为76×76×128； 所述第三DCSP模块包括第十一卷积层、 第十二卷积层、 第十三卷积层、 第十四卷积层、 第十五卷积层， 第十一卷积层和第十二卷积层为 1×1×256卷积， 分别与输入 特征38×38× 256相连； 第十三卷积层为1 ×1×64卷积， 第十四卷积层为3 ×3×64卷积， 第十三卷积层和 第十四卷积层构成第三Dense模块； 所述第十一卷积层的输出与第十四卷积层的输出相拼 接作为第三Dense模块的输出， 所述第三Dense模块的输出与第十二卷积层的输出相拼接后 输入给第十五卷积层， 第十五卷积层为 1×1×256卷积， 第十五卷积层的输出特征为38 ×38 ×256。 6.如权利要求3 ‑5之一所述的一种电力巡检图像中金具锈蚀检测及量化方法， 其特征 在于， 所述特征融合网络包括第一1 ×1卷积、 第二 1×1卷积、 第三1 ×1卷积、 第四1 ×1卷积、 第五1×1卷积、 第六1 ×1卷积、 第七1 ×1卷积、 第一ACSP模块、 第二ACSP模块、 第三ACSP模 块、 第四ACSP模块、 第一上采样、 第二上采样、 第三上采样、 第四上采样、 第五上采样、 第一降 采样、 第二降采样、 第三降采样； 所述第一ACSP模块、 第二1 ×1卷积、 第四1 ×1卷积、 第七1 ×1卷积的输入分别与特征提 取网络的有 效特征层(19 ×19、 38×38、 76×76、 152×152)相连； 所述第一ACSP模块的输出 与第一1×1卷积相连， 第一1 ×1卷积通过第一上采样与第二 1×1卷积的输出拼接后输入给 第三1×1卷积， 第一ACSP模块通过第四上采样、 第三1 ×1卷积通过第二上采样与第四1 ×1 卷积的输出拼接后输入给第五1 ×1卷积， 第二1 ×1卷积通过第五上采样、 第五1 ×1卷积通 过第三上采样与第七1 ×1卷积的输出拼接后， 再通过第一降采样与第五1 ×1卷积拼接后输 入给第二ACSP模块； 所述第二ACSP模块的输出通过第二降采样与第三 1×1卷积的输出拼接 后输入给第三ACSP模块； 第三ACSP模块的输出通过第三降采样与第一 1×1卷积的输出拼接 后输入给第四ACSP模块； 所述第二ACSP模块、 第三ACSP 模块、 第四ACSP模块的输出分别与第 一预测网络、 第二预测网络、 第三预测网络相连接 。 7.如权利要求6所述的一种电力 巡检图像中金具锈蚀检测及量化方法， 其特征在于， 所 述第一ACSP模块、 第二ACSP模块、