(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 202211354696.9 (22)申请日 2022.11.01 (71)申请人 云南电网有限责任公司电力科 学研 究院 地址 650000 云南省昆明市经济技 术开发 区云大西路10 5号 (72)发明人 于虹　 (74)专利代理 机构 深圳中细软知识产权代理有 限公司 4 4528 专利代理师 袁文英 (51)Int.Cl. G06T 7/00(2017.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/80(2022.01) (54)发明名称 一种基于改进RetinaNet的绝缘子缺陷检测 方法及设备 (57)摘要 本 发 明 实 施 例公 开 了 一 种基 于改 进 RetinaNet的绝缘子缺陷检测方法及设备， 包 括： 构建 绝 缘 子图 像 数 据集 ， 并 建 立改 进 型 RetinaNet网络模型， 基于绝缘子图像数据集对 改进型RetinaNet网络模型进行训练， 直到改进 型RetinaNet网络模型满足条件收敛， 得到绝缘 子缺陷检测模型； 其中， 建立改进型 RetinaNet网 络模型， 包括： 在RetinaNet网络模型中引入 HRNet子网络用于特征提取； 利用绝缘子缺陷检 测模型实时检测绝缘子缺陷。 本发 明基于改进型 RetinaNet网络模型构建绝缘子缺陷检测模型， 基于绝缘子缺陷检测模型实现对绝缘子缺陷的 高效识别， 其中， 改进型 RetinaNet网络模型引入 高分辨率特征提取网络HRNet替代RetinaNet算 法的原有特征提取网络， 使 得网络传递最后得到 的特征图上目标的特征信息更加完善， 有效提高 对小目标物体的检测精度。 权利要求书2页 说明书7页 附图4页 CN 115546191 A 2022.12.30 CN 115546191 A 1.一种基于改进Reti naNet的绝 缘子缺陷检测方法， 其特 征在于： 包括： 构建绝缘子图像数据 集， 并建立改进型RetinaNet网络模型， 基于所述绝缘子图像数据 集对所述改进型RetinaNet网络模型进行训练， 直到所述改进型RetinaNet网络模 型满足条 件收敛， 得到绝缘子缺陷检测模型； 其中， 所述建立改进型RetinaNet网络模型， 包括： 在 RetinaNet网络模型中引入HRNet子网络用于特 征提取； 利用所述 绝缘子缺陷检测模型实时检测绝 缘子缺陷。 2.如权利要求1所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在于： 所述 HRNet子网络包括： 并行连接的卷积单元， 所述并行连接的卷积单元上能够反复交换特征图 信息， 以实现特 征的多尺度融合。 3.如权利要求1所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在于： 所述 建立改进型Reti naNet网络模型， 还 包括： 在RetinaNet网络模型中引入GA锚点模块， 所述GA模块设置在所述HRNet子网络之后。 4.如权利要求3所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在于： 所述 GA锚点模块包括： 位置检测子模块、 形状预测子模块与特 征精调子模块； 其中， 所述位置检测子模块采用1x1卷积单元， 所述形状预测子模块采用1x1卷积单元， 所述特征精调子模块采用3x3卷积单 元。 5.如权利要求4所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在于： 所述 特征精调子模块基于可变形卷积原理， 将锚框的形状信息直接融入特征图中， 从而得到新 的特征图来适应每个位置锚框的形状。 6.如权利要求1 ‑5任一所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在 于： 所述基于所述 绝缘子图像数据集对所述改进型Reti naNet网络模型进行训练， 包括： 获取开源图像数据集， 基于所述开源图像数据集对改进型RetinaNet网络模型进行训 练进行训练， 得到 迁移模型； 基于所述 绝缘子图像数据集对所述迁移模型进行训练， 得到绝 缘子缺陷检测模型。 7.如权利要求1 ‑5任一所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在 于： 所述构建绝 缘子图像数据集， 包括： 采集多张绝缘子 图像数据， 并对采集到的绝缘子 图像数据进行标注， 标注图像绝缘子 缺陷的边界框与类别， 得到初始绝 缘子图像数据集； 采用图像数据增广方法， 对所述初始绝缘子 图像数据集进行扩充， 得到所述绝缘子 图 像数据集。 8.如权利要求7所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在于： 所述 图像数据增广方法为镜像、 平移、 缩放、 旋转、 裁剪、 高斯噪声颜色通道标准化、 随机灰度变 化中的一种或多种。 9.如权利要求1所述的基于改进RetinaNet的绝缘子缺陷检测方法， 其特征在于： 所述 改进Reti naNet网络模型的损失函数为： FL(pt)＝‑αt(1‑pt)γlog(pt)； 其中， αt为抑制正负样本的数量失衡的影响参数， pt为正样本的概率； γ为控制简单/难 区分样本数量失衡的影响参数。 10.一种电子设备， 其特征在于： 包括至少一个处理器， 以及与所述至少一个处理器通权　利　要　求　书 1/2 页 2 CN 115546191 A 2信连接的存储器； 所述存储器存储有可被所述至少一个处理器执行 的指令， 所述指令被所 述至少一个处理器执行， 以使 所述至少一个处理器能够执行权利要求 1至9中任一项 所述的 基于改进Reti naNet的绝 缘子缺陷检测方法。权　利　要　求　书 2/2 页 3 CN 115546191 A 3