基于深度特征表达的目标检测与故障识别方法研究

Target detection and fault recognition under complex background and interference are the key technologies in the flying robot autonomous inspection for overhead powerline. There are problems when using deep learning method in this area, such as insufficient samples, obscure feature representation, uninvolved artificial features. Based on the human's spatial cognitive ability of three-dimensional objects, the target soft–recognition method using simulated images is formed, and the research framework of "simulated - real" parallel structure is established. In order to solve the problem of incomplete collection, insufficient quantity and unbalanced distribution of image samples，we construct highly realistic simulated images that conforms to the actual distribution using the virtual simulation technology, and establish the public database of insulator images; To achieve the end-to-end target integration detection scheme, the method of establishing the depth neural network structure with the artificial feature is proposed by studying the visualization response of deep network neurons, analyzing the relationship between the target and the response of neurons, and defining the responsiveness index. Aiming at the fault characteristics of insulators, the multi-region block depth feature is extracted, and the depth feature expression is generated by fusion morphological features to achieve fault recognition. This project focuses on deep feature representation of target, and aims to improving the robustness and adaptability of the fault recognition methods, providing the theory and technology for the tasks such as flying robot autonomous detection on overhead powerline, robot navigation positioning, environment perception and industrial non-destructive testing, etc.

复杂背景和干扰下的目标检测与故障识别是飞行机器人自主巡检的关键技术。应用深度学习方法时遇到目标样本不完备、特征表达困难、人工特征未融入等问题。本项目借鉴人类对三维物体的空间认知能力，形成基于模拟图像的目标软识别方法，建立“模拟-真实”平行结构的研究框架。结合虚拟仿真技术，构建符合实际分布规律的高真实感模拟图像，解决样本不完备问题，并建立绝缘子目标图像公开数据库；对深度网络神经元的响应进行可视化研究，分析目标与神经元响应的关系，定义响应度指标，提出融合人工特征的深度卷积神经网络模型建立方法，实现端对端的目标一体化检测方案；针对绝缘子故障特性，提取多区域块深度特征，并融合形态特征生成深度特征表达，实现故障识别。项目重点研究目标深度特征表达这一科学问题，提高算法的鲁棒性和适应性，为实现飞行机器人对输电线路自主巡检提供理论及技术基础，同时为机器人导航定位、环境感知、工业无损检测等领域提供参考。

目标检测和故障识别问题是图像处理和机器学习方法的一个应用，复杂背景和干扰下的目标检测与故障识别是无人机自主巡检的关键技术。无人机在电力行业输电线路自主巡检中担负着越来越重要的任务，其采集的航拍图像中，背景非常复杂且有干扰，目标检测及故障识别难度很大，应用深度学习方法时遇到目标训练样本不完备、航拍图像背景复杂且干扰严重、故障特征难以表达、人工特征未融入等问题。本项目针对典型的“高风险应用”，研究强鲁棒性的机器学习方法，即开放环境下的机器学习。.针对上述问题，项目研究工作在平行视觉框架下展开。研究内容包括四方面：训练样本增广方法、复杂背景和干扰下的绝缘子目标检测方法、深度特征表达方法、目标检测与故障识别方法验证。（1）在训练样本增广方法研究方面，研究工作从两个方面着手，一是采用建模软件建立绝缘子结构模型，以生成模拟图像样本，二是通过GAN网络生成模拟图像样本；收集航拍图像并分类整理，包括真实航拍样本和人工图像样本，共计20万张。建立了绝缘子图像样本库；（2）在复杂背景和干扰下的绝缘子目标检测方法研究方面，进行了基于混合样本迁移学习的研究；提出了人工特征与深度特征融合的方法。分析像素级特征、中层语义特征、深度特征之间的关系，构成鲁棒性高的特征表达方法；（3）针对绝缘子表面故障特性，提取多区域块深度特征，融合人工形态特征生成深度特征表达，实现故障识别方法。提出了融合三种不同层次特征的模型建立和训练方法：像素级特征融合、语义级特征融合、深层深度特征融合；（4）针对实际采集的巡检图像，进行了算法的验证。.项目重点研究目标深度特征表达这一科学问题，提高算法的鲁棒性和适应性，为实现无人机对输电线路自主巡检提供理论及技术基础，同时为机器人导航定位、环境感知、工业无损检测等领域提供参考。.项目按照计划书要求执行，完成了计划书中所列的研究内容，达到了预期目标，并结合项目开展了电力视觉技术的研究、宣传与推广工作。