(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 20221042786 6.5 (22)申请日 2022.04.22 (71)申请人 三峡大学 地址 443002 湖北省宜昌市西陵区大 学路8 号 (72)发明人 张磊　张家瑞　肖繁　蔡煜　 徐雄军　姚俊伟　马骏　申冉　 叶婧　薛田良　李振华　黄悦华　 张涛　程江洲　熊致知　胡仕林　 (74)专利代理 机构 宜昌市三峡专利事务所 42103 专利代理师 吴思高 (51)Int.Cl. G06V 20/52(2022.01) G06T 3/40(2006.01)G06V 10/20(2022.01) G06V 10/30(2022.01) G06V 10/82(2022.01) G06V 10/766(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) (54)发明名称 基于USRNet和YOLOv3的配电线路鸟巢检测 方法 (57)摘要 基于USRNet和YOLOv3的配电线路鸟巢检测 方法， 包括以下步骤： 步骤1： 收集配电线路的鸟 巢图像， 并在鸟巢图像数据上人工标记， 构建训 练样本集； 步骤2： 搭建网络结构， 包括深度展开 超分辨率网络USRNet、 GaussianYOLOv3； 步骤3： 获取配电线路鸟巢检测模 型； 步骤4： 将待检测图 像输入到深度展 开超分辨率网络USRNet， 输出重 构 的 鸟 巢 图 像 ；然 后 ，通 过 训 练 好 的 GaussianYOL Ov3完成故障的识别。 本发明方法可 以增强配电线路鸟巢图像局部纹理、 边缘等细 节 信息， 以改善图像质量， 并结合目标检测算法提 取准确的特 征， 以实现鸟巢 缺陷的智能检测。 权利要求书4页 说明书8页 附图6页 CN 114863361 A 2022.08.05 CN 114863361 A 1.基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特 征在于包括以下步骤： 步骤1： 收集配电线路的鸟巢图像， 并在鸟巢图像数据上 人工标记， 构建训练样本集； 步骤2： 搭建网络结构， 包括深度展开超分辨 率网络USRNet、 Gaus sianYOLOv3； 步骤3： 获取配电线路鸟巢检测模型； 步骤4： 将待检测图像输入到深度展开超分辨率网络USRNet， 输出重构的鸟巢图像； 然 后， 通过训练好的Gaus sianYOLOv3 完成故障的识别。 2.根据权利 要求1所述基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特征在于： 所 述步骤1中， 原始鸟巢图像由无人机巡检采集获得， 对鸟巢图像数据集进行人工标注， 对鸟 巢图像数据进行裁 剪， 构建相应的训练样本集。 3.根据权利 要求1所述基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特征在于： 所 述步骤2中， 搭建网络结构： 第一个网络结构为深度展开超分辨 率网络USRNet； 第二个网络结构为GaussianYOLOv3， GaussianYOLOv3通过增加输出量， 利用Gaussian 参数对预测框坐标参数进行建模， 重新定义损失函数， 使最终得到的回归框更精确。 4.根据权利 要求1所述基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特征在于： 所 述步骤3包括如下步骤： S3.1:首先， 使用深度展开超分辨率网络USRNet对原始图像进行处理， 去除原始图像中 的模糊和噪音； S3.2:然后， 通过增加YOLOv3网络的输出和改进网络的损失函数输出预测框， 并结合 Gaussian分布的策略， 输出对应预测框坐标的均值和方差； S3.3:最后， 根据获取的训练样本集， 进行GaussianYOLOv3检测模型训练， 得到配电线 路鸟巢检测模型。 5.根据权利要求 4所述基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特 征在于： 所述步骤3中， USRNet使用HQS算法引入辅助变量z， 对MAP框架下的HR图像最小化目标 函数进行求 解， 如式(3)， 将式(3)等 价为式(4)； E(x)、 σ 、 λ、 φ(x)分别表示能量 函数、 数据项参数、 权衡参数、 先验项； Eμ(x,z)、 μ、 x、 y、 z分别表示改进后能量 函数、 惩罚参数、 SR图像、 LR图像、 辅助变量； 接着通过迭代求 解x， z进行求 解， 如式(5)： zk表示k次迭代后的辅助变量、 xk‑1表示(k‑1)次迭代后的SR图像、 xk表示k次迭代后的SR权　利　要　求　书 1/4 页 2 CN 114863361 A 2图像、 minx表示受x决定的mi n函数、 minz表示受z决定的mi n函数； 对于式(5)中的zk的求解， 利用快速傅里叶变换， 可 得下式： 式(6)中， F和F‑1表示傅里叶变换函数和傅里叶变换函数的反函数， 为傅里叶变换 函数的共轭复数， ⊙s为区分不同模 块处理的运算 符号， 为不同模块的下采样处理， αk为权 衡超参数； 式(6)中， d被定义 为下式： 其中，↑s表示s倍上采样过程； 对于式(5)中xk的求解， 从贝叶斯方面能够看作是一个去噪问题， 表达式如下： 其中， βk为超参数。 6.根据权利要求 4所述基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特 征在于： USRNet网络分为 三部分： 第一部分为data  module D， 用于计算zk； 第二部分为pri ormodule P， 用于计算xk； 由于计算过程中还涉及到超参， 所以第三部分引入hyper ‑parameter  module H， 用于 计算每一次迭代时所需要的αk、 βk； 其中， αk由σ 、 μk决定； σ 、 μk分别表示噪声等级、 k次迭代后 的惩罚参数； βk由λ、 μk决定； λ表示权衡参数。 7.根据权利要求 4所述基于USRNet和YOLOv3的配电线路鸟巢检测方法， 其特 征在于： 所述步骤3中： 在YOLOv3中， 每个鸟巢网格负 责预测三个真实框， 每个框由三部分组成， 其中， 回归框的坐标tx、 ty是预测框横纵坐标的偏移量， tw、 th为图像宽高的缩放量， confidence为鸟巢检测得分， insulator和defect对应两个类别的可靠性信息； ， GaussianYOLOv3通过tx、 ty、 tw、 th为对应的Gaus sian模型进行建模； 给定一个测试输入 x， 其对应的输出y由Gaus sian参数组成的单高斯模型如下： p(y|x)＝ N[y； μ(x),∑(x)]； 式中， μ(x)、 ∑(x)分别为对应输入x的均值和方差函数， N为正态分布下的概率密度函 数， p(y|x)为x的概 率密度； 将预测框坐标加入Gaussian模型后， 得到GaussianYOLOv3回归框坐标的输出， tx、 ty、 tw、 th对应的均值 为 和 方差为 和 均值表示预测回归框的坐标 范围， 方差表示 坐标的不确定度； 为使每个网格对应的物体中心落在当前网格内， 需使用sigmoid函数将均值和方差处 理至0到1之间， 0表示可靠， 1表示 不可靠， 表示 为： 权　利　要　求　书 2/4 页 3 CN 114863361 A 3