一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法与流程

技术特征：
1.一种基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，包括：步骤s1：收集输电线路的螺栓图像，并在所述螺栓图像上框选出螺栓位置，将框选出的所述螺栓位置的图像分割提取，作为初始样本集；步骤s2：通过phash算法判断所述初始样本集中的螺栓缺失情况，选择相似度阈值；步骤s3：将所述初始样本集中螺栓未缺失的图片作为基础样本集，对所述基础样本集进行样本量的扩充，得到扩充样本集；步骤s4：通过深度学习构建用于识别螺栓缺陷的faster r
‑
cnn网络模型，将所述扩充样本集作为训练数据并对所述faster r
‑
cnn网络模型进行训练，将训练完成的所述fasterr
‑
cnn网络模型放置在cpu上；步骤s5：利用无人机拍摄所述输电线路的图片并作为待检测图像，通过phash算法判断所述待检测图像中螺栓缺失情况，将所述待检测图像输入至训练完成后的所述faster r
‑
cnn网络模型，利用所述faster r
‑
cnn网络模型判断所述待检测图像中螺栓缺陷情况。2.如权利要求1所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s2中，判断初始样本集中的螺栓缺失情况，若判断所述初始样本集中一图片存在螺栓缺失，则标记前述图片，定义为螺栓缺失；若判断所述初始样本集中另一图片不存在螺栓缺失，则执行所述步骤s3。3.如权利要求1所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s2中，判断初始样本集中螺栓缺失情况的具体步骤包括：步骤s201：将所述初始样本集中的任一待测图片进行灰度化处理，得到灰度图像，对所述灰度图像进行dct变化，得到64*64的dct系数矩阵，截取所述64*64的dct系数矩阵中左上角16*16的dct矩阵gary(i,j)，计算所述dct矩阵gary(i,j)的平均值av，其计算公式如下：步骤s202：建立16*16的零矩阵zero(i,j)，将所述dct矩阵gary(i,j)中各个数值与所述矩阵的平均值av进行比较；所述dct矩阵gary(i,j)中一数值大于所述平均值av，则将对应的所述零矩阵zero(i,j)中的数值改为1；所述dct矩阵gary(i,j)中一数值不大于所述平均值av，则将对应的所述零矩阵zero(i,j)中的数值改为0，所述零矩阵zero(i,j)公式为：所述零矩阵zero(i,j)输出16*16的所述待测图片的二值图像，其中，数值为1，则显示白色；数值为0，则显示黑色；步骤s203：对已确认为螺栓未缺失的图片依次进行所述步骤s201和所述步骤s202中的处理后，得到所述螺栓未缺失图片的二值图像，将所述螺栓未缺失图片的二值图像与所述待测图片的二值图像进行比较，计算出数值不同的个数，得到汉明距离，通过所述汉明距离，间接获得图像的相似度，所述图像的相似度公式为：
式中：d表示汉明距离；p表示phash算法的图像相似度。4.如权利要求3所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s203中，通过对所述图像相似度p的值进行计算，得到其距离分布均值d和标准差ε，则所述相似度阈值在区间[d ε,d
‑
ε]内选择，根据所述待测图片的所述图像的相似度p的值和所述相似度阈值判断螺栓缺失情况。5.如权利要求4所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s203中，所述待测图片的所述图像的相似度p的值大于所述相似度阈值，则所述待测图片为螺栓未缺失；所述待测图片的所述图像的相似度p的值不大于所述相似度阈值，则所述待测图片为螺栓缺失。6.如权利要求1所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s3中，通过采用随机翻转、随机缩放、随机平移和随机图片增强中的一种或其任意组合，对所述基础样本集进行样本量的扩充，得到所述扩充样本集。7.如权利要求1所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s4中，对所述fasterr
‑
cnn网络模型进行训练，需要采用单gpu进行训练，使得训练特征图可以通过rpn网络和检测网络得到框选部位。8.如权利要求1所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，所述cpu用于对所述待检测图像进行识别。9.如权利要求1所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在步骤s5中，若所述待检测图像存在螺栓缺陷，则利用所述fasterr
‑
cnn网络模型得到螺栓的位置坐标，且将其定义为螺栓有缺陷；若所述待检测图像不存在螺栓缺陷，则利用所述fasterr
‑
cnn网络模型得到螺栓的位置坐标，且将其定义为螺栓未缺损。10.如权利要求9所述的基于phash算法结合深度学习的线路螺栓缺陷识别方法，其特征在于，在所述步骤s5中，对由所述fasterr
‑
cnn网络模型得到螺栓的位置坐标进行换算，得到所述待检测图像中标注螺栓位置的坐标，对所述待检测图像中标注螺栓位置的坐标进行过滤处理，得到所述待检测图像中标注螺栓位置的精确坐标。

技术总结
本发明公开了一种基于Phash算法结合深度学习的线路螺栓缺陷识别方法，包括：步骤S1：收集输电线路的螺栓图像并框选出螺栓位置，将框选出的图像分割提取，作为初始样本集；步骤S2：判断初始样本集中的螺栓缺失情况；步骤S3：对初始样本集中螺栓未缺失的图片进行样本量的扩充，得到扩充样本集；步骤S4：将扩充样本集作为训练数据导入Faster R


技术研发人员：罗潇 丁雷青 李晓莉 彭勇 王建军 高敬贝 吴奕锴 於锋
受保护的技术使用者：南通大学
技术研发日：2021.08.19
技术公布日：2021/11/8