一种电力巡检图像防鸟刺故障检测方法技术

本发明专利技术涉及一种电力巡检图像防鸟刺故障检测方法，包括如下步骤：获取包含防鸟刺的电力巡检图像及其对应的XML标注文件制作训练与测试用数据文件；搭建深度学习网络模型并利用转换生成的训练数据训练网络，最后根据训练时网络参数是否达到期望值固化深度神经网络模型。将待检测的电力巡检图像通过深度学习网络，框选出电力巡检图像中防鸟刺位置，然后把防鸟刺从电力巡检图中截取出来并对防鸟刺进行二次故障检测，判断防鸟刺故障信息。本发明专利技术通过训练好的深度学习网络，对大量的电力巡检图像进行预处理，识别框选出电力巡检图像中防鸟刺，对框选出的目标子图进行二次特征提取故障检测，方便后期的处理，提高电力巡检的效率和智能化水平。

【技术实现步骤摘要】
一种电力巡检图像防鸟刺故障检测方法
本专利技术涉及电网运检维护技术以及电力监测
，具体涉及一种电力巡检图像防鸟刺故障检测方法。
技术介绍
随着经济社会的发展，发电量与用电量逐年上升。电网规模不断扩大，架空线路与高压铁塔越来越多。近些年，随着社会环境保护意识的提高，自然环境得到了逐步改善，鸟类数量也急剧上升，随之带来的就是输电线路鸟害故障的增加。据调查统计，因鸟害发生跳闸的次数相对其他原因引起的跳闸次数较多。防鸟刺作为高压铁塔上的一种驱鸟装置，能够有效的驱赶鸟类在高压铁塔上筑巢等活动，从而达到减少鸟类粪便等引起的跳闸事故。因此，在近些年电力巡检中，需要特别注意检查防鸟刺有无损坏，及时的对防鸟刺进行维修，使得防鸟刺能够长时间的达到驱赶鸟类在高压铁塔上活动的目的。近几年随着电力巡检技术的不断发展，除了依靠传统人工巡检外，利用直升机或者无人机对输电线路进行巡检也变得越来越普遍。通过无人机或者直升机航拍得到的影像数据进行分析，来发现输电线路上防鸟刺有无损坏也成为了输电线路运检维护的主要手段。航拍影像数据往往非常多且与其他类型数据结合在一起，如果仅仅依靠电力巡检人员后期人工排查、筛选、处理数据，工作量将会十分巨大，并且电力巡检人员长时间的判断处理电力巡检图像，极易产生视觉疲劳，从而导致严重的错判或者漏判。几年来随着人工智能技术的快速发展，基于深度学习的电力巡检图像防鸟刺故障检测成为了可能。本专利技术通过训练好的深度学习网络，对大量的电力巡检图像进行预处理，识别出电力巡检图像中防鸟刺，进一步的将框选出的防鸟刺从原电力巡检图像中截取出来进行二次故障检测，提高电力巡检的效率和智能化水平。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种电力巡检图像防鸟刺故障检测方法。为实现上述目的，本专利技术采用如下技术方案：一种电力巡检图像防鸟刺故障检测方法，包括如下步骤：步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；步骤S4：建立深度学习网络模型：步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息。进一步的，所述步骤S2具体为：将步骤S1获取得到的包含防鸟刺的电力巡检图像统一等比缩放为图像像素宽度小于1024或者图像像素高度小于900的图像；进一步的，所述搭建深度学习网络模型具体为：采用YOLOv3目标检测网络给定输入图像，直接在图像的多个位置上回归出目标的BoundingBox以及其分类类别。进一步的，所述步骤S4具体为：利用步骤S5生成的训练数据训练步骤S4建立的深度学习网络模型；其中在训练数据进入网络前对电力巡检图像进行随机旋转、裁剪等数据增强操作，每隔一个训练周期检测深度学习网络AP值、损失值等参数变化情况；进一步的，所述步骤S10具体为：步骤S101:将防鸟刺子图灰度化处理;步骤S102:运用Canny算子进行边缘检测，提取防鸟刺子图中物体的轮廓信息;步骤S103:对参数空间离散化确定检测精度，运用Hough变换对轮廓信息进行直线拟合，利用四领域非极大值抑制算法结合直线长度占图比例对获取到的直线信息进行筛选;步骤S104:进行直线交点融合判断得到包含多线信息的交点坐标，进一步的对该交点上的所有直线进行对称轴线提取，结合对称轴线角度信息判断防鸟刺故障信息。进一步的，所述从电力巡检影像数据库中获取的防鸟刺的电力巡检图像包含与防鸟刺相似的图片，使深度学习网络能够更好的学习到防鸟刺的特征并与其他具有类似特征的物体区分。进一步的，所述YOLOv3目标检测采用的是整图训练模型，可以更好的区分目标和背景区域。本专利技术与现有技术相比具有以下有益效果：本专利技术通过训练好的深度学习网络，对大量的电力巡检图像进行预处理，识别框选出电力巡检图像中防鸟刺，然后对框选出的目标子图进行二次特征提取故障检测。方便电力巡检人员后期的处理，提高电力巡检的效率和智能化水平。附图说明图1是本专利技术方法流程图图2是本专利技术一实施例中防鸟刺目标检测模块流程图图3是本专利技术一实施例中防鸟刺故障检测模块流程图。具体实施方式下面结合附图及实施例对本专利技术做进一步说明。请参照图1，本专利技术提供一种电力巡检图像防鸟刺故障检测方法，包括如下步骤：步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；步骤S4：建立深度学习网络模型：步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息。为了让一般技术人员更好的理解本专利技术的技术方案，以下结合附图对本专利技术进行详细介绍。如图1所示，在本实施例中检测方法主要分为深度学习网络模型训练阶段和防鸟刺检测阶段；1、训练数据集制作：训练数据集制作主要包括人工标注包含防鸟刺的电力巡检图像，得到包含对应图片文件名、图像宽度与高度信息及防鸟刺目标框左上点与右下方点坐标信息的XML文件，然后将总的图片与对应的XML文件分为训练集与验证级两部分包括训练数据和验证数据，训练数据用来训练模型，验证数据用来调整模型。新建train_img文件夹和validate_img文件夹分别用来存放训练与测试图像数据集；新建train_xml文件夹和validate_xml文件夹分别存放训练与测试xml文件；train_label_txt文件夹和validate_label_txt文件夹分别存放将对应的xml标签转化为txt文件；新建train_img_txt文件夹和validate_img_txt文件夹分别存放训练与测试图片路径。2、建立深度学习网络模型。采用YOLOv3目标检测网络，网络采用多个尺度融合的方式做预测，利用类似FPN的上采样（upsample）和融合做法（最后融合了3个s本文档来自技高网...

【技术保护点】
1.一种电力巡检图像防鸟刺故障检测方法，其特征在于，包括如下步骤：步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；步骤S4：建立深度学习网络模型：步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息。

【技术特征摘要】
1.一种电力巡检图像防鸟刺故障检测方法，其特征在于，包括如下步骤：步骤S1：根据电力巡检影像库接口，从电力巡检影像数据库中获取防鸟刺的电力巡检图像与对应XML标签数据；步骤S2：对防鸟刺的电力巡检图像与进行初步处理，得到处理后的防鸟刺的电力巡检图像；步骤S3：修改XML标签数据中对应的图像宽度与高度信息和防鸟刺目标框大小，得到修改后的XML标签数据；步骤S4：建立深度学习网络模型：步骤S5：将处理后的防鸟刺的电力巡检图像和步骤S3修改后的XML标签数据转换成可用于深度学习网络模型训练的训练数据；步骤S6：利用训练数据训练深度学习网络模型，得到防鸟刺检测模型：步骤S7：根据步骤S6训练时各项网络参数变化情况，在达到期望数值时固化防鸟刺检测模型；步骤S8：将待检测的电力巡检图像输入到固化后的防鸟刺检测模型中，得到每张电力巡检图像中检测出的防鸟刺子图框信息并生成对应的文本文件；步骤S9：将防鸟刺子图框信息从对应的电力巡检图像中提取出来；步骤S10：对防鸟刺子图进行二次特征提取故障检测，判断防鸟刺故障信息。2.根据权利要求1所述的一种电力巡检图像防鸟刺故障检测方法，其特征在于：所述步骤S2具体为：将步骤S1获取得到的包含防鸟刺的电力巡检图像统一等比缩放为图像像素宽度小于1024或者图像像素高度小于900的图像。3.根据权利要求1所述的一种电力巡检图像防鸟刺故障检测方法，其特征在于：所述搭建深度学习网络模型具体为：采用YOLOv3目标检测网络给定...

【专利技术属性】
技术研发人员：缪希仁，林志成，江灏，陈静，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35