基于深度学习的输电线路覆冰图像中覆冰厚度检测方法技术

本发明专利技术公开了一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，属于数字图像识别领域，目的在于克服现有应拉力监测中灵敏度和可靠性不高的问题，提高输电线路覆冰厚度监测的准确性和自动化程度，本发明专利技术用于电力系统输电线路的覆冰厚度监测与超限告警，包括：（1）收集覆冰图像；（2）预处理图像并建立数据集；（3）建立卷积神经网络；（4）训练并测试模型；（5）提取覆冰厚度信息并传回至控制中心等五步骤；本发明专利技术将数字图像特征识别方法引入到输电线和杆塔的覆冰厚度检测中，利用图像中覆冰的形态特征自动提取厚度信息，为运维人员制定除冰计划，为保证电力系统安全稳定运行提供了一种新的直观而智能化的手段。

【技术实现步骤摘要】

本专利技术属于数字图像识别
，具体涉及一种基于深度学习算法的图像中覆冰厚度状态检测方法，可用于对电力系统输电网设备覆冰监测与超限告警。
技术介绍
电网安全稳定运行对国民经济发展的重要性不言而喻，随着电网互联不断深入和电力市场的逐步实施，电网的运行环境也更加复杂，对电网的稳定性和可靠性提出了更高的要求。我国幅员辽阔、气候多样、地形复杂，遍布全国的电力网经常受到各种自然灾害的破坏，我国大部分经常因为极端低温和覆冰导致大面积停电事故。覆冰灾害会导致电网发生机械故障和电气故障，如变电站停运、杆塔倒塌、冰闪跳闸、线路舞动和变电站设备损坏等事故。覆冰对我国电网造成重大设备损失和导致大面积停电事故，且发生覆冰地区往往气候条件恶劣，交通和通讯中断，抢修难度大，造成大面积停电事故，严重影响供电可靠性。输电线路和电力设备的覆冰是客观存在的，无法从根本上消除。为减小覆冰带来的灾害，必须对电网中的电气设备覆冰进行防护，及时消除覆冰安全隐患。目前覆冰防护主要通过监测和抑制两种方法，监测手段通过在电气设备上安装传感器和摄像机实现在线监测覆冰状态，或通过人工巡检方式对关键线路巡查发现故障隐患；国内常受覆冰灾害影响地区均已安装了覆冰监测系统监测电网关键线路和节点的覆冰状态，但近年来频发的冰灾事故证明，当前的几种监测手段还无法满足电力系统安全、稳定的运行要求，以2014年为例，因覆冰引起跳闸597次，跳闸率为0.103次/百千米·年，重合成功率46.4％，与2013年(221次)相比增加376次，增幅为170.1％。2014年覆冰造成故障非停320次，故障非停率为0.055次/百千米·年，2014年覆冰造成故障非停次数约为2013年(63次)的5倍。分析目前覆冰监测难以满足电网运行要求的原因，可以概括为：(1)传感器监测覆冰受工作环境影响较大，恶劣的气候气象条件或电磁场干扰均会降低传感器的测量精度；(2)摄像机监测通过拍摄监测点杆塔或线路覆冰图像判断当前覆冰状态，但由于缺乏对覆冰图像的有效处理和利用方法，无法从获取可靠覆冰信息；(3)人工巡检方式或直升机巡检成本高，效率低，难以对全网进行监控；(4)系统不能及时发现覆冰隐患，导致覆冰预警无法及时发出，加上除冰操作的相对滞后，覆冰无法及时消除。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种基于深度学习算法的输电线路覆冰图像识别方法，能够根据输入的覆冰图像自动识别覆冰厚度，确保电力部门及时线路覆冰的状况。本专利技术所采用的技术方案是：一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于，包括以下步骤：步骤1：获取覆冰图像数据和对应的应拉力监测数据；步骤2对原始覆冰图像进行预处理，将原始覆冰图像的尺寸处理成尺寸大小一致的图像，用拉力传感器测量的覆冰厚度作为图像标签；步骤3：建立深度学习卷积神经网络模型，针对图像数量和尺寸，建立相应的模型参数，设置每层网络的单元数和激活函数；步骤4：调整权值并训练模型，对图像进行特征提取和组合，判断并输出覆冰厚度；步骤5：分析模型训练分类结果，提取覆冰图像的覆冰厚度信息。我国电力覆冰监测实时性和有效性存在不足，只要原因是改善传感器监测效果主要从硬件方面加以改进；本专利技术从覆冰图像数据入手，研究了一种更加快速、准确监测覆冰状态的方法，及时排除故障隐患，提高了电网覆冰监测系统的可靠性，保障电力系统安全稳定运行。本专利技术将数字图像特征识别方法引入到输电线和杆塔的覆冰厚度检测中，利用图像中覆冰的形态特征自动提取厚度信息，为运维人员制定除冰计划，为保证电力系统安全稳定运行提供了一种新的直观而智能化的手段。说明书附图图1是本专利技术实施例的流程示意图；图2是本专利技术实施例的原始覆冰图像；图3是本专利技术实施例的迭代法分割图像结果；图4是本专利技术实施例的自动阈值的LoG算子边缘检测结果；图5是本专利技术实施例的自动阈值的Prewitt算子边缘检测结果；图6是本专利技术实施例的自动阈值的Sobel算子边缘检测结果；图7是本专利技术实施例的卷积神经网络特征提取示意图；图8是本专利技术实施例的卷积过程示意图；图9是本专利技术实施例的池化过程示意图；图10是本专利技术实施例的各结构的卷积神经网络遍历数据1次识别精度对比；图11是本专利技术实施例的各结构的卷积神经网络遍历数据5次识别精度对比；图12是本专利技术实施例的各结构的卷积神经网络遍历数据10次识别精度对比；图13是本专利技术实施例的各结构的卷积神经网络遍历数据15次识别精度对比；图14是本专利技术实施例的各结构的卷积神经网络遍历数据20次识别精度对比；图15是本专利技术实施例的卷积神经网络不同模型识别误差对比。具体实施方式为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。请见图1，本专利技术提供的一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，包括以下步骤：步骤1：从电网部门的覆冰监测系统中收集覆冰图像数据和对应的应拉力监测数据；收集的覆冰图像，包括输电线、杆塔、金具、电气设备如变压器等覆冰图像，收集的覆冰图像应尽量清晰；收集的应拉力数据包括杆塔型号、位置和应拉力传感器测量的等值覆冰厚度。步骤2：对原始图像进行预处理，将图像尺寸调整至相同，建立覆冰图像数据集；对原始图像进行预处理，包括图像分割和边缘提取；图像分割是将图像分成各具特性的区域并提取出感兴趣目标的技术和过程；阀值分割是图像分割中常用的一种方法，所有灰度大于或等于阀值的像素被判定为属于物体，灰度值用“255”表示前景，否则这些像素点被排除在物体区域以外，阀值分割包括双峰法和迭代法；双峰法将图像分成前景和背景两部分，图像的灰度分布曲线近似认为是由两个正态分布函数和叠加而成，图像的直方图将会出现两个分离的峰值，双峰之间的波谷处就是图像的阀值所在；迭代法是对双峰法的改进，首先选择一个近似阀值T，将图像分割成部分R1和R2，计算区域R1和R2的均值μ1和μ2，选择新的分割阀值T＝(μ1+μ2)/2，重复上述步骤直到μ1和μ2不再变化为止，本专利技术使用迭代法对图像进行图像分割处理；边缘提取首先检测图像中的边缘点，再将边沿点连接成轮廓，从而构成分割区域，由于边缘是所要提取目标和背景的分界线，提取出边缘才能将目标和背景分开，梯度模算子具有位移不变性和各向同性质的性质，适用于边缘检测，而灰度变化的方向，即边界的方向则可以由θg＝arctan(fy/fx)确定，其中fx和fy分别是x和y的方向模，θg是连续图像边缘检测梯度最大值的方向；本专利技术将算子以微分算子形式表示，然后用快速卷积函数来实现。步骤3：建立深度学习卷积神经网络模型，针对图片数量和尺寸，建立相应合适的模型参数，设置每层网络的单元数和激活函数；建立深度学习卷积神经网络，是基于BP神经网络改造的一种深度学习模型，其权值共享网络结构可降低了网络模型的复杂度，减少了权值的数量，该优点在网络的输入是多维图像时表现的更为明显，使图像可以直接作为网络的输入，避免了传统识别算法中复杂的特征提取和数据重建过程；在卷积层中用卷积核去卷积该层的输入。首先将上一层的每个输出特征图位置相同的数据与该层的卷积核进行卷积，再将同一位置卷积所有结果相加，得到该本文档来自技高网...

【技术保护点】
一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于，包括以下步骤：步骤1：获取覆冰图像数据和对应的应拉力监测数据；步骤2对原始覆冰图像进行预处理，将原始覆冰图像的尺寸处理成尺寸大小一致的图像，用拉力传感器测量的覆冰厚度作为图像标签；步骤3：建立深度学习卷积神经网络模型，针对图像数量和尺寸，建立相应的模型参数，设置每层网络的单元数和激活函数；步骤4：调整权值并训练模型，对图像进行特征提取和组合，判断并输出覆冰厚度；步骤5：分析模型训练分类结果，提取覆冰图像的覆冰厚度信息。

【技术特征摘要】
1.一种基于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于，包括以下步骤：步骤1：获取覆冰图像数据和对应的应拉力监测数据；步骤2对原始覆冰图像进行预处理，将原始覆冰图像的尺寸处理成尺寸大小一致的图像，用拉力传感器测量的覆冰厚度作为图像标签；步骤3：建立深度学习卷积神经网络模型，针对图像数量和尺寸，建立相应的模型参数，设置每层网络的单元数和激活函数；步骤4：调整权值并训练模型，对图像进行特征提取和组合，判断并输出覆冰厚度；步骤5：分析模型训练分类结果，提取覆冰图像的覆冰厚度信息。2.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤1中所述覆冰图像，包括输电线覆冰图像、杆塔覆冰图像、金具覆冰图像、电气设备覆冰图像；所述应拉力监测数据包括杆塔型号、位置、覆冰等值厚度。3.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤2中所述对原始覆冰图像进行预处理，包括图像分割和边缘提取；所述图像分割是使用迭代法对图像进行图像分割处理，所述边缘提取中梯度模算子以微分算子形式表示，用快速卷积函数来实现。4.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤3中所述建立深度学习卷积神经网络，是基于BP神经网络改造的一种深度学习模型，在卷积层中用卷积核去卷积该层的输入，首先将上一层的每个输出特征图位置相同的数据与该层的卷积核进行卷积，再将同一位置卷积所有结果相加，得到该层输出特征图对应位置的输出。5.根据权利要求4所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：为了减少参数数量，降低模型训练难度，采用权值共享机制，同一张输出特征图使用同一个卷积核，每一次卷积核都各自对应的滤波器与其对应，一个卷积核只提取一种特征，保证特征提取不发生混叠。6.根据权利要求1所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤4中所述对建立的卷积神经网络进行训练和测试，其训练过程包括如下子步骤：步骤4.1：计算灵敏度和误差更正；步骤4.2：前向传播；步骤4.3：反向传播；步骤4.4：特征组合；对于提取的每个特征赋予权值，反复进行前向传播与反向传播更正误差并调整权值，达到特征优化组合的目的。7.根据权利要求6所述的于深度学习的输电线路覆冰图像中覆冰厚度检测方法，其特征在于：步骤4.1中，对于C分类问题，共有N个训练样本，表示第n个样本的第k类期望输出，表示第n个样本的第k类实际输出，则模型的输出层误差用理想输出与实际输出的均方差表示为：EN=12Σn=1NΣk=1C(tkn-ykn)2;]]>对于第n个样本，实际输出与理想输出的均方差可表示为：En=12Σk=1C(tkn-ykn)=12...

【专利技术属性】
技术研发人员：林刚，陈思远，王波，彭辉，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42