一种输变电线路设备的故障数据库半自动化建立方法技术

本发明专利技术公开了一种输变电线路设备的故障数据库半自动化建立方法，包括以下步骤：采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库。本发明专利技术所述的一种输变电线路设备的故障数据库半自动化建立方法，首先解决了输变电线路设备及故障数据库的自动分类、检测和存储问题，完成输变电线路设备及故障数据库半自动化建立工作，其次将模型训练‑智能分类‑智能测试‑模型优化等工作一体化，形成完整闭环，构造出一个可自主优化的数据库系统，最后可以快速、高效的建立适用于深度学习的输变电线路关键设备及故障数据集，解决了数据集构造难的问题，带来更好的使用前景。

A Semi-automatic Method for Fault Database Establishment of Transmission and Transfer Line Equipment

【技术实现步骤摘要】
一种输变电线路设备的故障数据库半自动化建立方法
本专利技术涉及电力系统和计算机视觉领域，特别涉及一种输变电线路设备的故障数据库半自动化建立方法。
技术介绍
输变电线路作为电力行业的重要基础设施，是电网的重要组成部分，输电线路关键部件主要包括绝缘子、金具及杆塔等，若部件出现问题，则会危及整个电网运行的稳定性，深度学习自2006年以来，在某种程度上可以说是引领了一场大数据时代下的科技革命，2012年，更是在图像识别与目标检测中取得了非常好的效果，目前，深度学习在人脸识别、特定种类的目标检测上，大大优于传统方法，识别效果非常好，但在具体工程应用：例如输变电线路设备及故障检测上，识别效果就相差甚远。其根本原因在于，缺乏输变电线路关键设备及故障数据集，目前，国际公开的PASCALVOC、ImageNet、MS-COCO、OpenImagesDataset、Sun等数据集中，没有公开的输变电线路关键设备及故障数据集，这一问题给该领域的研究造成了极大的困难，而在制作数据集过程中，还存在以下两点问题：1.人工分类数据，耗时耗力，数据采集后，数据格式，一般为照片或视频，采集过程中无法保证拍摄内容的高质量，需要人工进行初步质量筛选，其次，数据采集内容为多个部件，而人工在对单目标部件寻找故障时，需要先对所有数据进行人工分类，再针对特定目标部件进行故障寻找工作，整个过程消耗大量人力、物力和财力，严重拖延了工作进度；2.标记工作量大，针对单个部件或故障数据集，没有一个完备的数据分析方法，导致数据集中存在大量对模型影响小的数据，从而使得需要标记的图片数量大，加大了标记工作的工作量，延长数据集准备时间，浪费大量人力；3.针对模型优化工作，还存在模型测试结果利用难的问题，模型优化工作，是深度学习目标检测的根本，从模型测试结果入手，分析未检测到的图像，以模型和数据集重构两个方向进一步推进，才能完成模型优化工作，而在数据集重构过程中，需要分析得到未检测到的图像特征，从所有数据集中重新寻找数据，预处理后，按比例重构数据集，从而优化模型，此过程，需要深入分析图像特征，并且重复数据寻找和标记工作，给模型优化工作加大了难度。因此，专利技术一种基于深度学习的输变电线路设备及故障数据库半自动化建立方法，具有非常重要的实用价值，对输变电线路故障巡检工作智能化的提升有重要意义。
技术实现思路
本专利技术的主要目的在于提供一种输变电线路设备的故障数据库半自动化建立方法，可以有效解决
技术介绍
中的问题。为实现上述目的，本专利技术采取的技术方案为：一种输变电线路设备的故障数据库半自动化建立方法，包括以下步骤：(1)、采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库；(2)、数据分析：分析获取目标部件的特征信息，挑选出特征信息明显且图片质量高的部分数据，进行目标部件标注工作，标注文件与图片名一一对应；(3)、数据分类：基于深度学习目标检测原理，将标注好的数据集，按照8:2的比例，随机分为训练集和测试集，进行模型训练工作；(4)、寻找最优模型：对两组模型进行模型训练，一种模型采用结合regionproposal和CNN网络的R-CNN系列目标检测模型，主要包括R-CNN、SPP-Net、FastR-CNN、FasterR-CNN和R-FCN，另一种模型采用将目标检测转换为回归问题的模型，主要包括YOLO系列和SSD；(5)、分析模型测试结果：选取整体结果最优模型，用以对剩余未使用数据和新采集的数据进行智能分类存储与故障检测工作，并将结果录入到分类数据库系统中；(6)、建立数据集：利用步骤(5)的分类结果，重复步骤(2)，建立适用于深度学习的输变电线路关键设备及故障数据集；(7)、结果检测：定期检查分类存储结果，对结果不符合模型的数据深入分析其图像特征，并寻找与其特征相似的数据进行数据集重构，调整模型参数，进而优化模型。优选的，所述步骤(1)中，数据采集装置采用无人机加载高清摄像头或长焦镜头单反，数据采集时以数据流的模式，批量获取输变电线路设备及设备故障图片和视频。优选的，所述步骤(2)中，图片质量高的标准为图片像素大于600万，图片无重影且无遮挡物。优选的，所述步骤(3)中，数据集还可以按照7～9:1～3的比例进行进行分类。优选的，所述步骤(5)中，分析模型测试结果时分析测试结果的准确率、召回率、AP值、mAP值和测试结果图片。优选的，所述步骤(7)中，图像特征包括但不局限于图像的颜色特征、纹理特征、形状特征和空间关系特征。优选的，所述步骤(7)中，定期检查分类存储结果的时间为3-15天。与现有技术相比，本专利技术具有如下有益效果：1、大大减轻输变电线路巡检工作人员的工作量，利用少部分数据，训练模型，用以检测未来大部分数据的筛选、分类工作，节省了大量人力、物力的消耗，节约成本；2、采用深度学习目标检测原理，使电力巡检工作智能化，通过训练好的输变电线路关键设备故障模型，自动对全部数据进行故障识别和存储工作，一经发现、立即检修，解决了输变电线路设备及故障数据库的自动分类、检测和存储问题，完成输变电线路设备及故障数据库半自动化建立工作，相比于传统人工寻找的方法，减少了寻找故障的时间，让电力巡检工作高效化，同时大大减小了电网的安全隐患；3、将模型训练-智能分类-智能测试-模型优化等工作一体化，形成完整闭环，构造出一个实用性强、优化性强的智能分类、故障检测数据库系统；4、为基于深度学习的电力系统输变电线路研究工作，提供数据支持，利用本数据库中已分类好的数据，可以快速、高效的建立适用于深度学习的输变电线路关键设备及故障数据集，为后续深度学习模型算法的优化与改进工作，提供数据集。附图说明图1为本专利技术一种输变电线路设备的故障数据库半自动化建立方法的整体方法流程图；图2为本专利技术一种输变电线路设备的故障数据库半自动化建立方法的整体流程图。具体实施方式为使本专利技术实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本专利技术。实施例1(1)、采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库，数据采集装置采用无人机加载高清摄像头或长焦镜头单反，数据采集时以数据流的模式，批量获取输变电线路设备及设备故障图片和视频；(2)、数据分析：分析获取目标部件的特征信息，挑选出特征信息明显且图片质量高的部分数据，进行目标部件标注工作，标注文件与图片名一一对应，图片质量高的标准为图片像素大于600万，图片无重影且无遮挡物；(3)、数据分类：基于深度学习目标检测原理，将标注好的数据集，按照7:3的比例，随机分为训练集和测试集，进行模型训练工作；(4)、寻找最优模型：对两组模型进行模型训练，一种模型采用结合regionproposal和CNN网络的R-CNN系列目标检测模型，主要包括R-CNN、SPP-Net、FastR-CNN、FasterR-CNN和R-FCN，另一种模型采用将目标检测转换为回归问题的模型，主要包括YOLO系列和SSD；(5)、分析模型测试结果：选取整体结果最优模型，用以对剩余未使用数据和新采集的数据进行智能分类存储与故障检测工作，并将结果录入到分类数据库系统中，分析模型测试本文档来自技高网...

【技术保护点】
1.一种输变电线路设备的故障数据库半自动化建立方法，包括以下步骤：(1)、采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库；(2)、数据分析：分析获取目标部件的特征信息，挑选出特征信息明显且图片质量高的部分数据，进行目标部件标注工作，标注文件与图片名一一对应；(3)、数据分类：基于深度学习目标检测原理，将标注好的数据集，按照8:2的比例，随机分为训练集和测试集，进行模型训练工作；(4)、寻找最优模型：对两组模型进行模型训练，一种模型采用结合region proposal和CNN网络的R‑CNN系列目标检测模型，主要包括R‑CNN、SPP‑Net、Fast R‑CNN、Faster R‑CNN和R‑FCN，另一种模型采用将目标检测转换为回归问题的模型，主要包括YOLO系列和SSD；(5)、分析模型测试结果：选取整体结果最优模型，用以对剩余未使用数据和新采集的数据进行智能分类存储与故障检测工作，并将结果录入到分类数据库系统中；(6)、建立数据集：利用步骤(5)的分类结果，重复步骤(2)，建立适用于深度学习的输变电线路关键设备及故障数据集；(7)、结果检测：定期检查分类存储结果，对结果不符合模型的数据深入分析其图像特征，并寻找与其特征相似的数据进行数据集重构，调整模型参数，进而优化模型。...

【技术特征摘要】
1.一种输变电线路设备的故障数据库半自动化建立方法，包括以下步骤：(1)、采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库；(2)、数据分析：分析获取目标部件的特征信息，挑选出特征信息明显且图片质量高的部分数据，进行目标部件标注工作，标注文件与图片名一一对应；(3)、数据分类：基于深度学习目标检测原理，将标注好的数据集，按照8:2的比例，随机分为训练集和测试集，进行模型训练工作；(4)、寻找最优模型：对两组模型进行模型训练，一种模型采用结合regionproposal和CNN网络的R-CNN系列目标检测模型，主要包括R-CNN、SPP-Net、FastR-CNN、FasterR-CNN和R-FCN，另一种模型采用将目标检测转换为回归问题的模型，主要包括YOLO系列和SSD；(5)、分析模型测试结果：选取整体结果最优模型，用以对剩余未使用数据和新采集的数据进行智能分类存储与故障检测工作，并将结果录入到分类数据库系统中；(6)、建立数据集：利用步骤(5)的分类结果，重复步骤(2)，建立适用于深度学习的输变电线路关键设备及故障数据集；(7)、结果检测：定期检查分类存储结果，对结果不符合模型的数据深入分析其图像特征，并寻找与其特征...

【专利技术属性】
技术研发人员：杨罡，芦竹茂，杨虹，郝丽花，孟晓凯，张兴忠，
申请(专利权)人：国网山西省电力公司电力科学研究院，山西鸿顺通科技有限公司，
类型：发明
国别省市：山西,14