基于人工智能的杆塔附件缺陷巡检图像排查方法及系统技术方案

本发明专利技术公开了一种基于人工智能的杆塔附件缺陷巡检图像排查方法及系统，包括如下步骤：收集杆塔上各类型附件的图像，对图像中的附件标注外围框，将标注后的图像分为训练集和测试集；建立卷积神经网络，将训练集输入卷积神经网络利用R‑CNN算法建立附件缺陷识别模型；设定判别阈值，将测试集输入附件缺陷识别模型中进行缺陷识别，将测试集中已标注的图像与缺陷识别结果进行对比计算判别准确率；将判别准确率与判别阈值进行比较，若判别准确率大于判别阈值，采集新的图像进行缺陷判别，否则采用弹性变换算法对训练集中的图像进行更新，利用更新后胡训练集对模型重新训练。本发明专利技术能快速精准帮助运维员判断缺陷类型，便于及时有效的消除缺陷。

【技术实现步骤摘要】
基于人工智能的杆塔附件缺陷巡检图像排查方法及系统
本专利技术属于电网设备状态检测
，具体涉及一种基于人工智能的杆塔附件缺陷巡检图像排查系统及方法。
技术介绍
随着人工智能
的不断革新，采用图像识别等新技术推动电力输电巡检业务发展成为近年来电网行业的重大课题。输电线路运行状态识别智能化工作的主要内容包括输电线路运行状态识别智能化、输电线路缺陷识别智能化和输电线路隐患识别智能化三个方面。传统的模式识别技术已经无法满足新形势下的输电立体化巡检发展需求，无法高精准的对小部件、复杂背景缺陷、隐患等进行识别，需要结合人工智能技术对架空输电线路设备本体缺陷及通道环境内的异常及风险情况进行识别分析。
技术实现思路
针对传统模式识别技术无法高精准识别小部件缺陷及隐患的问题，本专利技术提出了一种基于人工智能的杆塔附件缺陷巡检图像排查系统及方法。为解决以上技术问题，本专利技术所采用的技术方案如下：一种基于人工智能的杆塔附件缺陷巡检图像排查系统，包括如下步骤：S1，收集杆塔上各类型附件的图像，并对图像中的附件进行本文档来自技高网...

【技术保护点】
1.一种基于人工智能的杆塔附件缺陷巡检图像排查方法，其特征在于，包括如下步骤：/nS1，收集杆塔上各类型附件的图像，并对图像中的附件进行外围框标注，将标注后的图像分为训练集和测试集；/nS2，建立卷积神经网络，将步骤S1中的训练集输入卷积神经网络利用R-CNN算法建立附件缺陷识别模型；/nS3，设定判别阈值，将测试集输入步骤S2所建立的附件缺陷识别模型中进行缺陷识别，将测试集中已标注的图像与所输出的缺陷识别结果进行对比计算判别准确率；/nS4，将步骤S3所获得的判别准确率与判别阈值进行比较，若判别准确率大于判别阈值，执行步骤S5，否则返回步骤S2，并采用弹性变换算法对训练集中的图像进行更新；/...

【技术特征摘要】
1.一种基于人工智能的杆塔附件缺陷巡检图像排查方法，其特征在于，包括如下步骤：
S1，收集杆塔上各类型附件的图像，并对图像中的附件进行外围框标注，将标注后的图像分为训练集和测试集；
S2，建立卷积神经网络，将步骤S1中的训练集输入卷积神经网络利用R-CNN算法建立附件缺陷识别模型；
S3，设定判别阈值，将测试集输入步骤S2所建立的附件缺陷识别模型中进行缺陷识别，将测试集中已标注的图像与所输出的缺陷识别结果进行对比计算判别准确率；
S4，将步骤S3所获得的判别准确率与判别阈值进行比较，若判别准确率大于判别阈值，执行步骤S5，否则返回步骤S2，并采用弹性变换算法对训练集中的图像进行更新；
S5，采集新的图像，利用附件缺陷识别模型对新的图像进行缺陷识别，输出附件类型及对应的缺陷图像。


2.根据权利要求1所述的基于人工智能的杆塔附件缺陷巡检图像排查方法，其特征在于，在步骤S1中，各类型附件是指间隔棒、防震锤和均压环。


3.根据权利要求1或2所述的基于人工智能的杆塔附件缺陷巡检图像排查方法，其特征在于，在步骤S2中，建立附件缺陷识别模型的方法包括以下步骤：
S2.1，利用DPM算法从训练集的图像中分别提取候选区域；
S2.2，对...

【专利技术属性】
技术研发人员：邵震，楚长鲲，盛从兵，谷延超，王现，吴述伟，安金聚，孙建军，李新帅，
申请(专利权)人：国网河南省电力公司濮阳供电公司，国家电网有限公司，
类型：发明
国别省市：河南;41