一种用于无人机巡检输电线路的绝缘子检测方法技术

本发明专利技术提供一种用于无人机巡检输电线路的绝缘子检测方法，涉及目标检测技术领域，包括以下步骤：S1、获取无人机巡检输电线路的航拍绝缘子图像，建立训练集和测试集；S2、建立基于深度学习的绝缘子检测模型；S3、将训练集的绝缘子图像输入检测模型，进行网络设置，重复迭代训练得到绝缘子检测模型；S4、将测试集绝缘子图像输入到训练好的绝缘子检测模型，输出测试集图像中绝缘子的检测结果。本发明专利技术在有效提取复杂环境下的目标特征、保证检测精度的同时，占用较少的内存资源；有效实现对巡检图像中的绝缘子目标的定位，同时可以对巡检获得的图像进行筛选，减轻人工筛选的负担，有着广阔的应用前景。的应用前景。的应用前景。

【技术实现步骤摘要】
一种用于无人机巡检输电线路的绝缘子检测方法


[0001]本专利技术涉及数字图像处理及目标检测技术在输电线路设备检测
，具体涉及一种用于无人机巡检输电线路的绝缘子检测方法。

技术介绍

[0002]随着架空输配电网络分布越来越广泛，电力线路定期巡检作为一项保障电力持续供应、电力设施安全运作重要工作。绝缘子作为电力线路中不可或缺的部件，具有电气绝缘和机械支撑的双重作用。绝缘子裂缝、表面污染和损坏等故障极有可能危害电力系统的安全运行，造成电网出现大面积停电或巨大的经济损失。传统的绝缘子检测，一般采用人工巡检方法，这种方法虽然简单，但效率极低，并且有一定的危险性。在现有的电力线路巡检流程中，巡线人员手持拍摄设备对绝缘子进行照片拍摄或肉眼识别。通常首先通过无人机或巡线人员手持拍摄设备对绝缘子进行照片拍摄或肉眼识别。在巡检完成后，需要花费时间浏览识别巡检过程中拍摄图片，进行人工对绝缘子故障识别，这是一项极为耗时且容易出现误检和漏检。
[0003]随着各国电力需求的不断扩大，无人机和高清摄像头等智能设备的发展，图像处理、机器学习以及深度学习等技术的不断成熟，无人机搭载图像采集设备已成为输电线路巡检的主要方式。利用传统图像处理方法和深度学习方法实现航拍图像中绝缘子检测，已经取得了显著的成果。传统图像处理方法依赖于各种特征提取算法且对背景干扰十分敏感，针对不同类型的绝缘子故障，需要设计不同的特征提取方法，不可能同时设计一个检测模型实现多绝缘子故障检测。基于深度学习模型检测绝缘子可以达到良好的性能，并且有潜力满足实时应用的需求。YOLO
‑
v2和YOLO
‑
v3作为典型的端到端目标检测模型在目标检测领域得到了广泛应用，并取得了良好的检测效果。然而由于YOLO
‑
v2和YOLO
‑
v3网络层数较多，模型训练后的权重文件比较大，在实际应用在占用较大的内存资源，不宜应用于无人机进行输电线路中绝缘子实时检测。YOLO
‑
tiny在运行时间和内存存储方面都取得了良好的性能，但是由于航拍图像不同的拍摄角度和拍摄距离，在复杂的背景下难以准确地检测绝缘子。

技术实现思路

[0004](一)解决的技术问题
[0005]本专利技术针对YOLO
‑
v2和YOLO
‑
v3检测模型占用较大的内存资源，不宜应用于无人机进行输电线路中绝缘子实时检测的缺陷问题，提供了一种用于无人机巡检输电线路的绝缘子检测方法。
[0006](二)技术方案
[0007]为实现以上目的，本专利技术通过以下技术方案予以实现：
[0008]一种用于无人机巡检输电线路的绝缘子检测方法，包括以下步骤：
[0009]S1、获取无人机巡检输电线路的航拍绝缘子图像，建立用于深度学习模型检测绝
缘子的训练集和测试集；
[0010]S2、建立基于深度学习的绝缘子检测模型，所述检测模型具体包含依次连接的骨干网络层、特征融合网络层、空间金字塔池化层、目标检测层；
[0011]S3、将步骤S1所述训练集的绝缘子图像输入步骤S2所述的检测模型，进行网络设置，重复迭代训练得到绝缘子检测模型；
[0012]S4、将步骤S1所述测试集绝缘子图像输入到步骤S3训练好的绝缘子检测模型，输出测试集图像中绝缘子的检测结果。
[0013]根据本专利技术的一实施例，所述步骤S1选取无人机航拍绝缘子图像4500张，图像分辨率调整为416
×
416；利用Label
‑
Image标注工具对图像中的绝缘子位置进行标注，建立绝缘子检测数据集；选取3000张标注后的绝缘子图像作为训练集，其余1500张绝缘子图像用作测试集。
[0014]根据本专利技术的一实施例，所述步骤S2中用于绝缘子检测的深度学习模型包括骨干网络层、特征融合网络层、金字塔池化层、目标检测层；所述检测模型的输入特征为416
×
416
×
3，所述骨干网络层用于提取绝缘子图像特征，所提取的图像特征大小分别为208
×
208
×
16、104
×
104
×
32、52
×
52
×
64、26
×
26
×
128、13
×
13
×
256、13
×
13
×
512、13
×
13
×
1024；所述特征融合网络层对52
×
52、26
×
26、13
×
13三个尺度的特征进行融合处理，特征融合网络层的三个输入分别是52
×
52
×
64、26
×
26
×
128、13
×
13
×
1024，特征融合网络层的三个输出分别为52
×
52
×
128、26
×
26
×
256、13
×
13
×
512；所述金字塔池化层的输入与特征融合网络层的输出相连接，金字塔池化层的输出图像特征的大小分别为52
×
52
×
512、26
×
26
×
1024、13
×
13
×
2048；所述目标检测层的输入与金字塔池化层的输出相连接，目标检测层分别对52
×
52、26
×
26、13
×
13三个尺度的绝缘子图像进行预测。
[0015]根据本专利技术的一实施例，所述骨干网络层包括第一卷积层、第一池化层、第二卷积层、第二池化层、第一残差模块、第二残差模块、第三残差模块、第十四卷积层、第三池化层、第十五卷积层并依次连接，所述第一残差模块由第三卷积层、第四卷积层、第五卷积层组成，所述第二残差模块由第六卷积层、第七卷积层、第八卷积层、第九卷积层、第十卷积层组成，所述第三残差模块由第十一卷积层、第十二卷积层、第十三卷积层组成。
[0016]根据本专利技术的一实施例，输入的绝缘子图像大小为416
×
416
×
3，输入图像与第一卷积层相连，第一卷积层为3
×3×
16卷积层，第一卷积层的输出与第一池化层相连，第一池化层为2
×
2步长为2的最大池化层，输出为208
×
208
×
16，第一池化层的输出与第二卷积层相连；第二卷积层为3
×3×
32卷积层，第二卷积层的输出与第二池化层相连，第二池化层为2
×
2步长为2的最大池化层，输出为104
×
104
×
3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于无人机巡检输电线路的绝缘子检测方法，其特征在于，包括以下步骤：S1、获取无人机巡检输电线路的航拍绝缘子图像，建立用于深度学习模型检测绝缘子的训练集和测试集；S2、建立基于深度学习的绝缘子检测模型，所述检测模型具体包含依次连接的骨干网络层、特征融合网络层、空间金字塔池化层、目标检测层；S3、将步骤S1所述训练集的绝缘子图像输入步骤S2所述的检测模型，进行网络设置，重复迭代训练得到绝缘子检测模型；S4、将步骤S1所述测试集绝缘子图像输入到步骤S3训练好的绝缘子检测模型，输出测试集图像中绝缘子的检测结果。2.如权利要求1所述的一种用于无人机巡检输电线路的绝缘子检测方法，其特征在于：所述步骤S1选取无人机航拍绝缘子图像4500张，图像分辨率调整为416
×
416；利用Label
‑
Image标注工具对图像中的绝缘子位置进行标注，建立绝缘子检测数据集；选取3000张标注后的绝缘子图像作为训练集，其余1500张绝缘子图像用作测试集。3.如权利要求1所述的一种用于无人机巡检输电线路的绝缘子检测方法，其特征在于，所述步骤S2中用于绝缘子检测的深度学习模型包括骨干网络层、特征融合网络层、金字塔池化层、目标检测层；所述检测模型的输入特征为416
×
416
×
3，所述骨干网络层用于提取绝缘子图像特征，所提取的图像特征大小分别为208
×
208
×
16、104
×
104
×
32、52
×
52
×
64、26
×
26
×
128、13
×
13
×
256、13
×
13
×
512、13
×
13
×
1024；所述特征融合网络层对52
×
52、26
×
26、13
×
13三个尺度的特征进行融合处理，特征融合网络层的三个输入分别是52
×
52
×
64、26
×
26
×
128、13
×
13
×
1024，特征融合网络层的三个输出分别为52
×
52
×
128、26
×
26
×
256、13
×
13
×
512；所述金字塔池化层的输入与特征融合网络层的输出相连接，金字塔池化层的输出图像特征的大小分别为52
×
52
×
512、26
×
26
×
1024、13
×
13
×
2048；所述目标检测层的输入与金字塔池化层的输出相连接，目标检测层分别对52
×
52、26
×
26、13
×
13三个尺度的绝缘子图像进行预测。4.如权利要求3所述的一种用于无人机巡检输电线路的绝缘子检测方法，其特征在于，所述骨干网络层包...

【专利技术属性】
技术研发人员：刘景景，
申请(专利权)人：池州学院，
类型：发明
国别省市：