一种电力巡检图像的绝缘子缺陷定位方法技术

本发明专利技术提出了一种电力巡检图像的绝缘子缺陷定位方法，其步骤如下：利用绝缘子检测数据集对目标检测算法进行训练得到绝缘子识别模型；利用边缘分割数据集对改进的深度学习网络U

【技术实现步骤摘要】
一种电力巡检图像的绝缘子缺陷定位方法


[0001]本专利技术涉及输电线路巡检的
，尤其涉及一种电力巡检图像的绝缘子缺陷定位方法。

技术介绍

[0002]随着社会的发展和生产力的不断提升，电能在人们日常生活中扮演着不可或缺的角色，国家、社会、军事、生活等各方面大型设备的运转以及科研的顺利进行都离不开电能在其中发挥的作用。除了传统的火力发电，国家大力支持风力发电、太阳能发电等新型能源以平衡国民日益增长的用电量。据相关数据显示，中国近几年发电量稳居世界第一，是发电和用电的大国。
[0003]电力系统在国民的生产生活中具有举足轻重的地位，所以维护其稳定安全运行十分重要。架空输电线路是电力系统中重要的一部分，由线路塔杆、导线、绝缘子、接地设备等构成。其中，绝缘子是一种特殊的绝缘控件，它的主要功能是实现电气绝缘和机械固定。因此，绝缘子的状态直接影响到输电线路的正常运行。由于绝缘子长期暴露在空气中，经过长期的风吹氧化，绝缘子极易出现破损、掉串的情况，并且一些极端的天气如暴雨暴雪、雷电天气等也很容易使绝缘子出现缺陷。在这些情况下，绝缘子可能失去绝缘功能和机械固定的功能，严重威胁着电网的安全运行。所以，电网工作人员会定期对输电线路上的绝缘子进行巡察，确保电网的安全稳定运行。
[0004]电力巡检主要分为人工巡检和无人机巡检两种方式。人工巡检需要工作人员在输电塔杆进行作业，它具有以下几个缺点：高空作业难度太大，工作人员需要攀爬到十几米甚至几十米的电塔和输电线路上进行巡检，尤其是在地理环境复杂的地区，更是加大了人工巡检的难度；其次高空作业存在一定的安全隐患，工作人员在高空作业时，如果防护不当，可能出现意外；最后，由于工作人员受限于高空工作场地的影响而无法快速移动，使得人工巡检的效率很低。我国目前主要采用人工巡检的方式对电力设备进行检修，但随着社会的发展和科技的进步，国家电网正在尝试寻求新的方法来替代传统的人工巡检方式。近年来，四旋翼无人机走进了人们的生活，被广泛地应用到了航拍的领域。在电力行业，人们也在致力于研究利用四旋翼无人机进行电力巡检。利用无人机进行电力巡检弥补了人工巡检的一些缺点。首先无人机不会受限于周围地理环境的影响，在复杂的地貌环境下仍能够正常工作，无人机灵活自由的特点使其能够巡检到人工难以达到的地方，不仅降低了人工巡检可能对工作人员造成的风险，也大大降低了巡检的难度，同时也极大地提高了巡检的效率。
[0005]在无人机电力巡检的过程中会拍摄大量的巡检图像，如何对巡检图像进行处理、精准地对绝缘子缺陷进行检测是需要研究的重点内容。近年来基于深度学习的方法在图像处理领域取得了飞速发展，通过深度学习算法对巡检图像进行处理，可以让模型学习到绝缘子的相关特征，能够快速高效地识别和分割绝缘子，从而顺利完成缺陷检测。这个过程无需人为参与，减少了人为失误带来的误差，对电网的智能化发展具有重要的意义。

技术实现思路

[0006]针对现有图像处理方法不适合绝缘子缺陷检测的技术问题，本专利技术提出一种电力巡检图像的绝缘子缺陷定位方法，基于深度学习方法实现绝缘子的缺陷检测，对于维护电网的安全运行，提高电网的智能化程度具有一定的应用价值。
[0007]为了达到上述目的，本专利技术的技术方案是这样实现的：一种电力巡检图像的绝缘子缺陷定位方法，其步骤如下：
[0008]步骤一：将采集的巡检图像中的绝缘子进行标注，建立绝缘子检测数据集，利用绝缘子检测数据集对目标检测算法进行训练得到绝缘子识别模型；
[0009]步骤二：将采集的巡检图像中的绝缘子进行标注，建立边缘分割数据集，利用边缘分割数据集对改进的深度学习网络U
‑
Net进行训练，得到绝缘子分割模型；
[0010]步骤三：将待处理的巡检图像输入到绝缘子识别模型中进行检测，得到待处理的巡检图像的绝缘子数量和位置，并用方框进行标记；将标记后的图像输入到步骤二中的绝缘子分割模型进行分割，得到二值化的绝缘子图像；
[0011]步骤四：通过最小二乘法对二值化的绝缘子图像中的绝缘子串进行数学建模，利用数学建模对绝缘子缺陷进行检测，判别绝缘子串缺陷的位置和数量。
[0012]所述步骤一中使用LabelImg软件对巡检图像中的绝缘子进行标注，将巡检图像中所有的绝缘子用方框框起来，并选择物体所属的类目，建立绝缘子检测数据集；并通过水平翻转、随机裁剪和缩放变换的数据扩增方法增加绝缘子检测数据集的数据量；
[0013]所述步骤二中使用Labelme软件对巡检图像中的绝缘子进行标注，采用Canny算子进行边缘提取作为边缘分割数据集，同时采用翻转、随机裁剪和缩放变换的方式增加边缘分割数据集的数据量；
[0014]完成一张图片上所有绝缘子的标注后，Labelme软件生成json文件，json文件记录了所标注的每个绝缘子的信息；批量地将所有巡检图像的json文件转换成掩码标签文件，将掩码标签文件进行二值化处理，得到边缘分割数据集。
[0015]所述目标检测算法采用基于GIoU策略的YOLOv3算法，且采用迁移学习、小批量梯度下降方法对绝缘子识别模型进行训练。
[0016]所述的GIoU策略的实现方法为：
[0017]1)计算实际框B
g
的面积：其中，实际框B
p
的边界框坐标为
[0018]2)计算预测框B
p
的面积：其中，预测框B
p
的边界框坐标为且且
[0019]3)计算预测框B
p
和实际框B
g
的交集I：
[0020][0021][0022][0023]4)找到最小封闭框B
c
的坐标：
[0024][0025][0026]5)计算最小封闭框B
c
的面积：
[0027]6)计算交并比其中U＝A
p
+A
g
‑
I；
[0028]7)
[0029]8)计算损失函数L
IoU
＝1
‑
IoU,L
GIOU
＝1
‑
GIoU。
[0030]所述改进的深度学习网络U
‑
Net中增加了多任务学习的思想，在分割任务的基础上引入了边缘提取任务作为网络分支；改进的深度学习网络U
‑
Net中加入了ECA注意力机制模块。
[0031]所述边缘提取任务相当于对分割任务的网络进行深监督，提取解码器最终输出的特征图用于辅助的边缘提取网络分支；所述多任务学习的思想是在主干网络的基础上增加一条支路来对边缘进行分割，主干网络采用经典的编码
‑
解码结构，由一个编码器和两个解码器组成，编码器用于提取特征图，两个解码器分别用于对边缘信息的提取和对整个绝缘子轮廓的提取。
[0032]所述改进的深度学习网络U
‑
Net分成压缩路径和扩展路径两个部分，压缩路径是由4个 bl本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力巡检图像的绝缘子缺陷定位方法，其特征在于，其步骤如下：步骤一：将采集的巡检图像中的绝缘子进行标注，建立绝缘子检测数据集，利用绝缘子检测数据集对目标检测算法进行训练得到绝缘子识别模型；步骤二：将采集的巡检图像中的绝缘子进行标注，建立边缘分割数据集，利用边缘分割数据集对改进的深度学习网络U
‑
Net进行训练，得到绝缘子分割模型；步骤三：将待处理的巡检图像输入到绝缘子识别模型中进行检测，得到待处理的巡检图像的绝缘子数量和位置，并用方框进行标记；将标记后的图像输入到步骤二中的绝缘子分割模型进行分割，得到二值化的绝缘子图像；步骤四：通过最小二乘法对二值化的绝缘子图像中的绝缘子串进行数学建模，利用数学建模对绝缘子缺陷进行检测，判别绝缘子串缺陷的位置和数量。2.根据权利要求1所述的电力巡检图像的绝缘子缺陷定位方法，其特征在于，所述步骤一中使用LabelImg软件对巡检图像中的绝缘子进行标注，将巡检图像中所有的绝缘子用方框框起来，并选择物体所属的类目，建立绝缘子检测数据集；并通过水平翻转、随机裁剪和缩放变换的数据扩增方法增加绝缘子检测数据集的数据量；所述步骤二中使用Labelme软件对巡检图像中的绝缘子进行标注，采用Canny算子进行边缘提取作为边缘分割数据集，同时采用翻转、随机裁剪和缩放变换的方式增加边缘分割数据集的数据量；完成一张图片上所有绝缘子的标注后，Labelme软件生成json文件，json文件记录了所标注的每个绝缘子的信息；批量地将所有巡检图像的json文件转换成掩码标签文件，将掩码标签文件进行二值化处理，得到边缘分割数据集。3.根据权利要求1或2所述的电力巡检图像的绝缘子缺陷定位方法，其特征在于，所述目标检测算法采用基于GIoU策略的YOLOv3算法，且采用迁移学习、小批量梯度下降方法对绝缘子识别模型进行训练。4.根据权利要求3所述的电力巡检图像的绝缘子缺陷定位方法，其特征在于，所述的GIoU策略的实现方法为：1)计算实际框B
g
的面积：其中，实际框B
p
的边界框坐标为2)计算预测框B
p
的面积：其中，预测框B
p
的边界框坐标为且且3)计算预测框B
p
和实际框B
g
的交集I：的交集I：的交集I：
4)找到最小封闭框B
c
的坐标：的坐标：5)计算最小封闭框B
c
的面积：6)计算交并比其中U＝A
p
+A
g
‑
I；7)8)计算损失函数L
IoU
＝1
‑
IoU,L
GIOU
＝1
‑
GIoU。5.根据权利要求1所述的电力巡检图像的绝缘子缺陷定位方法，其特征在于，所述改进的深度学习网络U
‑
Net中增加了多任务学习的思想，在分割任务的基础上引入了边缘提取任务作为网络分支；改进的深度学习网络U
‑
Net中加入了ECA注意力机制模块。6.根据权利要求5所述的电力巡检图像的绝缘子缺陷定位方法，其特征在于，所述边缘提取任务相当于对分割任务的网络进行深监督，提取解码器最终输出的特征图用于辅助的边缘提取网络分支；所述多任务学习的思想是在主干网络的基础上增加一条支路来对边缘进行分割，主干网络采用经典的编码
‑
解码结构，由一个编码器和两个解码器组...

【专利技术属性】
技术研发人员：姚利娜，秦尧尧，曹栋，
申请(专利权)人：郑州大学，
类型：发明
国别省市：