输电线路防振锤脱落的检测方法、装置、介质及终端设备制造方法及图纸

本发明专利技术公开了一种输电线路防振锤脱落的检测方法，包括：获取防振锤图像样本集；通过对防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集；通过正常样本训练集和缺陷样本训练集对预先基于迁移学习算法搭建的FasterR

【技术实现步骤摘要】
输电线路防振锤脱落的检测方法、装置、介质及终端设备


[0001]本专利技术涉及遥感影像
，尤其涉及一种输电线路防振锤脱落的检测方法、装置、计算机可读存储介质及终端设备。

技术介绍

[0002]保障输电线路的可靠性和稳定性是智能电网建设的一项十分重要的内容。防振锤作为保护输电线老化和损坏的关键设备，具有减少导线振动频率和幅度的作用，因而被广泛应用于高压输电线路中。由于防振锤的固定线夹常年受暴晒、雨水、雷击等自然环境的影响而极易产生松动，就会发生脱落、移位等缺陷，久而久之将造成导线断股、导线散股、线间短路、金具损坏等事故。防振锤性能失效会严重影响输电线路的安全稳定运行，因此，及时检测防振锤各种缺陷并迅速进行故障诊断显得尤为重要。
[0003]我国国土面积辽阔，有很多不同的地形，在电路巡检领域，由于输电线路走廊地形环境复杂，无法及时反馈输电线路的运作情况，在某些苛刻的环境条件下如高海拔地区和环境恶劣的地区，沿该地段的某些区域基本上没有巡查道路，这一类地区的电力建设存在很多困难。因此，人工检查方法费时、费力，工作条件极其艰难，同时后期的维护工作也难以进行。近年来，电力机器人发展迅速且展现出结构精巧、性能机动灵活、隐蔽性强和采集图像清晰等优势。借助电力机器人巡检卓有成效，能够提高巡检质量和效率。其中，电力机器人首先采集输电线路巡检图像，再经后期图像处理以及深度学习等技术，实现防振锤的故障检测，进一步推动了输电线路检测智能化建设。
[0004]目前针对输电线路中防振锤缺陷检测的研究较少，现有的防振锤缺陷检测算法主要采用基于滑动窗口的区域选择策略和基于组合特征级联策略。然而，上述算法难以解决电力机器人等智能巡检设备对防振锤多角度检测、目标尺度小、背景复杂多变等问题，导致检测准确率低。随着深度学习算法的出现，防振锤缺陷检测技术取得了突破性进展，利用深度卷积神经网络突破了以往目标检测算法只能提取浅层特征的瓶颈，从而提高了复杂背景下的防振锤缺陷检测性能，但是由于事先很难收集大量的缺陷样本，训练过程中的正常样本和缺陷样本的数量不平衡导致模型出现不稳定和过拟合的情况。

技术实现思路

[0005]本专利技术实施例提供一种防振锤脱落检测模型的优化方法、装置、终端设备及存储介质，能够提高防振锤脱落检测的适应速度和检测精度。
[0006]为实现上述目的，本专利技术实施例提供了一种输电线路防振锤脱落的检测方法，包括：
[0007]获取防振锤图像样本集；
[0008]通过对所述防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集；
[0009]通过所述正常样本训练集和所述缺陷样本训练集对预先基于迁移学习算法搭建
的FasterR
‑
CNN网络进行训练，得到初始检测模型；
[0010]通过所述缺陷样本测试集和平均精度对所述初始检测模型进行测试分析，得到防振锤脱落检测模型；
[0011]将预先获取的待检测的防振锤图像输入至所述防振锤脱落检测模型，得到防振锤的脱落检测结果。
[0012]作为上述方案的改进，所述所述通过对所述防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集，具体为：
[0013]将所述防振锤图像样本集划分为正常样本集、第一缺陷样本集和第二缺陷样本集；
[0014]通过图像标定工具对所述正常样本集、所述第一缺陷样本集和第二缺陷样本集分别进行标注，得到标注的正常样本集、标注的第一缺陷样本集和标注的第二缺陷样本集；
[0015]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集分别进行图像增强，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集。
[0016]作为上述方案的改进，所述对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集分别进行图像增强，具体为：
[0017]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行水平翻转和按照预设的角度进行顺时针旋转；或，
[0018]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行水平翻转和引入噪声；
[0019]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行水平翻转和引入天气因素；或，
[0020]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行离焦模糊和按照预设的角度进行顺时针旋转；或，
[0021]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行离焦模糊和引入噪声；或，
[0022]对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行离焦模糊和引入天气因素。
[0023]作为上述方案的改进，所述通过所述正常样本训练集和所述缺陷样本训练集对预先基于迁移学习算法搭建的FasterR
‑
CNN网络进行训练，得到初始检测模型，具体为：
[0024]将所述正常样本训练集输入至第一特征提取网络中，得到正常样本特征图；
[0025]将所述缺陷样本训练集输入至第二特征提取网络中，并基于迁移学习将所述正常样本特征图迁移至所述缺陷样本的特征空间中，得到缺陷样本特征图；
[0026]将所述正常样本特征图和所述缺陷样本特征图输入至区域建议网络中，生成多个建议窗口；
[0027]将所述正常样本特征图、所述缺陷样本特征图和多个所述建议窗口输入至感兴趣区域中，输出每个所述建议窗口的固定尺寸的特征图；
[0028]将每个所述建议窗口的固定尺寸的特征图输入至所述FasterR
‑
CNN网络的分类器中，输出最大概率估计和目标边界框位置；
[0029]将所述最大概率估计对应的所述建议窗口作为初始检测模型。
[0030]作为上述方案的改进，所述通过所述正常样本训练集和所述缺陷样本训练集对预先基于迁移学习算法搭建的FasterR
‑
CNN网络进行训练的过程中，还包括：
[0031]构建所述FasterR
‑
CNN网络的损失函数，通过所述损失函数和随机梯度下降算法迭代更新所述FasterR
‑
CNN网络的网络权重。
[0032]作为上述方案的改进，所述损失函数L的表达式为：
[0033]L＝L
S
+L
T
；
[0034]其中，L
S
为FasterR
‑
CNN网络的源域损失函数，L
T
为FasterR
‑
CNN网络的目标域损失函数；
[0035]所述FasterR
‑
CNN网络的源域损失函数L
S
的表达式为：
[0036][0037]其中，为源域的分类损失函数，为源本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种输电线路防振锤脱落的检测方法，其特征在于，包括：获取防振锤图像样本集；通过对所述防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集；通过所述正常样本训练集和所述缺陷样本训练集对预先基于迁移学习算法搭建的FasterR
‑
CNN网络进行训练，得到初始检测模型；通过所述缺陷样本测试集和平均精度对所述初始检测模型进行测试分析，得到防振锤脱落检测模型；将预先获取的待检测的防振锤图像输入至所述防振锤脱落检测模型，得到防振锤的脱落检测结果。2.如权利要求1所述的输电线路防振锤脱落的检测方法，其特征在于，所述通过对所述防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集，具体为：将所述防振锤图像样本集划分为正常样本集、第一缺陷样本集和第二缺陷样本集；通过图像标定工具对所述正常样本集、所述第一缺陷样本集和第二缺陷样本集分别进行标注，得到标注的正常样本集、标注的第一缺陷样本集和标注的第二缺陷样本集；对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集分别进行图像增强，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集。3.如权利要求2所述的输电线路防振锤脱落的检测方法，其特征在于，所述对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集分别进行图像增强，具体为：对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行水平翻转和按照预设的角度进行顺时针旋转；或，对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行水平翻转和引入噪声；对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行水平翻转和引入天气因素；或，对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行离焦模糊和按照预设的角度进行顺时针旋转；或，对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行离焦模糊和引入噪声；或，对所述标注的正常样本集、所述标注的第一缺陷样本集和所述标注的第二缺陷样本集均进行离焦模糊和引入天气因素。4.如权利要求1所述的输电线路防振锤脱落的检测方法，其特征在于，所述通过所述正常样本训练集和所述缺陷样本训练集对预先基于迁移学习算法搭建的FasterR
‑
CNN网络进行训练，得到初始检测模型，具体为：将所述正常样本训练集输入至第一特征提取网络中，得到正常样本特征图；将所述缺陷样本训练集输入至第二特征提取网络中，并基于迁移学习将所述正常样本特征图迁移至所述缺陷样本的特征空间中，得到缺陷样本特征图；
将所述正常样本特征图和所述缺陷样本特征图输入至区域建议网络中，生成多个建议窗口；将所述正常样本特征图、所述缺陷样本特征图和多个所述建议窗口输入至感兴趣区域中，输出每个所述建议窗口的固定尺寸的特征图；将每个所述建议窗口的固定尺寸的特征图输入至所述FasterR
‑
CNN网络的分类器中，输出最大概率估计和目标边界框位置；将所述最大概率估计对应的所述建议窗口作为初始检测模型。5.如权利要求1所述的输电线路防振锤脱落的检测方法，其特征在于，所述通过所述正常样本训练集和所述缺陷样本训练集对...

【专利技术属性】
技术研发人员：何锦强，李锐海，赵林杰，张巍，李昊，张显聪，杨珏，范旭娟，陈雁，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：