发明专利技术公开了一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，能够克服传统数字图像处理缺点，提高输配电线路连接金具小尺寸金具平垫圈、螺母缺失细粒度检测的精度和效率。该方法包括：S1、对采集的电塔连接金具设备图片进行数据标注生成样本数据集；S2、对所述样本数据集进行训练前划分，分别获得连接金具设备训练数据集和小尺寸金具平垫圈、螺母训练数据集；S3、根据训练数据集中的数据对Efficientdet模型进行迭代训练；S4、组合连接金具设备数据集与小尺寸金具螺母、平垫圈缺失样本数据集的训练结果与测试程序；S5、确定组合后的小尺寸金具螺母、平垫圈缺失检测模型进行小尺寸金具螺母、平垫圈缺失缺陷，并对最终结果的图像区域进行标注。结果的图像区域进行标注。结果的图像区域进行标注。
【技术实现步骤摘要】
一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法、装置及系统
[0001]本专利技术涉及计算机视觉和深度学习等人工智能
，尤其涉及一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法、装置及系统。
技术介绍
[0002]随着电网建设的规模逐步扩大，电网日常的巡检任务也越加繁重，电网巡检任务中针对连接金具等设备的巡视是其中的重点。在电力设备中将绝缘子、悬垂线夹、耐张线夹及防护金具等连接组合成悬垂或耐张串(组)的金具称为连接金具，连接金具是架空输电线路金具中最为庞杂的一种电力金具。在连接金具本体、金具与电塔挂点处或者在连接金具互相连接时，需要使用螺母、开口销等进行固定。螺母、销钉、平垫圈等小金具的缺失、损坏等缺陷发生，会导致连接处或者挂点处断开，导致整个输电线路以及电塔本体结构的稳定性遭到破坏。
[0003]对于配电线的绝缘子检修，传统方式需要专业技术人员周期性在特定的时间环境进行登杆逐个检测。近些年无人机巡检技术兴起之后，在巡视方法上进行了改进，采用无人机图像采集技术，对铁塔关键位置进行现场数据采集、事后集中进行人工图像判定的方法。传统的电塔检修需要高空停电上塔检修作业，需要施工人员备良好的专业素质和身体素质进行上塔作业，传统方式费时、费力、不准确且危险，每年需要消耗大量的人力物力。
[0004]随着电力线路无人机巡检技术的大规模发展和推广，线路巡视班组的定期巡检会产生大量的巡检图像，传统的目标检测算法泛化性较差，而通用的深度卷积神经网络算法对小目标的检测效果并不理想，并且算法中不能有效利用输配电线路的金具设备特征进行缺陷的判定，从而造成误报。
技术实现思路
[0005]本专利技术提供一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，该方法基于Efficientdet算法，利用上下文信息的小尺寸金具螺母、平垫圈的缺陷检测及定级方法，能够克服传统数字图像处理方法依赖人工提取特征，检测复用性低的缺点，提高输配电线路连接金具小尺寸金具平垫圈、螺母缺失细粒度检测的精度和效率。
[0006]本专利技术一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，包括：
[0007]S1、对采集的电塔连接金具设备图片进行数据标注生成样本数据集；
[0008]S2、对所述样本数据集进行训练前划分，分别获得连接金具设备训练数据集和小尺寸金具平垫圈、螺母训练数据集；
[0009]S3、根据训练数据集中的数据对Efficientdet模型进行迭代训练；
[0010]S4、组合连接金具设备数据集与小尺寸金具螺母、平垫圈缺失样本数据集的训练结果与测试程序；
[0011]S5、确定组合后的小尺寸金具螺母、平垫圈缺失检测模型进行小尺寸金具螺母、平
垫圈缺失缺陷，并对最终结果的图像区域进行标注。
[0012]可选的，步骤所述S1包括：
[0013]对得到的输配电线路连接金具小尺寸金具螺母、平垫圈缺失图像进行质量评价，所述质量评价的指标包括分辨率、色彩深度、模糊程度、图像失真度、小尺寸金具像素尺寸大小；
[0014]对连接金具小尺寸金具螺母、平垫圈缺失缺陷样本数据集需进行数据标注，和数据清洗。
[0015]可选的，所述数据标注包括对图像数据选取清晰可辨且焦距正确的图像进行标注，所述数据清洗包括剔除不满足训练要求的连接金具小尺寸金具螺母、平垫圈缺失图像。
[0016]可选的，步骤S2包括：裁剪连接金具设备本体区域图像，并计算小尺寸金具螺母、平垫圈缺失类别信息和位置信息处于连接金具设备本体区域内坐标生成为80％训练数据集、10％测试集、10％验证集。
[0017]可选的，步骤所述S3包括：
[0018]特性提取网络，利用残差神经网络增大神经网络的深度，利用更深的神经网络实现了特征提取；改变了每一层提取的特征层数，实现更多的特征提取，得到更多的特征；
[0019]特征融合网络，重复堆叠，获得最终的特征层；
[0020]预测网络。
[0021]可选的，
[0022]步骤所述特征融合网络，重复堆叠，获得最终的特征层包括：
[0023]EfficientDet的特征融合网络使用了BiFPN来加强特征提取，BiFPN是FPN的加强版本，在主干特征提取网络中已经获得P3、P4、P5三个特征层，再进行两次下采样获得P6、P7，其中P3、P4、P5经过1*1卷积调整通道数后，就可以作为P3i、P4i、P5i进行特征融合了；获得这些特征层过后，先对P7i进行上采样，然后上采样的结果和P6i堆叠获得P6t；之后对P6t进行上采样，上采样的结果和P5i进行堆叠获得P5t；之后再对P5t进行上采样，上采样后后与P4i进行堆叠获得P4t；再对P4t进行上采样，利用上采样的结果与P3i进行堆叠获得P3o；
[0024]继续对P3o进行下采样，下采样后的结果与P4t、P4i堆叠获得P4o；然后再对P4o进行下采样，下采样后与P5t、P5i进行堆叠获得P5o；继续对P5o进行下采样，下采样后与P6t、P6i进行堆叠获得P6o；同样让P6o进行下采样，下采样后与P7i进行堆叠获得P7o；
[0025]进过一系列的上采样和下采样获得了P3o、P4o、P5o、P6o、P7o，将这些特征层作为P3i、P4i、P5i、P6i、P7i，重复刚才的步骤进行堆叠，获得最终的特征层。
[0026]可选的：步骤所述预测网络包括：通过特征融合网络获得了最终的有效特征层P3o、P4o、P5o、P6o、P7o，将这几个特征层传入到ClassNet+BoxNet就可以得到预测结果了。
[0027]可选的，步骤所述S4包括：
[0028]将测试集输入连接金具设备本体检测模型，得到连接金具设备本体检测模型的检测输出结果；
[0029]将连接金具设备本体检测模型的检测输出结果作为小尺寸金具螺母、平垫圈缺失检测模型的输入数据，得到小尺寸金具螺母、平垫圈缺失检测模型的输出结果，输出结果为绝缘子伞裙损伤的类别信息和位置信息；
[0030]对小尺寸金具螺母、平垫圈缺失检测模型检测结果进行逻辑判断，得到最终的经
过逻辑判断的输出结果，并将小尺寸金具螺母、平垫圈缺失检测模型检测结果的位置信息反算在原图中的位置信息并记录。
[0031]本专利技术还提供了一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测装置，应用如上述的输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，所述装置包括：
[0032]标注单元，用于对采集的电塔连接金具设备图片进行数据标注生成样本数据集；
[0033]划分单元，用于对所述样本数据集进行训练前划分，分别获得连接金具设备训练数据集和小尺寸金具平垫圈、螺母训练数据集；
[0034]迭代训练单元，用于根据训练数据集中的数据对Efficientdet模型进行迭代训练；
[0035]组合单元，用于组合连接金具设备数据集与小尺寸金具螺母、平垫圈缺失样本数据集的训练结果与测试程序；本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，其特征在于，包括：S1、对采集的电塔连接金具设备图片进行数据标注生成样本数据集；S2、对所述样本数据集进行训练前划分，分别获得连接金具设备训练数据集和小尺寸金具平垫圈、螺母训练数据集；S3、根据训练数据集中的数据对Efficientdet模型进行迭代训练；S4、组合连接金具设备数据集与小尺寸金具螺母、平垫圈缺失样本数据集的训练结果与测试程序；S5、确定组合后的小尺寸金具螺母、平垫圈缺失检测模型进行小尺寸金具螺母、平垫圈缺失缺陷，并对最终结果的图像区域进行标注。2.根据权利要求1所述的输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，其特征在于，步骤所述S1包括：对得到的输配电线路连接金具小尺寸金具螺母、平垫圈缺失图像进行质量评价，所述质量评价的指标包括分辨率、色彩深度、模糊程度、图像失真度、小尺寸金具像素尺寸大小；对连接金具小尺寸金具螺母、平垫圈缺失缺陷样本数据集需进行数据标注，和数据清洗。3.根据权利要求2所述的输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，其特征在于，所述数据标注包括对图像数据选取清晰可辨且焦距正确的图像进行标注，所述数据清洗包括剔除不满足训练要求的连接金具小尺寸金具螺母、平垫圈缺失图像。4.根据权利要求1所述的输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，其特征在于，步骤S2包括：裁剪连接金具设备本体区域图像，并计算小尺寸金具螺母、平垫圈缺失类别信息和位置信息处于连接金具设备本体区域内坐标生成为80％训练数据集、10％测试集、10％验证集。5.根据权利要求1所述的输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，其特征在于，步骤所述S3包括：特性提取网络，利用残差神经网络增大神经网络的深度，利用更深的神经网络实现了特征提取；改变了每一层提取的特征层数，实现更多的特征提取，得到更多的特征；特征融合网络，重复堆叠，获得最终的特征层；预测网络。6.根据权利要求5所述的输配电线路小尺寸金具螺母及平垫圈缺失缺陷检测方法，其特征在于：步骤所述特征融合网络，重复堆叠，获得最终的特征层包括：EfficientDet的特征融合网络使用了BiFPN来加强特征提取，BiFPN是FPN的加强版本，在主干特征提取网络中已经获得P3、P4、P5三个特征层，再进行两次下采样获得P6、P7，其中P3、P4、P5经过1*1卷积调整通道数后，就可以作为P3i、P4i、P5i进行特征融合了；获得这些特征层过后，先对P7i进行上采样，然后上采样的结果和P6i堆叠获得P6t；之后对P6t进行上采样，上采样的结果和P5i进行堆叠获得P5t；...
【专利技术属性】
技术研发人员：范亮，汤坚，张磊，郑路铭，
申请(专利权)人：广州中科智巡科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。