一种基于深度学习的电网绝缘子缺陷检测方法及系统技术方案

本发明专利技术提出一种基于深度学习的电网绝缘子缺陷检测方法及系统，涉及绝缘子缺陷检测技术领域。本发明专利技术的技术要点包括：获取绝缘子航拍图像数据；对绝缘子航拍图像数据进行预处理；将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练，获取训练好的检测模型；将待检测绝缘子图像输入训练好的检测模型中，获取检测结果；其中改进Yolov3算法中利用遗传算法对绝缘子航拍图像数据进行交叉变异，选择适应度高的多个数据作为k

【技术实现步骤摘要】
一种基于深度学习的电网绝缘子缺陷检测方法及系统


[0001]本专利技术涉及绝缘子缺陷检测
，具体涉及一种基于深度学习的电网绝缘子缺陷检测方法及系统。

技术介绍

[0002]随着国家经济的高速增长，我国需要一个运行稳定性高的输电线路来保障社会生产正常运行。目前我国输电线路的巡检方式为无人机辅助人工进行检测，其智能化程度较低，易造成误判。
[0003]绝缘子作为输电线路中基础的电力元件，不仅要承受线路的垂直、水平荷载和导线张力，还要承受工作电压与过电压，因此绝缘子必须具有良好的绝缘性与机械性。在实际情况中，绝缘子长期运行在复杂多样的自然环境当中，不可避免地出现自爆、掉串、裂纹、侵蚀、异物等故障；并且故障绝缘子导致的电压降低和泄漏电流将严重影响系统的性能。因此，准确、迅速地检测出绝缘子的缺陷才能避免停电事故的发生，减少电力系统的损失。
[0004]我国电网输电线路巡检方式包括人工巡检、直升机巡检、无人机巡检等方式，其中无人机巡检凭借成本低、操作性和灵活性好、效率高等优点，逐渐成为电力巡检中的发展趋势。无人机巡检会产生大量的图像影视信息，单纯依靠检查人员的视觉判断显然不合适，而深度学习刚好能够满足巡检中海量图像智能化处理与分析的需求，为运维人员提供自动化缺陷识别工具。目前，深度学习在国内外输电线路巡检方面得到了广泛研究与应用，但是现有的大多数输电线路绝缘子缺陷检测方法在识别精度上没有得到有效提升。

技术实现思路

[0005]鉴于以上问题，本专利技术提出一种基于深度学习的电网绝缘子缺陷检测方法及系统，用以解决现有绝缘子缺陷检测模型检测精度不佳的问题。
[0006]根据本专利技术的一方面，提供一种基于深度学习的电网绝缘子缺陷检测方法，该方法包括以下步骤：
[0007]步骤一、获取绝缘子航拍图像数据；
[0008]步骤二、对绝缘子航拍图像数据进行预处理；
[0009]步骤三、将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练，获取训练好的检测模型；
[0010]步骤四、将待检测绝缘子图像输入训练好的检测模型中，获取检测结果。
[0011]进一步地，步骤二中所述预处理包括：图像归一化、对绝缘子及缺陷进行标记。
[0012]进一步地，步骤三中改进Yolov3算法的改进之处在于，利用遗传算法对绝缘子航拍图像数据进行交叉变异，选择适应度高的多个数据作为k
‑
means算法的初始中心点。
[0013]进一步地，步骤三中改进Yolov3算法的改进之处还在于，对Darknet
‑
53特征提取网络进行改进，包括将53层卷积层减少为41层，减少相连卷积层的数量，降低Yolov3算法的5 次下采样中使用Residual的次数，以降低网络深度和运算量。
[0014]进一步地，步骤三中改进Yolov3算法的改进之处还在于，损失函数的三部分组成如下：采用Giou函数作为位置损失函数、采用平衡交叉熵函数作为置信度损失函数、采用Focal Loss 函数作为分类损失函数。
[0015]根据本专利技术的另一方面，提供一种基于深度学习的电网绝缘子缺陷检测系统，该系统包括：
[0016]数据获取模块，其配置成获取绝缘子航拍图像数据；
[0017]预处理模块，其配置成对绝缘子航拍图像数据进行预处理；
[0018]模型训练模块，其配置成将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练，获取训练好的检测模型；
[0019]检测模块，其配置成将待检测绝缘子图像输入训练好的检测模型中，获取检测结果。
[0020]进一步地，所述预处理模块中预处理包括：图像归一化、对绝缘子及缺陷进行标记。
[0021]进一步地，所述模型训练模块中改进Yolov3算法的改进之处在于，利用遗传算法对绝缘子航拍图像数据进行交叉变异，选择适应度高的多个数据作为k
‑
means算法的初始中心点。
[0022]进一步地，所述模型训练模块中改进Yolov3算法的改进之处还在于，对Darknet
‑
53特征提取网络进行改进，包括将53层卷积层减少为41层，减少相连卷积层的数量，降低Yolov3 算法的5次下采样中使用Residual的次数，以降低网络深度和运算量。
[0023]进一步地，所述模型训练模块中改进Yolov3算法的改进之处还在于，损失函数的三部分组成如下：采用Giou函数作为位置损失函数、采用平衡交叉熵函数作为置信度损失函数、采用Focal Loss函数作为分类损失函数。
[0024]本专利技术的有益技术效果是：
[0025]本专利技术提供一种基于深度学习的电网绝缘子缺陷检测方法及系统，通过无人机拍摄绝缘子图像，再利用改进后的yolov3算法对拍摄的图像进行检测，有效解决了漏检与误检问题，保证模型对不同尺寸的绝缘子故障准确检测，且显著提升了检测的置信度和速度；进一步提升了缺陷检测产品的智能化水平、减少人工依赖、降低检测成本，降低了因绝缘子故障引起的电力损失。
附图说明
[0026]通过参考附图阅读下文的详细描述，本专利技术示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本专利技术的若干实施方式，其中：
[0027]图1是本专利技术实施例一种基于深度学习的电网绝缘子缺陷检测方法的流程图；
[0028]图2是本专利技术实施例中改进yolov3算法的特征提取流程图；
[0029]图3是本专利技术实施例中改进yolov3算法中改进网络的结构示意图；
[0030]图4是本专利技术实施例中改进yolov3算法中先验框改进的对比示意图；其中，(a)对应原始k
‑
means算法的先验框；(b)改进k
‑
means算法的先验框；
[0031]图5是本专利技术实施例中检测结果对比图；其中，(a)为待检测图片；(b)为原始
yolov3 算法检测结果；(c)为改进yolov3算法检测结果；
[0032]图6是本专利技术实施例中改进前后的损失函数收敛曲线；其中，(a)对应改进前；(b) 对应改进后。
具体实施方式
[0033]下面将参考若干示例性实施方式来描述本专利技术的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本专利技术，而并非以任何方式限制本专利技术的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
[0034]本领域技术人员知道，本专利技术的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的电网绝缘子缺陷检测方法，其特征在于，包括以下步骤：步骤一、获取绝缘子航拍图像数据；步骤二、对绝缘子航拍图像数据进行预处理；步骤三、将预处理后的绝缘子航拍图像数据输入基于改进Yolov3算法的检测模型中进行训练，获取训练好的检测模型；步骤四、将待检测绝缘子图像输入训练好的检测模型中，获取检测结果。2.根据权利要求1所述的一种基于深度学习的电网绝缘子缺陷检测方法，其特征在于，步骤二中所述预处理包括：图像归一化、对绝缘子及缺陷进行标记。3.根据权利要求2所述的一种基于深度学习的电网绝缘子缺陷检测方法，其特征在于，步骤三中改进Yolov3算法的改进之处在于，利用遗传算法对绝缘子航拍图像数据进行交叉变异，选择适应度高的多个数据作为k
‑
means算法的初始中心点。4.根据权利要求3所述的一种基于深度学习的电网绝缘子缺陷检测方法，其特征在于，步骤三中改进Yolov3算法的改进之处还在于，对Darknet
‑
53特征提取网络进行改进，包括将53层卷积层减少为41层，减少相连卷积层的数量，降低Yolov3算法的5次下采样中使用Residual的次数，以降低网络深度和运算量。5.根据权利要求4所述的一种基于深度学习的电网绝缘子缺陷检测方法，其特征在于，步骤三中改进Yolov3算法的改进之处还在于，损失函数的三部分组成如下：采用Giou函数作为位置损失函数、采用平衡交叉熵函数作为置信度损失函数、采用Focal Loss函数作为分类损失函数。6.一种基于深度学习的电网绝缘子缺陷检测系统，...

【专利技术属性】
技术研发人员：王莹，王文杰，
申请(专利权)人：长春工业大学，
类型：发明
国别省市：