一种基于YOLOv3的输电线路缺陷快速检测方法技术

本发明专利技术属于电力视觉的技术领域，公开了一种基于YOLO v3的输电线路缺陷快速检测方法，包括：基于输电线路常见缺陷图构建巡检图像缺陷检测模型；基于现有巡检图像数据构建巡检图像样本库；通过所述图像样本库对所述图像缺陷检测模型进行训练，并对识别效果进行评估。本发明专利技术可用于无人机巡检时满足输电线路巡检视频的自动缺陷识别的需求，实现输电线路设备异常状态的自动检测与识别，这对于提升电网智能化具有重要意义。化具有重要意义。化具有重要意义。

【技术实现步骤摘要】
一种基于YOLO v3的输电线路缺陷快速检测方法


[0001]本专利技术涉及电力视觉的
，尤其涉及一种基于YOLO v3的输电线路缺陷快速检测方法。

技术介绍

[0002]近年来，电网规模正在逐渐扩大，针对巡线工作付出的人力和财力成本也随之提升。最重要的是，人工巡检存在一定的危险性。因此，国家电网、南方电网以及全国各个电力研究机构目前都致力于无人机电力智能巡检的研究。该研究主要包含如下几个方面：(1)无人机飞行控制技术即其飞行的路径规划问题；(2)针对输电线路巡检的航拍图像的目标检测及故障识别和图像重构等相关图像处理技术。采用无人机智能巡检技术可以降低人为操作的成本，能够节约大量的人力物力，具有高效率，适应强的优势。并且只需要针对采集到的输电线路的图像和视频进行处理，即可达到巡检的目的，大大的降低了人工巡检工作的难度和危险性，具有非常广阔的应用前景。除此之外，智能巡检技术发展，也是电网智能化进程的重要一环。基于深度学习与各种智能算法的缺陷和故障识别技术能同时对结构化和非结构化同时进行高效的分析。这对加速实现输电设备出现异常的智能化检测与识别，以及提升整个电网系统的智能化都有着深远的影响。

技术实现思路

[0003]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0004]鉴于上述现有存在的问题，提出了本专利技术。
[0005]因此，本专利技术解决的技术问题是：现有技术中人工巡检成本高，无人机巡检技术不成熟的问题。
[0006]为解决上述技术问题，本专利技术提供如下技术方案：一种基于YOLO v3的输电线路缺陷快速检测方法，包括：
[0007]基于输电线路常见缺陷图构建巡检图像缺陷检测模型；
[0008]基于现有巡检图像数据构建巡检图像样本库；
[0009]通过所述图像样本库对所述图像缺陷检测模型进行训练，并对识别效果进行评估。
[0010]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：对图像缺陷检测模型初始化，包括：
[0011]对所有图像数据进行一个统一的预处理，即划分统一大小，并统一划分为 S
×
S个区域，使图像数据适用于模型的输入，以及特征提取。
[0012]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：基于卷积神经网络对巡检图像多尺度进行特征提取，包括：
[0013]通过多个卷积层提取图片缺陷特征；
[0014]所述缺陷特征包括，架空线路缺陷、杆塔缺陷、绝缘子缺陷和金具缺陷。
[0015]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：基于逻辑回归的缺陷类型进行位置预测，包括：
[0016]定义一个设备缺陷特征的检测区域，当图像数据输入后落入所述检测区域后，则把所述检测区域作为预测相应设备缺陷的专用区域；
[0017]经过多次预测后，基于回归算法对所述专用区域的中心位置和大小进行适当调整。
[0018]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：基于非极大值抑制的重复检测目标消除，包括：
[0019]采用极大值抑制以去除重复的选框，最终预测得到巡检图片中实际包含的电力设备缺陷类型及位置。
[0020]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：所述巡检图像样本库，包括：
[0021]基于无人机智能巡检图像构成一个训练样本库，将所述样本库的图像按照训练集和测试集为4:1的比例进行划分，并采用并采用Pascal VOC的标准方式进行标注；
[0022]针对输电线路的常见缺陷构建一个缺陷样本库。
[0023]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：利用聚类算法得到缺陷的先验尺寸，包括：
[0024]针对电力设备的缺陷大小，运用K聚类算法获得9个聚类中心，将其作为所述检测模型的先验锚框的尺寸。
[0025]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：构建所述检测模型的三维尺度损失函数，包括：
[0026]分别计算所述检测模型的坐标损失函数、类别损失函数和置信度损失函数，通过叠加三个函数获得整个检测模型的损失函数。
[0027]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：评估训练后的所述检测模型，包括：
[0028]对缺陷样本进行分析，获得包含的故障类型与对应的数量。
[0029]作为本专利技术所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案，其中：分析所述检测模型的识别结果，包括：
[0030]采用查全率、平均精度、查准率三个指标来进行评估，最终采用交并比来分析模型的识别效果，当大于0.5时认为识别结果为准确。
[0031]本专利技术的有益效果：本专利技术提供的一种基于YOLO v3的输电线路缺陷快速检测方法，通过构建缺陷检测模型以及通过样本库对检测模型进行训练，使其达到更好的检测效果。本专利技术可用于无人机巡检时满足输电线路巡检视频的自动缺陷识别的需求，实现输电线路设备异常状态的自动检测与识别，这对于提升电网智能化具有重要意义。
附图说明
[0032]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用
的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0033]图1为本专利技术一个实施例所述的基于YOLO v3的输电线路缺陷快速检测方法的整体框架图。
具体实施方式
[0034]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0035]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0036]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0037]本专利技术结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于YOLO v3的输电线路缺陷快速检测方法，其特征在于，包括：基于输电线路常见缺陷图构建巡检图像缺陷检测模型；基于现有巡检图像数据构建巡检图像样本库；通过所述图像样本库对所述图像缺陷检测模型进行训练，并对识别效果进行评估。2.如权利要求1所述的基于YOLO v3的输电线路缺陷快速检测方法，其特征在于：对图像缺陷检测模型初始化，包括：对所有图像数据进行一个统一的预处理，即划分统一大小，并统一划分为S
×
S个区域，使图像数据适用于模型的输入，以及特征提取。3.如权利要求2所述的基于YOLO v3的输电线路缺陷快速检测方法，其特征在于:基于卷积神经网络对巡检图像多尺度进行特征提取，包括：通过多个卷积层提取图片缺陷特征。4.如权利要求3所述的基于YOLO v3的输电线路缺陷快速检测方法，其特征在于：基于逻辑回归的缺陷类型进行位置预测，包括：定义一个设备缺陷特征的检测区域，当图像数据输入后落入所述检测区域后，则把所述检测区域作为预测相应设备缺陷的专用区域；经过多次预测后，基于回归算法对所述专用区域的中心位置和大小进行适当调整。5.如权利要求4所述的基于YOLO v3的输电线路缺陷快速检测方法，其特征在于：基于非极大值抑制的重复检测目标消除，包括：采用极大值抑制以去除重复的选框，最终预测得到巡检图片中实际包含的电力设备...

【专利技术属性】
技术研发人员：徐长宝，辛明勇，高吉普，王宇，林呈辉，祝健杨，文屹，曾华荣，代奇迹，陈科羽，陈凤翔，汪明媚，古庭赟，孟令雯，李鑫卓，王冕，王永，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：