基于深度数据融合的输电线路销钉故障检测方法技术

本发明专利技术公开一种基于深度数据融合的输电线路销钉故障检测方法，以下步骤：采用非下采样轮廓波变换，通过非下采样轮廓波变换对无人机拍摄的故障图像进行多级分解，获得丰富的底层特征；将提取出的底层特征输入进卷积模块，处理非下采样轮廓波变换的每一级分解，以获得特征图；将输出特征图拼接，以实现特征级融合；采用随机森林算法来实现销钉故障检测；通过分类器判别是螺母

【技术实现步骤摘要】
基于深度数据融合的输电线路销钉故障检测方法


[0001]本专利技术涉及输电线路故障检测
，尤其涉及一种基于深度数据融合的输电线路销钉故障检测方法。

技术介绍

[0002]随着电力需求的增加和科技的发展，发电量和用电量逐年增加，人类开始逐渐建设和使用越来越大规模、高效率的输电线路系统，以满足各个地区对于电能的需求。输电线路在长期使用的过程中出现了许多问题，主要是由于输电线会受到外部环境的影响，各个小的组件容易出现不同程度的损坏，销钉作为其中起固定作用的关键部件显得尤为重要，假如销钉脱落就会直接导致输电线路组件之间的连接不稳定，这给输电网络的安全运行带来了极大的危险。
[0003]输电线作为电能传输的主要途径，我国在建设输电线路方面取得了重大成就，目前，我国已经形成华北、东北、华东、华中、西北和南方电网共6个跨省电网，在取得了巨大成就的同时也带来许多困扰，输电线路由于长期暴露在外界，很容易受到外界环境的影响。最常见的输电线路故障包括雷击跳闸、雷击断股、线路覆冰、受外力破坏、鸟害等。常见的检测线路故障的方法包括巡视法、实时监测法。巡视法主要是巡视线路，发现异常情况及时处理，比如发现松动、断裂或其他异常。巡视一般分为日常巡视和定期巡视，前者通过现场巡查，以收集现场数据为基础；后者则通过利用直升机、遥感技术等手段，对线路进行全面检查。实时监测法是利用各种传感器、采集仪器进行实时监测，如温度、压力、电流、振动等，并及时收集数据，以便快速发现故障。
[0004]在输电线路搭建中，销钉
‑
螺母起到了至关重要的连接作用，主要安装于在杆塔、绝缘子串等处，销钉由于暴露在外界容易受到天气、鸟害影响，而一旦发生销钉脱落就可能导致大范围的停电事故，其作为输电线路诸多故障中的一种，具有体型小、难以被发现的特点，为防止出现销钉脱落故障需要定期进行线路巡检，考虑到无人机巡检具有野外作业风险低、效率高的特点，而且无人机携带方便、操作简单、反应迅速、起飞降落对环境的要求低等。但是，无人机巡检会产生大量用于分析是否出现故障的图片，传统的人工进行图片的审查有着诸多不便，工作量大、效率低、准确度较差，因此，一种可以代替人工判读的智能识别与检测算法用于检测输电线路部件故障的方法具有非常重要的意义。

技术实现思路

[0005]针对以上不足，本专利技术提供一种基于深度数据融合的输电线路销钉故障检测方法，能够解决现有的输电线路销钉故障检测效率低、准确度差的问题。
[0006]为达到上述目的，本专利技术采用如下技术方案：
[0007]一种基于深度数据融合的输电线路销钉故障检测方法，该方法包括以下步骤：
[0008]S1、采用非下采样轮廓波变换，通过非下采样轮廓波变换对无人机拍摄的故障图像进行多级分解，获得丰富的底层特征；
[0009]S2、将提取出的底层特征输入进卷积模块，该模块由多个Resnet
‑
50网络构成，处理非下采样轮廓波变换的每一级分解，以获得特征图；
[0010]S3、将不同Resnet
‑
50神经网络输出特征图拼接，以实现特征级融合；
[0011]S4、采用随机森林算法来实现销钉故障检测，随机森林算法训练多棵决策树来构建集成分类器，通过对无人机拍摄图像进行放回抽样，得到几个不同的训练子集，每个训练子集用来训练一棵决策树，多棵经过训练的决策树组成一个集成分类器，当一个样本输入到集成分类器时，每棵决策树都会输出一个分类结果，最终的分类结果通过多数投票得到；
[0012]S5、通过分类器判别是螺母
‑
销钉和单螺母中的哪一类，从而完成销钉是否脱落的故障检测过程。
[0013]进一步地，步骤S1中，非下采样轮廓波变换基于非下采样金字塔和非下采样方向滤波器组变换，由非下采样金字塔对输入图像进行塔形分解，分解为高通和低通两个部分，然后由非下采样方向滤波器组将高频子带分解为多个方向子带，低频部分继续进行如上分解，由此获得图像丰富的底层特征。
[0014]进一步地，Resnet
‑
50网络包含残差单元，在残差单元中包含了跨层连接，其中每个Resnet
‑
50网络由49层卷积层和1个全连接层组成，分别处理非下采样轮廓波变换的每一级分解，以获得销钉的特征图。
[0015]进一步地，其中，随机森林算法的步骤如下：
[0016]S41、k训练子集D＝{D1，D2，...，D
k
}与训练集大小相同，通过对训练集进行放回抽样得到；
[0017]S42、每个训练子集的样本包含n个特征，从n个特征中随机选取m(m≤n)个特征，构特征子空间S，根据S计算决策树节点的最佳分裂点，重复上述过程，直到满足停止准则，即完成决策树的训练；完成k个训练子集的训练后，得到k个决策树DT＝{DT1，DT2，...，DT
k
}；
[0018]S43、每个决策树由测试集的每个样本进行测试，得到k个分类结果Q＝{Q1，Q2，...，Q
k
}；
[0019]S44、根据多数投票对k个分类结果进行投票，得到最终的分类结果。
[0020]进一步地，步骤S1中，非下采样金字塔对输入图像进行塔形分解，其中金字塔层数为多层，通过多组双通道非下采样金字塔滤波器组实现源图像的多尺度分解；每层金字塔分解后的高频分量再经过非下采样方向滤波器组进行方向分解得到带通方向子带图像组y1、y2、...、yn，y1是在对第一层金字塔分解得到的高频分量xh1的基础上实现方向分解得到的8个方向子带图像，每个子带图像的尺寸大小与源图像x保持一致。
[0021]进一步地，在步骤S3的特征融合阶段，无人机所拍销钉红外线图像以及可见光图像经过Resnet
‑
50神经网络进行提取形成不同的特征，在特征融合阶段将提取的不同销钉特征图进行拼接，以实现特征级融合。
[0022]进一步地，在特征融合阶段的算法中，首先统一输入无人机拍摄的可见光图像以及红外光图像尺寸，将可见光以及红外光图像分别进行非下采样轮廓波变换分解提取，分解后低频子带中包含图像丰富的轮廓背景特征，高频子带中包含图像的纹理细节特征。
[0023]进一步地，融合规则为：对低频子带采用局部能量方法进行融合，高频子带采用绝对值最大方法融合；
[0024]将获得的不同尺度的特征图沿着通道维度进行拼接，生成更高维度的特征表示，
实现特征融合。
[0025]与现有技术相比，本专利技术的有益效果是：本专利技术的基于深度数据融合的输电线路销钉故障检测方法，通过特征获得、特征提取、特征融合、销钉故障检测以及销钉故障判定等步骤，能够实现效率高、精度高的输电线路销钉故障检测，提高输电线路销钉故障检测检测效率，保证用电安全。
附图说明
[0026]为了更清楚地说明本专利技术实施例的技术方案，以下将对实施例描述中所需要使用的附图作简单地介绍。
[0027]图1为本专利技术中NS本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度数据融合的输电线路销钉故障检测方法，其特征在于，该方法包括以下步骤：S1、采用非下采样轮廓波变换，通过非下采样轮廓波变换对无人机拍摄的故障图像进行多级分解，获得丰富的底层特征；S2、将提取出的底层特征输入进卷积模块，该模块由多个Resnet
‑
50网络构成，处理非下采样轮廓波变换的每一级分解，以获得特征图；S3、将不同Resnet
‑
50神经网络输出特征图拼接，以实现特征级融合；S4、采用随机森林算法来实现销钉故障检测，随机森林算法训练多棵决策树来构建集成分类器，通过对无人机拍摄图像进行放回抽样，得到几个不同的训练子集，每个训练子集用来训练一棵决策树，多棵经过训练的决策树组成一个集成分类器，当一个样本输入到集成分类器时，每棵决策树都会输出一个分类结果，最终的分类结果通过多数投票得到；S5、通过分类器判别是螺母
‑
销钉和单螺母中的哪一类，从而完成销钉是否脱落的故障检测过程。2.根据权利要求1所述的基于深度数据融合的输电线路销钉故障检测方法，其特征在于，步骤S1中，非下采样轮廓波变换基于非下采样金字塔和非下采样方向滤波器组变换，由非下采样金字塔对输入图像进行塔形分解，分解为高通和低通两个部分，然后由非下采样方向滤波器组将高频子带分解为多个方向子带，低频部分继续进行如上分解，由此获得图像丰富的底层特征。3.根据权利要求1所述的基于深度数据融合的输电线路销钉故障检测方法，其特征在于，Resnet
‑
50网络包含残差单元，在残差单元中包含了跨层连接，其中每个Resnet
‑
50网络由49层卷积层和1个全连接层组成，分别处理非下采样轮廓波变换的每一级分解，以获得销钉的特征图。4.根据权利要求1所述的基于深度数据融合的输电线路销钉故障检测方法，其特征在于，其中，随机森林算法的步骤如下：S41、k训练子集 D ={D1，D2，...，D
k
}与训练集大小相同，通过对训练集进行放回抽样得到；S42、每个...

【专利技术属性】
技术研发人员：俸波，夏小飞，徐文平，张炜，黎大健，卢胜标，陈绍南，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：