基于场景信息挖掘的输电线路缺陷部件检测方法及系统技术方案

本发明专利技术公开了一种基于场景信息挖掘的输电线路缺陷部件检测方法，包括构建数据集；构建输电线路缺陷部件检测模型并训练得到训练后的输电线路缺陷部件检测模型；将实际的输电线路部件的图像输入到训练后的输电线路缺陷部件检测模型，完成基于场景信息挖掘的输电线路缺陷部件检测。本发明专利技术还公开了一种实现所述基于场景信息挖掘的输电线路缺陷部件检测方法的系统。本发明专利技术能够更加有效地利用语义信息，大大提高目标的检测准确率，而且可靠性高、精确性好且效率较高。精确性好且效率较高。精确性好且效率较高。

【技术实现步骤摘要】
基于场景信息挖掘的输电线路缺陷部件检测方法及系统


[0001]本专利技术属于电气自动化领域，具体涉及一种基于场景信息挖掘的输电线路缺陷部件检测方法及系统。

技术介绍

[0002]随着经济技术的发展和人们生活水平的提高，电能已经成为了人们生产和生活中必不可少的二次能源，给人们的生产和生活带来了无尽的便利。因此，保障电能的稳定可靠供应，就成为了电力系统最重要的任务之一。
[0003]电力系统的输配网线路巡检，是保障电力系统安全稳定运行的重要手段。传统的人工巡检方式，不仅费时费力，巡线周期极长，而且还存在可靠性不高，稳定性较差的问题。而随着无人机技术的发展和图像识别技术的发展，采用无人机进行人工智能巡线，已经是现今常用的巡线方案。
[0004]但是，目前的无人机巡线方案，其效率虽然较高，但是其由于技术方案本身的限制，依旧存在着缺陷部件检测精确度较差，检测可靠性较差的问题。

技术实现思路

[0005]本专利技术的目的之一在于提供一种可靠性高、精确性好且效率较高的基于场景信息挖掘的输电线路缺陷部件检测方法。
[0006]本专利技术的目的之二在于提供一种实现所述基于场景信息挖掘的输电线路缺陷部件检测方法的系统。
[0007]本专利技术提供的这种基于场景信息挖掘的输电线路缺陷部件检测方法，包括如下步骤：
[0008]S1.获取已有的输电线路缺陷部件的数据信息，从而构建数据集；
[0009]S2.基于CNN网络和场景分类网络，构建输电线路缺陷部件检测模型；
[0010]S3.采用步骤S1构建的数据集，对步骤S2构建的输电线路缺陷部件检测模型进行训练，得到训练后的输电线路缺陷部件检测模型；
[0011]S4.将实际的输电线路部件的图像输入到步骤S3得到的训练后的输电线路缺陷部件检测模型，完成基于场景信息挖掘的输电线路缺陷部件检测。
[0012]步骤S1所述的获取已有的输电线路缺陷部件的数据信息，从而构建数据集，具体包括如下步骤：
[0013]获取已有输电线路的样本图片，并对样本图片中的部件进行采样标注；
[0014]以采样位置为中心，获取设定大小的标注框及对应的标注信息；
[0015]每一个标注框及对应的标注信息构成一对信息对；
[0016]对获取的信息对进行数据增强，从而构建得到最终的数据集。
[0017]所述的数据增强，包括图像的旋转、图像的拉伸缩放和图像的镜像变换。
[0018]步骤S2所述的基于CNN网络和场景分类网络，构建输电线路缺陷部件检测模型，具
体包括如下步骤：
[0019]A.采用Faster RCNN网络作为第一层目标检测网络，并进行第一维目标检测：
[0020]Faster RCNN网络包括FPN特征提取网络、RPN候选区域生成网络、ROI池化层和分类回归器；
[0021]将输入图像输入到FPN特征提取网络中，以获取输入图像的图像特征；
[0022]然后将输入图像的图像特征输入到RPN候选区域生成网络，生成检测目标的候选框；
[0023]将检测目标的候选框输入到ROI池化层进行池化操作，得到对应的固定大小的滑动窗口；
[0024]B.采用场景分类网络提取输入图像中的场景信息：
[0025]将FPN特征提取网络得到的图像特征作为输入，首先经过batch norm层和ReLU层，再采用第二全连接层进行处理，从而得到每个场景的置信度得分；
[0026]设定场景分类函数的损失函数，并以损失函数计算得到每个场景的最终得分，并去得分最大时所对应的场景为最终分类场景；
[0027]根据得到的最终分类场景，构造one
‑
hot编码矩阵，并输入到第三全连接层进行处理，再根据预测框的数量N，采用重复函数复制N次，得到最终的场景特征信息；
[0028]C.将步骤A得到的滑动窗口，与步骤B得到的场景特征信息进行直接相加拼接，得到特征信息和；
[0029]将得到的特征信息和输入到分类回归器进行操作处理，得到最终的预测结果；所述的分类回归器为softmax分类回归器。
[0030]步骤S3所述的训练，具体包括如下内容：
[0031]在确定场景分类时，采用如下算式作为场景分类函数的损失函数L1：
[0032][0033]式中y为真实标签概率；y为预测标签概率；
[0034]在进行分类回归操作时，采用如下算式作为分类回归器的损失函数Loss：
[0035]Loss＝L
cls
(p
i
,u
i
)+λL
reg
(t
i
,v
i
)
[0036]式中L
cls
(p
i
,u
i
)为分类损失，且L
cls
(p
i
,u
i
)＝
‑
log(p
i
u
i
+(1
‑
p
i
)(1
‑
u
i
))，p
i
为区域预测框被预测为某一类别的概率，u
i
为标注过的真实数据的标签；λ为平衡参数；L
reg
(t
i
,v
i
)为回归损失，且t
i
为区域建议框的平移缩放参数，v
i
为对应目标的真实数据的平移缩放参数。
[0037]本专利技术还公开了一种实现所述基于场景信息挖掘的输电线路缺陷部件检测方法的系统，包括数据获取模块、模型构建模块、模型训练模块和检测模块；数据获取模块、模型构建模块、模型训练模块和检测模块依次串接；数据获取模块用于获取已有的输电线路缺陷部件的数据信息，构建数据集，并将数据上传模型构建模块；模型构建模块用于根据接收到的数据，基于CNN网络和场景分类网络，构建输电线路缺陷部件检测模型，并将数据上传
模型训练模块；模型训练模块用于根据接收到的数据，采用数据集对输电线路缺陷部件检测模型进行训练，得到训练后的输电线路缺陷部件检测模型，并将数据上传检测模块；检测模块用于根据接收到的数据，将实际的输电线路部件的图像输入到训练后的输电线路缺陷部件检测模型，完成基于场景信息挖掘的输电线路缺陷部件检测。
[0038]本专利技术提供的这种基于场景信息挖掘的输电线路缺陷部件检测方法及系统，通过构建输电线路中各样本得场景信息特征以及样本部件的ROI区域，使其两部分特征相互融合用于检测输电线路中的部件缺陷，其中基于场景信息的特征知识为算法模型增加了更多的可解释性；因此本专利技术能够更加有效地利用语义信息，大大提高目标的检测准确率，而且可靠性高、精确性好且效率较高。
附图说明
[0039]图1为本专利技术方法的方法流程示意图。
[0040]图2为本专利技术系统本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于场景信息挖掘的输电线路缺陷部件检测方法，包括如下步骤：S1.获取已有的输电线路缺陷部件的数据信息，从而构建数据集；S2.基于CNN网络和场景分类网络，构建输电线路缺陷部件检测模型；S3.采用步骤S1构建的数据集，对步骤S2构建的输电线路缺陷部件检测模型进行训练，得到训练后的输电线路缺陷部件检测模型；S4.将实际的输电线路部件的图像输入到步骤S3得到的训练后的输电线路缺陷部件检测模型，完成基于场景信息挖掘的输电线路缺陷部件检测。2.根据权利要求1所述的基于场景信息挖掘的输电线路缺陷部件检测方法，其特征在于步骤S1所述的获取已有的输电线路缺陷部件的数据信息，从而构建数据集，具体包括如下步骤：获取已有输电线路的样本图片，并对样本图片中的部件进行采样标注；以采样位置为中心，获取设定大小的标注框及对应的标注信息；每一个标注框及对应的标注信息构成一对信息对；对获取的信息对进行数据增强，从而构建得到最终的数据集。3.根据权利要求2所述的基于场景信息挖掘的输电线路缺陷部件检测方法，其特征在于所述的数据增强，包括图像的旋转、图像的拉伸缩放和图像的镜像变换。4.根据权利要求3所述的基于场景信息挖掘的输电线路缺陷部件检测方法，其特征在于步骤S2所述的基于CNN网络和场景分类网络，构建输电线路缺陷部件检测模型，具体包括如下步骤：A.采用Faster RCNN网络作为第一层目标检测网络，并进行第一维目标检测：Faster RCNN网络包括FPN特征提取网络、RPN候选区域生成网络、ROI池化层和分类回归器；将输入图像输入到FPN特征提取网络中，以获取输入图像的图像特征；然后将输入图像的图像特征输入到RPN候选区域生成网络，生成检测目标的候选框；将检测目标的候选框输入到ROI池化层进行池化操作，得到对应的固定大小的滑动窗口；B.采用场景分类网络提取输入图像中的场景信息：将FPN特征提取网络得到的图像特征作为输入，首先经过batch norm层和ReLU层，再采用第二全连接层进行处理，从而得到每个场景的置信度得分；设定场景分类函数的损失函数，并以损失函数计算得到每个场景的最终得分，并去得分最大时所对应的场景为最终分类场景；根据得到的最终分类场景，构造one
‑
hot编码矩阵，并输入到第三全连接层进行处理，再根据预测框的数量N，采用重复函数复制N次，得到最终的场景特征信息；C.将步骤A得到的滑动窗口，与步骤B得到的场景特征信息进行直接相加拼接，得到特征信息和；将得到的特征信息和输入到分类回归器进行操作处理，得到最终的...

【专利技术属性】
技术研发人员：王康，刘晗，刘亮，胡维，文阳，李嘉雯，
申请(专利权)人：国网湖南省电力有限公司信息通信分公司国家电网有限公司，
类型：发明
国别省市：