一种输电线关键部位识别与缺陷检测方法技术

本发明专利技术公开了一种输电线关键部位识别与缺陷检测方法，包括以下步骤：搭建输电线巡检数据采集系统，获取输电线图像数据，并对图像数据进行预处理，形成图像数据集；根据所述图像数据集进行输电线图像数据特征分析，得到输电线关键部位特征；根据输电线关键部位特征，构建基于

【技术实现步骤摘要】
一种输电线关键部位识别与缺陷检测方法


[0001]本专利技术涉及深度学习与目标检测
，尤其涉及一种输电线关键部位识别与缺陷检测方法
。

技术介绍

[0002]电力需求巨大促使输电线路范围不断扩大，目前，我国正实施“南北互供
、
西电东送”等输电网建设工程，已逐步形成多个大范围跨省区的电力输送系统，其中，架空输电线路是电力输送系统的核心
。
由于输电线路长期暴露在自然环境中，易受雨雪
、
风暴
、
沙尘和鸟害等侵害，致使电力部件损坏甚至缺失，从而引发严重的停电事故，威胁电力系统安全
。
因此，定期巡检输电线路
、
发现潜在隐患并及时维修非常重要
。
[0003]传统的人工巡检存在成本高
、
作业强度大等问题，在恶劣环境下，如高山
、
河流等，人工巡检常难以执行
。
因此推进输电线自动巡检系统发展，对电力系统的稳定运行至关重要
。
在电力系统输电线检测方面，无人机巡检技术因其安全
、
高效和便捷的特点被广泛应用，但采用人眼辨识的方式处理捕获到的巡检图像时，易受人员工作状态与主观影响，导致误检
、
漏检严重
。
随着计算机视觉技术的迅猛发展，图像处理技术在各行业的应用逐渐成熟，传统基于手工特征的检测算法严重依赖先验知识，在处理复杂多变的巡检图像时效果不佳，而卷积神经网络因其出色的性能和潜在的研究价值，得到了广泛应用
。
基于此，针对巡检图像和输电线路关键电力部件的特点，围绕线路巡检过程中的实际难题和挑战，提出一种输电线关键部位识别与缺陷检测方法，实现对输电线路关键部件的实时
、
精准监测，保障输电系统稳定运行
。

技术实现思路

[0004]本专利技术的主要目的是提出一种输电线关键部位识别与缺陷检测方法，旨在解决如何准确且快速的对输电线路关键部位进行实时
、
精准监测并输出结果的技术问题
。
[0005]为实现上述目的，本专利技术提供一种输电线关键部位识别与缺陷检测方法，其中，所述输电线关键部位识别与缺陷检测方法包括以下步骤：
[0006]S1、
搭建输电线巡检数据采集系统，获取输电线图像数据，并对图像数据进行预处理，形成图像数据集；
[0007]S2、
根据所述图像数据集进行输电线图像数据特征分析，得到输电线关键部位特征；
[0008]S3、
根据输电线关键部位特征，构建基于
YOLOv7
的输电线关键部位识别与缺陷检测模型，并通过图像数据集对模型进行迭代训练，得到最优模型；
[0009]S4、
获取待测图像，通过所述最优模型对输电线待测图像进行关键部位识别与缺陷检测
。
[0010]优选方案之一，所述输电线巡检数据采集系统包括
GPS
定位设备
、
高清云台相机和采集控制端
。
[0011]优选方案之一，所述步骤
S1
对图像数据进行预处理具体为：对图像数据进行筛选
、
清洗，并采用
CVAT
标注工具对图像数据进行标注，构建图像数据集
。
[0012]优选方案之一，所述输电线关键部位识别与缺陷检测模型包括：
[0013]骨干网络，所述骨干网络用于对图像数据集进行特征提取；
[0014]特征融合网络，所述特征融合网络用于将骨干网络提取的特征进行融合；
[0015]解耦头，所述解耦头用于分离分类与回归任务，提高模型收敛速度
。
[0016]优选方案之一，所述骨干网络为基于
Cot
模块的
Transformer
式的骨干网络；所述骨干网络包括
CBS
模块
、ELAN1
模块和
MP1
模块
。
[0017]优选方案之一，所述特征融合网络采用双分支架构的特征融合网络；所述双分架构的特征融合网络包括基于
Cot
模块的特征金字塔网络和自适应空间特征融合网络；所述特征融合网络包括
SPPCSPC
模块
、
上采样层
、CBS
模块
、ELAN2
模块
、MP2
模块
、Concat
层
、ASFF
层和
Add
层
。
[0018]优选方案之一，所述输电线关键部位识别与缺陷检测模型还包括基于动态非单调聚焦机制的边界框损失，所述基于动态非单调聚焦机制的边界框损失用于测量检测框重叠程度，以提高模型检测精度
。
[0019]优选方案之一，所述步骤
S3
通过图像数据集对模型进行迭代训练，得到最优模型，具体为：
[0020]对图像数据集进行数据增强；
[0021]采用基于
Cot
模块的
Transformer
式的骨干网络进行特征提取；
[0022]采用基于双分支架构的特征融合网络进行特征融合；
[0023]将特征融合后的特征图输入至解耦头，进行目标分类与回归；
[0024]设计损失函数，通过损失函数利用反向传播对网络参数进行调整，从而得到最优模型
。
[0025]优选方案之一，所述损失函数包括分类损失和回归损失；
[0026]所述分类损失采用交叉熵损失；
[0027]所述回归损失采用基于动态非单调聚焦机制的边界框损失
。
[0028]优选方案之一，所述基于动态非单调聚焦机制的边界框损失，具体为：
[0029]根据距离度量构建基于注意力机制的边框回归损失；
[0030]构建离群度描述预测框的质量，基于所述离群度构造非单调聚焦系数，并将所述非单调聚焦系数应用于基于注意力机制的边框回归损失，从而得到基于动态非单调聚焦机制的边界框损失
。
[0031]本专利技术的上述技术方案中，该输电线关键部位识别与缺陷检测方法包括：搭建输电线巡检数据采集系统，获取输电线图像数据，并对图像数据进行预处理，形成图像数据集；根据所述图像数据集进行输电线图像数据特征分析，得到输电线关键部位特征；根据输电线关键部位特征，构建基于
YOLOv7
的输电线关键部位识别与缺陷检测模型，并通过图像数据集对模型进行迭代训练，得到最优模型；获取待测图像，通过所述最优模型对输电线待测图像进行关键部位识别与缺陷检测
。
本专利技术解决了如何准确且快速的对输电线路关键部位进行实时
、
精准监测并输出结果的技术问题
。
[0032]在本专利技术中，采用基于
Cot
...

【技术保护点】

【技术特征摘要】
1.
一种输电线关键部位识别与缺陷检测方法，其特征在于，包括以下步骤：
S1、
搭建输电线巡检数据采集系统，获取输电线图像数据，并对图像数据进行预处理，形成图像数据集；
S2、
根据所述图像数据集进行输电线图像数据特征分析，得到输电线关键部位特征；
S3、
根据输电线关键部位特征，构建基于
YOLOv7
的输电线关键部位识别与缺陷检测模型，并通过图像数据集对模型进行迭代训练，得到最优模型；
S4、
获取待测图像，通过所述最优模型对输电线待测图像进行关键部位识别与缺陷检测
。2.
根据权利要求1所述的一种输电线关键部位识别与缺陷检测方法，其特征在于，所述输电线巡检数据采集系统包括
GPS
定位设备
、
高清云台相机和采集控制端
。3.
根据权利要求1所述的一种输电线关键部位识别与缺陷检测方法，其特征在于，所述步骤
S1
对图像数据进行预处理具体为：对图像数据进行筛选
、
清洗，并采用
CVAT
标注工具对图像数据进行标注，构建图像数据集
。4.
根据权利要求1‑3任一项所述的一种输电线关键部位识别与缺陷检测方法，其特征在于，所述输电线关键部位识别与缺陷检测模型包括：骨干网络，所述骨干网络用于对图像数据集进行特征提取；特征融合网络，所述特征融合网络用于将骨干网络提取的特征进行融合；解耦头，所述解耦头用于分离分类与回归任务，提高模型收敛速度
。5.
根据权利要求4所述的一种输电线关键部位识别与缺陷检测方法，其特征在于，所述骨干网络为基于
Cot
模块的
Transformer
式的骨干网络；所述骨干网络包括
CBS
模块
、ELAN1
模块和
MP1
模块
。6.
根据权利要求5所述的一种输电线关键部位识别与缺陷检测方法，...

【专利技术属性】
技术研发人员：赵晨阳，陈永，许健，李君，易世华，谢映海，李林峰，韩跟伟，
申请(专利权)人：威胜信息技术股份有限公司，
类型：发明
国别省市：