一种绝缘子自爆缺陷检测方法及设备技术

本发明专利技术涉及电力系统输电网络技术领域，特别是一种绝缘子自爆缺陷检测方法及设备

【技术实现步骤摘要】
一种绝缘子自爆缺陷检测方法及设备


[0001]本专利技术涉及电力系统输电网络
，特别是一种绝缘子自爆缺陷检测方法及设备
。

技术介绍

[0002]随着用电需求量的不断增加，输电线路已遍布全国各地
。
绝缘子作为其中的重要组成部分，具有良好的机械支撑和电气绝缘性能，在整个输电过程中起着支撑导线以及防止电流回地的重要作用
。
然而绝缘子长期处于强电场环境中，并且容易受到雨雪和极端气温等恶劣天气的影响，从而发生自爆
、
断裂等缺陷，对输电线路安全稳定的运行产生了巨大的隐患
。
据统计，由绝缘子缺陷导致电力系统发生故障的次数最多
。
因此，快速
、
准确的检测出缺陷绝缘子并及时进行更换对整个输电系统的安全运行尤为重要
。
[0003]绝缘子的缺陷检测主要分为绝缘子定位以及缺陷检测
。
目前，绝缘子的缺陷检测可分为人工观察
、
基于传统图像处理和基于深度学习的方法
。
其中，人工观察的方法耗时耗力，且存在一定的安全隐患
。
而基于传统图像处理的方法需要人为设置目标特征，针对不同的目标需要设置不同的特征，且识别精度低，容易造成误检或漏检
。
基于传统图像处理的方法由于无法自动提取绝缘子的特征，所以只能在特定的环境下准确的识别出缺陷绝缘子，但绝缘子通常处于河流
、
农田
、
工地和森林等复杂的背景环境下，该方法不能准确对绝缘子进行提取和识别
。
[0004]因此目前急需一种识别精度高
、
且能够自动从图像中提取绝缘子特征信息的绝缘子自爆缺陷检测方法
。

技术实现思路

[0005]本专利技术的目的在于克服现有绝缘子检测技术中所存在的依赖人工
、
识别精度低以及无法在特殊环境提取绝缘子图像的问题，提供一种绝缘子自爆缺陷检测方法
。
[0006]为了实现上述专利技术目的，本专利技术提供了以下技术方案：一种绝缘子自爆缺陷检测方法，包括以下步骤：
a
：获取待检测图片；
b
：将所述待检测图片输入到再训练后的绝缘子检测模型，并输出对应的检测结果；其中，所述绝缘子检测模型的再训练包括以下步骤：
S1
：获取输电线路现场的绝缘子图像，构建基础图像集；
S2
：对
CPLID
数据集和所述基础图像集进行扩充和标注，生成扩充数据集；所述扩充数据集的标注信息包括状态类型和锚框坐标；
S3
：载入预训练好的
YOLO
系列模型，并在所述模型中添加
CBAM
注意力机制模块，以
EIoU loss
作为损失函数，输出绝缘子检测初步模型；
S4
：将所述绝缘子检测初步模型在所述扩充数据集上进行迁移学习训练，待模型
收敛后输出此时的模型
。
[0007]作为本专利技术的优选方案，所述
S2
中扩充操作采用数据增强技术，包括以下步骤：
S21
：混合
CPLID
数据集和基础图像集，给各个图像重新编排
ID
号；
S22
：按预设加噪密度为待扩充图像增加椒盐噪声；
S23
：对待扩充图像的图像区域进行随机遮挡处理；
S24
：对待扩充图像随机进行仿射变换和
/
或翻转和
/
或剪裁变换，生成扩充图像；所述仿射变换包括平移，旋转和缩放；
S24
：对每个图像进行标注处理，生成扩充数据集
。
[0008]作为本专利技术的优选方案，所述标注信息为
TXT
格式，每个图像的
TXT
标注为：
<insulator_class><x_center><y_center><width><height>...<insulator_class><x_center><y_center><width><height>
其中，每一行对应图像中的一个绝缘子：
insulator_class
为绝缘子类别，
x_center
为锚框
x
轴中点坐标，
y_center
为锚框的
y
轴中点坐标；
width
为锚框宽度；
hight
为锚框高度
。
[0009]作为本专利技术的优选方案，所述步骤
b
中检测结果采用与所述
S2
中所述标注信息对应的
yaml
文件进行表示，具体包括正常
、
自爆缺陷以及被遮挡三种结果
。
[0010]作为本专利技术的优选方案，所述
S3
中
CBAM
注意力机制模块包括通道注意力机制和空间注意力机制；所述通道注意力机制包括以下实施步骤：
S31
：将所述预训练图片经过5次不同卷积核的卷积运算，生成
3*H*W
的特征图，所述卷积核的大小依次为
7、5、3、3、1
；
S32
：将第
S31
步骤的特征图形状变换成
3*1*1
；生成3个通道的特征矩阵；
S33
：为3个所述特征信息分量分配对应的预设权重；
S34
：计算每个通道的通道相关性，以及在通道域中生成注意力掩码，并根据所述通道相关性以及所述注意力掩码对各个通道进行优先度排序；所述空间注意力机制包括以下实施步骤：
S35
：通过池化从前层从输入图片的特征图中提取用于生成注意力分数的相关向量；
S36
：将所述生成注意力分数的相关向量投入轻量化的全连接层，生成对应的注意力分数，并将所述注意力分数和原特征图相乘
。
[0011]作为本专利技术的优选方案，所述
S3
中所述
EIoU loss
损失函数的表达式为：，其中，是
EIoU loss
损失函数，是重叠损失，是中心距离损失，是高宽损失，为的比重系数，为的比重系数，为的比重系数
。
[0012]作为本专利技术的优选方案，所述重叠损失的计算式如下：
，其中，
A 是真实框，
B
是预测框
。
[0013]作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种绝缘子自爆缺陷检测方法，其特征在于，包括以下步骤：
a
：获取待检测图片；
b
：将所述待检测图片输入到再训练后的绝缘子检测模型，并输出对应的检测结果；其中，所述绝缘子检测模型的再训练包括以下步骤：
S1
：获取输电线路现场的绝缘子图像，构建基础图像集；
S2
：对
CPLID
数据集和所述基础图像集进行扩充和标注，生成扩充数据集；所述扩充数据集的标注信息包括状态类型和锚框坐标；
S3
：载入预训练好的
YOLO
系列模型，并在所述模型中添加
CBAM
注意力机制模块，以
EIoU loss
作为损失函数，输出绝缘子检测初步模型；
S4
：将所述绝缘子检测初步模型在所述扩充数据集上进行迁移学习训练，待模型收敛后输出此时的模型
。2.
根据权利要求1所述的一种绝缘子自爆缺陷检测方法，其特征在于，所述
S2
中扩充操作采用数据增强技术，包括以下步骤：
S21
：混合
CPLID
数据集和基础图像集，给各个图像重新编排
ID
号；
S22
：按预设加噪密度为待扩充图像增加椒盐噪声；
S23
：对待扩充图像的图像区域进行随机遮挡处理；
S24
：对待扩充图像随机进行仿射变换和
/
或翻转和
/
或剪裁变换，生成扩充图像；所述仿射变换包括平移，旋转和缩放；
S24
：对每个图像进行标注处理，生成扩充数据集
。3.
根据权利要求1所述的一种绝缘子自爆缺陷检测方法，其特征在于，所述标注信息为
TXT
格式，每个图像的
TXT
标注为：
<insulator_class><x_center><y_center><width><height>...<insulator_class><x_center><y_center><width><height>
其中，每一行对应图像中的一个绝缘子：
insulator_class
为绝缘子类别，
x_center
为锚框
x
轴中点坐标，
y_center
为锚框的
y
轴中点坐标；
width
为锚框宽度；
hight
为锚框高度
。4.
根据权利要求1所述的一种绝缘子自爆缺陷检测方法，其特征在于，所...

【专利技术属性】
技术研发人员：王流火，凌怡珍，马大奎，卢冠良，熊凯清，
申请(专利权)人：广东电网有限责任公司阳江供电局，
类型：发明
国别省市：