一种输电线路器件缺损检测方法及系统技术方案

本发明专利技术涉及电力智能运检技术领域，公开了一种输电线路器件缺损检测方法及系统，该方法，利用拍摄输电线路得到的图像数据对改进的

【技术实现步骤摘要】
一种输电线路器件缺损检测方法及系统


[0001]本专利技术涉及电力智能运检
，具体是一种输电线路器件缺损检测方法及系统
。

技术介绍

[0002]输配电线路是电力系统的重要组成部分，经常暴露在外部环境中，承受各种外界因素的危害
。
这些因素会导致线路元件老化和疲劳，如果不能及时发现和消除这些潜在隐患，可能会引发严重故障，对电力系统的安全运行构成威胁
。
[0003]为了保证输电线路及附属设施的安全可靠运行，定期巡检是电网系统的基础性工作
。
通过巡视检查可以掌握线路的运行状况和周围环境的变化，及时发现设备缺陷和潜在的安全隐患，提出具体的检修意见，确保线路的安全和稳定运行
。
[0004]传统的人工巡检存在一些问题，如劳动强度大
、
费时低效
、
受地形限制
、
主观判断容易受干扰等
。
此外，人工巡查无法实现实时监测，难以及时发现潜在的缺损问题，增加了事故发生的风险
。
[0005]近年来，随着无人机技术
、
数据处理技术和人工智能技术的发展和应用，智能巡检业务模式已经成为一种有效的方法
。
该模式结合了直升机
/
无人机巡线
、
激光雷达扫描
、
数据处理分析和数据应用与可视化展示，能够准确地识别线路器件的缺损情况，避免漏检和误判，提高缺损检测的准确性和可靠性
。
此外，该模式还可以实时监测线路器件的状态变化，并通过智能预警系统及时通知相关人员，有助于及早采取维修措施，降低事故风险，提高城市输电线路的安全性和可靠性
。

技术实现思路

[0006]为克服现有技术的不足，本专利技术提供了一种输电线路器件缺损检测方法及系统，解决现有技术存在的难以实时准确检测线路器件的缺损情况等问题
。
[0007]本专利技术解决上述问题所采用的技术方案是：
[0008]一种输电线路器件缺损检测方法，利用拍摄输电线路得到的图像数据对改进的
YOLO v8
模型进行训练，得到缺损检测模型；利用该缺损检测模型对线路器件进行缺损检测；其中，改进的
YOLO v8
模型为利用
PP
‑
LCNet
网络对
YOLO v8
模型的骨干网络进行改进获得的模型
。
[0009]作为一种优选的技术方案，包括以下步骤：
[0010]S1
，标签化处理：使用巡检设备对输电线路进行拍摄，获取图像数据，然后对采集到的图像数据进行标签化处理，并将标签化处理后的图像数据划分为训练集和测试集；
[0011]S2
，改进：利用
PP
‑
LCNet
网络对
YOLO v8
模型的骨干网络进行改进，得到改进的
YOLO v8
模型；
[0012]S3
，训练：使用
S1
所获取的训练集和测试集对
S2
中改进的
YOLO v8
模型进行训练，得到缺损检测模型；
[0013]S4
，实时推理：利用缺损检测模型进行线路巡检的实时推理；
[0014]S5
，结果输出：在服务器系统显示巡检设备回传的线路巡检的实时推理结果，并将巡检过程中的异常检测值与位置信息以日志形式记录；
[0015]其中，进行缺损检测时，步骤执行顺序为
S1
‑
S2
‑
S3
‑
S4
‑
S5
或
S2
‑
S1
‑
S3
‑
S4
‑
S5。
[0016]作为一种优选的技术方案，步骤
S2
中，采用
PP
‑
LCNet
网络的卷积核替换
YOLO v8
模型的骨干网络的卷积核，采用
PP
‑
LCNet
网络的激活函数替换
YOLO v8
模型的骨干网络的激活函数
。
[0017]作为一种优选的技术方案，步骤
S2
包括以下步骤：
[0018]S2.1
，使用
PP
‑
LCNet
的卷积核替换
YOLO v8
模型的骨干网络的卷积核：
PP
‑
LCNet
的卷积核使用深层可分离卷积方式，该卷积方式包括逐通道卷积和逐点卷积两个步骤；其中，逐通道卷积对输入特征图的每个通道进行卷积，逐点卷积将输入特征图的所有通道进行线性组合；
[0019]S2.2
，使用
PP
‑
LCNet
的激活函数替换
YOLO v8
模型的骨干网络的激活函数：使用
Mish
激活函数替换
YOLO v8
模型的骨干网络的
ReLU
激活函数；其中，
Mish
激活函数用于对输入特征图中的负值进行平滑处理
。
[0020]作为一种优选的技术方案，步骤
S3
中，使用训练集数据进行特征提取和锚框学习，然后使用测试集数据对改进的
YOLO v8
模型进行校验，得到输电线路器件缺损检测模型
。
[0021]作为一种优选的技术方案，步骤
S4
包括以下步骤：
[0022]S4.1
，将缺损检测模型部署至巡检设备上，缺损检测模型对巡检时拍摄的图像进行抽帧，然后抽帧后的图像用于后续的推理识别；
[0023]S4.2
，利用缺损检测模型对输入图像进行特征提取：在对特征图进行逐通道卷积和逐点卷积后，执行池化
、
上下采样和特征融合操作，将输入图片映射到一个新的特征空间，提取出图片中的局部和全局特征；
[0024]S4.3
，特征提取后，缺损检测模型使用预测头来对特征图进行预测输出；接着，缺损检测模型使用锚框来预设候选框的形状和大小；然后，计算每个锚框的得分，并按得分从高到低对所有锚框进行排序；
[0025]S4.4
，从排序后的锚框列表中取出得分最高的锚框，将得分最高的锚框作为最终输出的一部分，并从列表中删除得分最高的锚框；然后，计算剩余锚框与第一个锚框的重叠度；接着，缺损检测模型删除重叠度高于设定阈值的锚框，保留重叠度低于该设定阈值的锚框；再然后，重复步骤
S4.4
，直到锚框列表为空或达到最大输出数量，得到最终的推理结果
。
[0026]作为一种优选的技术方案，步骤
S5
包本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种输电线路器件缺损检测方法，其特征在于，利用拍摄输电线路得到的图像数据对改进的
YOLO v8
模型进行训练，得到缺损检测模型；利用该缺损检测模型对线路器件进行缺损检测；其中，改进的
YOLO v8
模型为利用
PP
‑
LCNet
网络对
YOLO v8
模型的骨干网络进行改进获得的模型
。2.
根据权利要求1所述的一种输电线路器件缺损检测方法，其特征在于，包括以下步骤：
S1
，标签化处理：使用巡检设备对输电线路进行拍摄，获取图像数据，然后对采集到的图像数据进行标签化处理，并将标签化处理后的图像数据划分为训练集和测试集；
S2
，改进：利用
PP
‑
LCNet
网络对
YOLO v8
模型的骨干网络进行改进，得到改进的
YOLO v8
模型；
S3
，训练：使用
S1
所获取的训练集和测试集对
S2
中改进的
YOLO v8
模型进行训练，得到缺损检测模型；
S4
，实时推理：利用缺损检测模型进行线路巡检的实时推理；
S5
，结果输出：在服务器系统显示巡检设备回传的线路巡检的实时推理结果，并将巡检过程中的异常检测值与位置信息以日志形式记录；其中，进行缺损检测时，步骤执行顺序为
S1
‑
S2
‑
S3
‑
S4
‑
S5
或
S2
‑
S1
‑
S3
‑
S4
‑
S5。3.
根据权利要求2所述的一种输电线路器件缺损检测方法，其特征在于，步骤
S2
中，采用
PP
‑
LCNet
网络的卷积核替换
YOLO v8
模型的骨干网络的卷积核，采用
PP
‑
LCNet
网络的激活函数替换
YOLO v8
模型的骨干网络的激活函数
。4.
根据权利要求3所述的一种输电线路器件缺损检测方法，其特征在于，步骤
S2
包括以下步骤：
S2.1
，使用
PP
‑
LCNet
的卷积核替换
YOLO v8
模型的骨干网络的卷积核：
PP
‑
LCNet
的卷积核使用深层可分离卷积方式，该卷积方式包括逐通道卷积和逐点卷积两个步骤；其中，逐通道卷积对输入特征图的每个通道进行卷积，逐点卷积将输入特征图的所有通道进行线性组合；
S2.2
，使用
PP
‑
LCNet
的激活函数替换
YOLO v8
模型的骨干网络的激活函数：使用
Mish
激活函数替换
YOLO v8
模型的骨干网络的
ReLU
激活函数；其中，
Mish
激活函数用于对输入特征图中的负值进行平滑处理
。5.
根据权利要求2所述的一种输电线路器件缺损检测方法，其特征在于，步骤
S3
中，使用训练集数据进行特征提取和锚框学习，然后使用测试集数据对改进的
YOLO v8<...

【专利技术属性】
技术研发人员：李瑞，段渝，于岂健，蒋志平，蒋秋林，张岱阳，王凯瑜，孙璟玥，李星睿，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：