【技术实现步骤摘要】
基于深度学习的输电线路绝缘子智能故障检测方法
[0001]本专利技术属于计算机视觉领域,具体涉及基于深度学习的输电线路绝缘子智能故障检测方法
。
技术介绍
[0002]随着电力工业的发展,高压输电线路变得越来越重要
。
绝缘子是输电线路中最重要的电力设备之一,它提供电气绝缘和机械固定
。
但由于绝缘子放置在室外且长期运行,绝缘子易损坏,是影响电力系统稳定性的主要因素
。
有雷击
、
材料老化
、
过载等可能导致绝缘子串损坏
。
因此,有必要对输电线路的绝缘子进行定期检查,以保证其正常运行
。
以前的检验工作通常是手工完成的,但费时费力,浪费了大量不必要的劳动和人力资源
。
另一种检查工作采用的方法是借助直升机巡逻,这种方法成本高,效率低
。
近年来,随着无人机的发展和普及,出现了一种有效检测绝缘子故障的新方法
。
同时,一种新兴的图像识别技术使得绝缘子故障检测变得更加高效和省力
。
因此,可以通过无人机与图像识别技术的结合来完成绝缘子故障检测的任务
。
[0003]总之,基于视觉检测的方法大多受到颜色
、
角度等复杂背景因素的影响,需要非常清晰的拍摄图片
。
此外,这些方法大多耗时且非实时,不利于实际应用
。
同时,由于缺乏公共绝缘子航空数据集,所有方法都没有进一步发展r/>。
因此,提出一种新的绝缘子及绝缘子故障多目标检测算法具有重要意义
。
本专利技术提出的故障检测网络,相较于其他形式的检测网络,有更好的鲁棒性和更高的精度以及更小的计算复杂度,能够在复杂背景环境下实现对绝缘子故障的准确检测,有效减少漏检和误检的发生,因此具有更广泛的应用
。
技术实现思路
[0004]针对现有技术中对故障绝缘子检测所存在的鲁棒性较差,检测精度较低以及较大的模型复杂度,本专利技术的目的是提供一种基于深度学习的输电线路绝缘子智能故障检测方法
。
[0005]为实现上述目的,本专利技术采用如下技术方案:
[0006]一种基于深度学习的输电线路绝缘子智能故障检测方法,包括以下步骤:
[0007]步骤1,制作包含正常绝缘子和故障绝缘子的图片数据集;
[0008]步骤2,基于步骤1所制作的数据集,进行数据增强,扩充原先的数据集;
[0009]步骤3,选取目标检测模型框架;
[0010]步骤4,基于步骤3所选的目标检测模型框架,从精度要求和轻量化要求两方面,设计优化网络和轻量型网络;
[0011]步骤5,将步骤2得到的数据集与步骤4设计的优化网络以及轻量型网络应用于步骤1的检测任务中进行测试
。
[0012]所述步骤1中,从中国电力线路绝缘子数据集中收集的正常绝缘子图像和缺陷绝缘子图像
。
[0013]所述步骤2中,数据增强的手段包括亮度改变
、
对比度改变
、
旋转
。
[0014]所述步骤3中,选取
YOLOv5
目标检测算法作为目标检测模型框架
。
[0015]所述步骤4中,基于
YOLOv5
网络模型,首先设计一个高精度的优化网络,在
SPPF
的前一层添加注意力模块,此外,用
CARAFE
上采样算子代替了最近邻插值的上采样;然后,将优化网络的骨干替换为
ShuffleNetV2
,得到轻量级网络
。
[0016]优选的,所述注意力模块为同时考虑频道信息和位置信息的
CA
注意力模块
。
[0017]所述步骤5中,基于
Python/PyCharm
仿真平台进行测试,得出优化网络和轻型网络的检测精度以及计算复杂度
。
[0018]有益效果:本专利技术的基于深度学习的输电线路绝缘子智能故障检测方法可以对于输入在复杂背景下拍摄的不同亮度
、
对比度
、
方向
、
清晰度的航拍绝缘子图片时,仍然可以实现精度较高的检测结果,减少误检和漏检的事故出现,从而达到期望的检测效果
。
一方面,可以提高绝缘子故障检测的检测精度和鲁棒性;另外一方面,设计的轻量型网络可以使得模型网络更容易部署在无人机等嵌入式设备当中
。
附图说明
[0019]图1为本专利技术的流程图;
[0020]图2为数据增强前后数据集进行训练的绝缘子故障检测的输出对比图;
[0021]图3为
YOLOv5
的网络结构图;
[0022]图4为原
YOLOv5
与优化网络的召回率的对比图
。
具体实施方式
[0023]下面结合附图对本专利技术做更进一步的解释
。
[0024]本专利技术的一种基于深度学习的输电线路绝缘子智能故障检测方法,包括以下步骤:
[0025]步骤1,制作包含正常绝缘子和故障绝缘子的图片数据集:
[0026]本专利技术中检测对象是故障绝缘子,制作的图片数据集是从中国电力线路绝缘子数据集中收集的正常绝缘子图像和缺陷绝缘子图像组成,中国电力线路绝缘子数据集由国家电网公司提供
。
[0027]在本实施例中,使用
LabelImg
工具,创建了由
849
张图像组成的数据集,包括
601
张正常绝缘体图像和
248
张缺陷绝缘体图像
。
[0028]步骤2,进行数据增强,扩充原先的数据集:
[0029]数据增强的手段包括亮度改变
、
对比度改变
、
旋转
。
[0030]有缺陷的绝缘体图像的数量很小,导致正常样品和有缺陷样品之间的不平衡
。
此外,缺陷特征的数量不足导致缺陷绝缘体检测的精度在检测时变得相对较低
。
因此,采用数据增强方法来增加有缺陷的绝缘子图像,提高模型的鲁棒性
。
[0031]在本实施例中,通过旋转一定角度并改变图像的亮度
、
对比度和饱和度,缺陷绝缘体图像已扩展到
476
张
。
然后,将最终数据集划分为训练集和验证集
。
最终的数据集包含
1076
张图片,其中包含
600
张正常的绝缘子图片和
476
张故障绝缘子的图片,并划分为含有
879
张图片的训练集和
197
张图片的验证集
。
图2为数据增强前后数据集进行训练的绝缘子
[0040][0041]本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.
一种基于深度学习的输电线路绝缘子智能故障检测方法,其特征在于:包括以下步骤:步骤1,制作包含正常绝缘子和故障绝缘子的图片数据集;步骤2,基于步骤1所制作的数据集,进行数据增强,扩充原先的数据集;步骤3,选取目标检测模型框架;步骤4,基于步骤3所选的目标检测模型框架,从精度要求和轻量化要求两方面,设计优化网络和轻量型网络;步骤5,将步骤2得到的数据集与步骤4设计的优化网络以及轻量型网络应用于步骤1的检测任务中进行测试
。2.
根据权利要求1所述的基于深度学习的输电线路绝缘子智能故障检测方法,其特征在于:所述步骤1中,从中国电力线路绝缘子数据集中收集的正常绝缘子图像和缺陷绝缘子图像
。3.
根据权利要求1所述的基于深度学习的输电线路绝缘子智能故障检测方法,其特征在于:所述步骤2中,数据增强的手段包括亮度改变
、
对比度改变
、
旋转
。4.
根据权利要求1所述的基于深度学习的输电线路绝缘子智能故障检测方法,其特征在于:所述步骤3中,选取
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。