【技术实现步骤摘要】
本专利技术涉及配电线路巡检，具体涉及一种基于无人机巡检图像的配电线路缺陷检测方法。
技术介绍
1、输电和变电是电能从生产到使用的中间环节，承载着电能的输送和转化的关键任务，输电和变电设备的安全可靠运行关乎地区人民的生产、生活等诸方面的问题。因此，维护输电系统安全稳定运行是巡检工作的首要目标和最终目的，变电设备与输电线路的反复检查巡视也是确保电网能够正常稳定运行的重要手段。近年来，无人机已经大量应用在开展输电线路巡视工作中，巡线过程中产生了大量的包括文本、视频、图像等巡线数据，本领域技术人员通过数据挖掘实现线路缺陷统计，通过数据分析进行线路缺陷检测和识别等，充分发挥巡检数据价值，及时发现配电线路缺陷并做出响应，保障电力系统稳定运行。
2、随着边缘计算技术的进步，无人机巡线工作可以借助无人机中搭载的神经网络进行缺陷识别，但受边缘设备计算性能的限制，在实际应用过程有较多图像存在无法识别缺陷的情况，需巡视人员返回办公室后在电脑上查看采集的图像，需手工操作对图像进行识别缺陷及分析杆塔位置。随着无人机自动驾驶技术的应用推广，拍摄的图片数量越来越多，人工查看图像并发现缺陷的作业方式无法适应现在的情形。因此，如何提高无人机巡检的缺陷识别效率成为了本领域技术人员需要解决的技术问题。
技术实现思路
1、本专利技术主要是为了解决现有的无人机巡检图像缺陷识别手段效率低的问题，提供了一种基于无人机巡检图像的配电线路缺陷检测方法，利用粒子群算法对支持向量机进行参数寻优并通过模型训练获得pso_sv
2、为了实现上述目的，本专利技术采用以下技术方案。
3、一种基于无人机巡检图像的配电线路缺陷检测方法，包括以下步骤：
4、步骤s1：控制无人机巡检轨迹，获取巡检图像；
5、步骤s2：对所述巡检图像进行预处理；
6、步骤s3：提取预处理后的巡检图像的纹理特征，获得纹理特征数据集；
7、步骤s4：利用粒子群算法对支持向量机进行参数寻优，获得最优参数；
8、步骤s5：采用粒子群算法优化后的支持向量机对待测巡检图像进行分类，输出配电线路缺陷检测结果。
9、本专利技术提供了一种基于无人机巡检图像的配电线路缺陷检测方法，首先通过控制无人机航迹，对巡检目标进行动态实时监测，获得巡检图像；然后对巡检图像进行灰度化、增强和去噪处理，提高巡检图像数据质量，方便后续进行特征提取；接着利用gabor滤波器提取巡检图像的纹理特征，构建纹理特征数据集并将纹理特征数据集分为训练集和测试集；然后利用粒子群算法对支持向量机进行参数寻优并通过模型训练获得pso_svm模型；最后利用pso_svm模型对无人机巡检图像进行分类识别，获得配电线路缺陷检测结果，包括配电线路是否存在缺陷及缺陷类别。本专利技术有效提高了无人机巡检图像缺陷识别效率和准确率，充分挖掘巡检数据的价值，促进海量巡检数据的信息化管理和科学分析，及时发现配电线路缺陷并响应处理，为电力系统的稳定运行提供可靠保障。
10、作为优选，步骤s1中，无人机对巡检目标动态实时监测，其公式表示为：
11、
12、其中，代表行为状态转移概率，ri代表任意节点位置。
13、作为优选，步骤s2中，所述预处理包括灰度化处理、增强处理和去噪处理。图像灰度化处理主要是将彩色图像通过相关计算转化为灰度图像；图像增强处理是指采用retinex算法对图像进行增强处理，提升图像亮度及对比度；图像去噪处理是指利用均值滤波的方法进行降噪，其基本原则是用平均法来代替原始图像中的各图像的像素值，有利于较好地保护图像细节。
14、作为优选，步骤s3中，利用gabor滤波器提取巡检图像的纹理特征，用i1(x，y)表示gabor滤波之后得到的特征图像，i0(x，y)表示原始图像中局部邻域中心点，结合二维gabor函数表达式，其公式表示为：
15、
16、其中，是gabor滤波器的相位偏移，其取值范围为-180°～180°，x′＝x cosθ+y sinθ,y′＝-x sinθ+ycosθ，σ、θ和f分别表示gabor滤波器的尺度、频率和方向参数。
17、由于纹理特征可以很好地表示缺陷信息，因此选取对纹理特征获取具有优势的gabor滤波器进行特征提取。gabor滤波器相当于一组带通滤波器，在频域和空间域中具有最佳联合分辨率。由gabor函数生成的gahor滤波器可以更加精确地提取空间位置、空间频率以及方向选择性的局部信息。考虑到过多的特征提取会导致出现特征维数过高、信息的冗余量过大问题，本专利技术对所得到的gabor纹理特征采用主成分分析法进行降维。
18、作为优选，步骤s3中，将所述纹理特征数据集分为训练集和测试集。本专利技术设置训练集和测试集比例为3:1，将纹理特征数据集划分为训练集及测试集。
19、作为优选，步骤s4的具体过程，包括以下步骤：
20、步骤s41：种群初始化和参数初始设置：种群规模设定为由20个粒子组成，所述粒子的位置和速度是随机生成的，惩罚因子c和核函数参数γ的变化范围分别是[0，100]和[0，1000]，加速常数c1和c2分别取1.4和1.8；
21、步骤s42：适应度值计算：种群规模设定为20，适应度值的计算按照下式进行：f(c，γ)＝accuracy，选用支持向量机中的交叉验证策略来计算训练集的适应度值，综合考虑到验证效率和准确率，将训练集划分为三个部分来进行交叉验证；
22、步骤s43：更新粒子的位置和速度，进行循环迭代：得到本代种群的全局最优解和局部最优解后，需要进行粒子信息的更新，位置和速度的更新根据下面两式进行：vi+1＝w×vi+c1×rand×(pbest-xi)+c2×rand×(gbest-xi)，xi+1＝＝xi+vi+1；
23、步骤s44：比较更新全局最优解和局部最优解：如果当前的适应度值优于局部的最好适应度值，将当前值作为最好的适应度值，同时更新局部最优的粒子信息；如果当前的适应度值优于全局的最好适应度值，替换全局最优为当前的适应度值，并更新全局最优粒子信息。
24、引人pso避免了人工设置惩罚因子c和核函数参数γ对于svm模型性能的影响，由pso帮助机器寻找最优参数，有效提高了svm的分类性能，具有抗干扰性强的优点。
25、作为优选，步骤s4还包括：将测试集数据输人到优化后的pso_svm模型中，进行分类测试，得到分类识别准确率，若分别识别准确率高于设定值，则使用所述pso_svm模型对待测巡检图像进行配电线路缺陷检测。利用测试集数据验证pso_svm模型分类识别准确率。
26、本文档来自技高网...
【技术保护点】
1.一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤S1中，无人机对巡检目标动态实时监测，其公式表示为：
3.根据权利要求1所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤S2中，所述预处理包括灰度化处理、增强处理和去噪处理。
4.根据权利要求1所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤S3中，利用Gabor滤波器提取巡检图像的纹理特征，用I1(x，y)表示Gabor滤波之后得到的特征图像，I0(x，y)表示原始图像中局部邻域中心点,结合二维Gabor函数表达式，其公式表示为：
5.根据权利要求1或4所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤S3中，将所述纹理特征数据集分为训练集和测试集。
6.根据权利要求5所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤S4的具体过程，包括以下步骤：
7.根据权利要求5所述
8.根据权利要求7所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤S5中，将待测巡检图像输入至所述PSO_SVM模型，PSO_SVM模型输出分类识别结果，获得配电线路是否存在缺陷以及缺陷类别的结果。
9.根据权利要求1或7或8所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，所述配电线路缺陷包括但不限于绝缘子防震锤锈蚀缺陷。
...【技术特征摘要】
1.一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤s1中，无人机对巡检目标动态实时监测，其公式表示为：
3.根据权利要求1所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤s2中，所述预处理包括灰度化处理、增强处理和去噪处理。
4.根据权利要求1所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤s3中，利用gabor滤波器提取巡检图像的纹理特征，用i1(x，y)表示gabor滤波之后得到的特征图像，i0(x，y)表示原始图像中局部邻域中心点,结合二维gabor函数表达式，其公式表示为：
5.根据权利要求1或4所述的一种基于无人机巡检图像的配电线路缺陷检测方法，其特征在于，步骤s3中，将所述纹理特征数据集分为训练...
【专利技术属性】
技术研发人员：朱轩冕，石玉峰，叶强，韩泽凯，魏征宇，
申请(专利权)人：浙江图盛输变电工程有限公司温州科技分公司，
类型：发明
国别省市：
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。