【技术实现步骤摘要】
本专利技术涉及绝缘子缺陷检测技术，具体地说是一种复杂背景下绝缘子缺陷图像识别方法。
技术介绍
1、绝缘子是电网输变电设备中必不可少的一种电气器件，能牢固支持和固定载流导体并将载流导体与地之间形成良好的绝缘。在电网设备中其数量十分庞大，外观呈现伞状、锯齿形或槽形，过渡圆滑。若绝缘子设备发生断裂、破损、倾斜等危急缺陷，就会造成设备迫停，引起地区大面积停电事故，因此对绝缘子缺陷的自动识别至关重要，能避免造成巨大的经济损失和社会影响。但是，与输电电路相比，变电站现场获取的绝缘子设备图像背景更复杂、迷惑因素更多，通常包含多场景、多类型设备。通过自动从纷繁的视频及图像中分辨、识别与提取关键目标有用信息，及时发现并预警各类缺陷，为运维人员提供智能化建议和故障判据，可实现电网设备由传统视频监控向“智能监控”的转变。通常情况下，绝缘子暴露在强电场的恶劣环境中，以及各种恶劣的天气条件，如烈日、台风或飓风、雷暴、冻雨、暴风雪等。这种恶劣的环境会使绝缘子容易被损坏，进而威胁电网系统的安全及电力的使用。这样重要的部件一旦损坏，对电力供应和公共安全都会造成严重问题。例如：在每年的雨季，都会发生变电站绝缘子因为闪络而造成设备跳闸事故。因此，有必要研究有效的绝缘子缺陷检测方法，以确保电力传输的安全可靠。
2、目前，针对变电站绝缘子缺陷图像识别，主要依赖历史缺陷图片智能学习算法和人工核定相结合的方式。
3、但现有技术中，由于绝缘子外观呈现伞状、锯齿形或槽形，位置均在高处，发生破损或断裂等缺陷后，人工肉眼极难发现；而且变电站内设备密集，绝缘
技术实现思路
1、本专利技术的目的在于提出一种复杂背景下绝缘子缺陷图像识别方法，以解决变电站内设备密集，绝缘子在白天、夜晚、重叠、遮挡、阴影、逆光、密集等各种环境下形状特征都会差异，使用现有深度学习的小样本学习方法也无法识别出缺陷的问题。
2、为实现上述目的，本专利技术提供以下技术方案：
3、一种复杂背景下绝缘子缺陷图像识别方法，采用图像法对绝缘子缺陷识别的研究主要分为两个阶段，首先在拍摄的图像中识别出绝缘子串，然后根据计算机图像算法判断缺陷类型，具体为：通过tophat算法能够识别复杂背景图像绝缘子轮廓信息；利用多模态融合检测技术实现绝缘子各类缺陷的识别，对缺陷实时提醒；改进提升yolo v5算法使得模型能够获取更多的物体边缘信息并适应不同分辨率的图片；通过迁移学习可将不断增加的缺陷数据集中的相关实例或特征迁移到微量数据集中，从而提高模型的泛化能力。
4、所述通过tophat算法能够识别复杂背景图像绝缘子轮廓信息具体包括以下内容：
5、进行变电站内绝缘子缺陷图像识别，首先要准确锁定绝缘子设备，然后才能进一步分析缺陷情况，复杂背景图片中局部轮廓信息识别是对图像进行一些平滑滤波的操作，去掉复杂背景图像中的噪声干扰和杂波干扰，从而提高复杂背景图像的局部轮廓信息的准确识别度。
6、所述多模态融合检测技术具体为根据具体变电站特殊场景和绝缘子设备外形特点，采用深度学习的计算机视觉技术，融合机器学习、经典cv算法以及其他信号处理方法，构建的多模态融合检测技术(multimodal-fusion detection)，采用“加”联合方法；在不同的隐藏层实现共享语义子空间，将转换后的各个单模态特征向量语义组合在一起，从而实现多模态融合，如公式所示：
7、r＝f(a1s1+a2s2+…+ansn)
8、其中r是共享语义子空间中的输出结果,s是各单模态的输入，a是权重，下标表示不同的模态，通过映射f将所有子模态语义转换到共享子空间；这种技术实现了绝缘子各类缺陷的全栈覆盖。
9、所述改进提升yolo v5算法具体包括：
10、考虑到绝缘子视频或图像数据的复杂性，对其进行相应的数据处理，制作了绝缘子检测数据集；基于yolo v5模型为主体，首先采用图像金字塔结构，将不同层次特征进行融合，获取不同尺度的特征图，用于位置和类别预测；然后利用k-means无监督聚类算法，对图像经过适当的预处理，可以对数据做初步分析，挖掘出隐含的价值信息，再对目标框维度进行聚类，增加先验框(anchor box)个数，使得模型能够获取更多的物体边缘信息；最后，在训练过程中，采用多尺寸图片进行训练，使得模型能够适应不同分辨率的图片。从而识别绝缘子缺陷图像特征位置并判断缺陷类别。
11、通过迁移学习可将不断增加的缺陷数据集中的相关实例或特征迁移到微量数据集中，从而提高模型的泛化能力具体包括：在faster r-cnn(一种算法)模型中将vgg-16卷积神经网络在imagenet(一个计算机视觉系统识别项目)中学习到的特征层迁移到具有较少数据的缺陷识别问题上，被迁移的特征层中涵盖了复杂多样的特征提取能力(边缘特征、纹理特征和局部抽象特征等)。
12、vgg-16是一个具有16层的卷积神经网络，其中卷积层有13层，每个卷积滤波器的大小为3×3。本文将vgg-16网络中的全连接层以上的隐特征层进行迁移，同时加入预先在vgg-16网络使用倾斜数据训练过的全连接层(fully connected layers,fc)，进而构建一个新的深度迁移学习网络进行训练预测，训练过程中会冻结由vgg迁移过来的卷积层和池化层参数，对全连接层进行微调。模型中采用真实场景数据，通过构建深度迁移学习网络，从而不断优化提高缺陷精准度；
13、在迁移学习技术中将已有的知识(原有模型及样本)叫做源域，要学习的新知识(新的本地化样本)叫目标域；迁移学习研究如何把源域的知识迁移到目标域上，并自动提升学习效果。
14、与现有技术相比，本专利技术有益效果如下：
15、本专利技术能够在变电站内多场景、多类型设备的复杂背景下，针对绝缘子设备缺陷，自动从已采集的视频及图像中分辨、识别并提取有用信息，及时发现并预警其缺陷，为运维人员提供智能化建议和故障判据。
16、本专利技术通过采用改进的yolo v5算法，能够在变电站复杂背景下，对绝缘子缺陷图像保证识别精度的同时提高识别速率，缺陷图像可以在第一时间被有效识别并预警，为电力检修、运维人员消除缺陷、排除故障提供依据和参考，高效保障变电站安全生产和设备稳定运行。
本文档来自技高网...【技术保护点】
1.一种复杂背景下绝缘子缺陷图像识别方法，其特征在于，采用图像法对绝缘子缺陷识别的研究主要分为两个阶段，首先在拍摄的图像中识别出绝缘子串，然后根据计算机图像算法判断缺陷类型，具体为：通过Tophat算法能够识别复杂背景图像绝缘子轮廓信息；利用多模态融合检测技术实现绝缘子各类缺陷的识别，对缺陷实时提醒；改进提升YOLO v5算法使得模型能够获取更多的物体边缘信息并适应不同分辨率的图片；通过迁移学习可将不断增加的缺陷数据集中的相关实例或特征迁移到微量数据集中，从而提高模型的泛化能力。
2.根据权利要求1所述的复杂背景下绝缘子缺陷图像识别方法，其特征在于，所述通过Tophat算法能够识别复杂背景图像绝缘子轮廓信息具体包括以下内容：
3.根据权利要求1所述的复杂背景下绝缘子缺陷图像识别方法，其特征在于，所述多模态融合检测技术具体为根据具体变电站特殊场景和绝缘子设备外形特点，采用深度学习的计算机视觉技术，融合机器学习、经典CV算法以及其他信号处理方法，构建的多模态融合检测技术(Multimodal-Fusion Detection)，采用“加”联合方法；在不同的隐藏
4.根据权利要求1所述的复杂背景下绝缘子缺陷图像识别方法，其特征在于，所述改进提升YOLO v5算法具体包括：
5.根据权利要求1所述的复杂背景下绝缘子缺陷图像识别方法，其特征在于，通过迁移学习可将不断增加的缺陷数据集中的相关实例或特征迁移到微量数据集中，从而提高模型的泛化能力具体包括：在Faster R-CNN(一种算法)模型中将VGG-16卷积神经网络在ImageNet(一个计算机视觉系统识别项目)中学习到的特征层迁移到具有较少数据的缺陷识别问题上，被迁移的特征层中涵盖了复杂多样的特征提取能力(边缘特征、纹理特征和局部抽象特征等)。
...【技术特征摘要】
1.一种复杂背景下绝缘子缺陷图像识别方法，其特征在于，采用图像法对绝缘子缺陷识别的研究主要分为两个阶段，首先在拍摄的图像中识别出绝缘子串，然后根据计算机图像算法判断缺陷类型，具体为：通过tophat算法能够识别复杂背景图像绝缘子轮廓信息；利用多模态融合检测技术实现绝缘子各类缺陷的识别，对缺陷实时提醒；改进提升yolo v5算法使得模型能够获取更多的物体边缘信息并适应不同分辨率的图片；通过迁移学习可将不断增加的缺陷数据集中的相关实例或特征迁移到微量数据集中，从而提高模型的泛化能力。
2.根据权利要求1所述的复杂背景下绝缘子缺陷图像识别方法，其特征在于，所述通过tophat算法能够识别复杂背景图像绝缘子轮廓信息具体包括以下内容：
3.根据权利要求1所述的复杂背景下绝缘子缺陷图像识别方法，其特征在于，所述多模态融合检测技术具体为根据具体变电站特殊场景和绝缘子设备外形特点，采用深度学习的计算机视觉技术，...
【专利技术属性】
技术研发人员：蔡漪濛，海云瑞，王立志，李波，张晓波，张亮，樊清云，冯明亮，何磊，万文华，童一凡，刘艺智，刘家瑞，张博文，韦婉，马佳伟，
申请(专利权)人：宁夏超高压电力工程有限公司，
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。