System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于计算机视觉,涉及图像中的物体检测,具体为一种基于巡检图像的电力系统绝缘子破损故障检测方法及设备。
技术介绍
1、电力系统中的绝缘子在架空输电线路和变电站中发挥着重要作用,可以支撑导线并防止电流回地,但是由于绝缘子主要工作在复杂的户外环境中,大多数绝缘子直接暴露在强烈的日晒、雨淋和风中,很容易导致损坏。绝缘子的破损故障是电网安全的重大威胁,有时甚至会导致停电等重大经济损失。因此在电力线路巡检中提前发现这些破损情况对于保证整个电力系统的正常运行至关重要。
2、传统的电力设施检查大多由人工进行,巡查人员必须非常注意观察绝缘子和其他电气组件,防止漏检故障。该过程依赖于检查员的经验和责任心,且效率相对较低,因此绝缘子缺陷检测具有较大的主观性和不稳定性。近年来无人设备的引入,让自动巡查设备逐渐取代人工巡查,而计算机视觉技术在绝缘子缺陷检测中的应用也成为近来研究的热点。无人机在绝缘子检测方面显示出良好的前景,其操作便利,成本低廉。无人机在检查期间拍摄的高分辨率照片已被用于许多绝缘子缺陷检测工作。现有技术中,绝缘子缺陷检测方法往往需要人工设计缺陷目标特征,例如使用canny边缘提取和hough变换等方法,针对特定环境下绝缘子的轮廓特征进行分割,并利用加速鲁棒特征进行特征提取;或者基于绝缘子空间形态特征、颜色特征等对绝缘体进行定位,并通过形态学处理对这些绝缘体进行处理,以分析故障破损位置。然而由于绝缘子图像在复杂的环境中拍摄的,图像往往具有不同的背景和各种光照条件或噪声,导致传统方法的有效性受限于特定场景。与现有方法相比
技术实现思路
1、本专利技术要解决的问题是:绝缘子图像在复杂背景下拍摄,具有不同光照条件,存在各种噪声,且绝缘子的破损故障区域占图像比例很小,属于小物体。这些情况影响物体检测模型的表现,而已有的基于深度学习的方法均存在一定缺陷,需要针对具体问题进行模型改进,以更准确的检测绝缘子破损故障。
2、本专利技术的技术方案为:基于巡检图像的电力系统绝缘子破损故障检测方法,基于yolov7模型构建故障检测模型,对yolov7网络保留原有的主干网络,对输出的三个不同规模的特征图,分别使用坐标注意力机制进行处理,然后输入改进的特征金字塔网络中进行特征融合,输出融合后的三个不同规模的特征图,最后将这些特征图再输入原有网络的头部中,实施预测,输出对绝缘子破损的预测结果;
3、所述改进的特征金字塔网络为:使用可学习权重的加权相加操作作为yolov7的颈部网络,进行特征融合,带可学习权重的加权相加操作由如下公式表示:
4、
5、ω是可学习的权重,i是输入的特征图,o是该操作的输出;
6、以c3、c4、c5为主干网络中每个阶段提取输出的特征图的符号,将经过坐标注意力机制处理的ci输入颈部网络,i=3,4,5,颈部网络自上而下的路径生成特征图p4和p5,n3,n4,n5用于表示最终通过自底向上路径获得的特征图,其中n3由c3和p4生成,n4由c4、p4和n3生成,n5由p5和n4生成,由两个特征图生成输出的操作的公式如下:
7、fout=conv(w1·f1+w2·resize(f2))
8、其中f1代表当前层规模的特征图输入,f2代表融合的不同规模的特征图输入,w1、w2分别是两个特征图对应的权重,
9、由三个特征图生成输出的操作由如下公式表示:
10、fout=conv(w1′·f1+w2′·f2+w3′·resize(f3))
11、其中f1,f2是当前层规模的特征图输入,f3代表融合的不同规模的特征图输入,w1′、w2′、w3′分别是三个个特征图对应的权重,上述公式中的resize操作使用上采样或下采样将规模大小不同的特征图进行大小调整;
12、构建故障检测模型后,获取电力系统绝缘子的巡检图像构建数据集,采用数据增强方法对数据集中的图像进行数量扩充,得到训练集训练故障检测模型,利用训练所得的检测模型实施物体检测,实现对新获取巡检图像中的绝缘子的破损故障检测。
13、本专利技术还提出基于巡检图像的电力系统绝缘子破损故障检测设备,包括数据处理模块,所述数据处理模块配置有计算机程序,所述计算机程序对应实现上述的故障检测模型,被执行时实现上述的绝缘子破损故障检测方法。
14、本专利技术的有效利益是:
15、1.本专利技术提供了一种解决绝缘子破损故障区域过小、图像场景复杂导致识别准确率低下问题的电力系统绝缘子破损故障检测方案。本专利技术同时考虑图像的通道关系和位置信息,并在图像特征中融合更多的语义信息,能够准确的检测绝缘子破损故障。
16、2.本专利技术在检测模型颈部网络的特征融合中加入权重,可以让特征融合网络去自动学习不同规模特征的重要性,从而有选择性的融合特征,此外还在输出融合结果时直接引入原始输入特征,以在特征中增加更多信息而不过大增加计算量。特征融合过程中没有直接使用双向特征金字塔等经典网络,而是在原始特征金字塔网络上改进,有效利用了原始网络中的先进卷积结构。
17、3.本专利技术能够有效利用检测对象绝缘子的物理特征。考虑到无人机沿线路拍摄图片,绝缘子在图像中一般呈水平或纵向方向分布,在检测模型中设计采用坐标注意力加强提取的特征,其作为注意力机制除了跨通道信息外,还能捕获方向感知和位置感知的信息,从而有效利用目标的物理特点。
18、4.本专利技术通过上述的改进方式,有效提高了网络对目标的检测能力。当应用于绝缘子检测时,通过对比本专利技术与现有的绝缘子检测算法比对,本专利技术的检测准确率大幅度提高。本专利技术方法具有良好的广泛性与实用性。
本文档来自技高网...【技术保护点】
1.基于巡检图像的电力系统绝缘子破损故障检测方法,其特征是基于YOLOv7模型构建故障检测模型,对YOLOv7网络保留原有的主干网络,对输出的三个不同规模的特征图,分别使用坐标注意力机制进行处理,然后输入改进的特征金字塔网络中进行特征融合,输出融合后的三个不同规模的特征图,最后将这些特征图再输入原有网络的头部中,实施预测,输出对绝缘子破损的预测结果;
2.根据权利要求1所述的基于巡检图像的电力系统绝缘子破损故障检测方法,其特征是坐标注意力机制包括坐标信息嵌入和坐标注意生成两个步骤:
3.根据权利要求1所述的基于巡检图像的电力系统绝缘子破损故障检测方法,其特征是由无人巡检设备获得绝缘子的巡检图,将获得的训练数据中不同分辨率的绝缘子图像分辨率调整为固定分辨率,使用数据增强方法,包括旋转操作、亮度调整操作、翻转操作和马赛克增强操作对图像数量进行扩充,得到训练集。
4.基于巡检图像的电力系统绝缘子破损故障检测设备,其特征是包括数据处理模块,所述数据处理模块配置有计算机程序,所述计算机程序对应实现权利要求1-3任一项所述的故障检测模型,被执行时实现权利要
...【技术特征摘要】
1.基于巡检图像的电力系统绝缘子破损故障检测方法,其特征是基于yolov7模型构建故障检测模型,对yolov7网络保留原有的主干网络,对输出的三个不同规模的特征图,分别使用坐标注意力机制进行处理,然后输入改进的特征金字塔网络中进行特征融合,输出融合后的三个不同规模的特征图,最后将这些特征图再输入原有网络的头部中,实施预测,输出对绝缘子破损的预测结果;
2.根据权利要求1所述的基于巡检图像的电力系统绝缘子破损故障检测方法,其特征是坐标注意力机制包括坐标信息嵌入和坐标注意生成两个步骤:
3.根据...
【专利技术属性】
技术研发人员:夏源,罗旺,张佩,
申请(专利权)人:南京南瑞信息通信科技有限公司,
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。