[发明专利]一种基于深度学习的输电设备缺陷自动识别方法

说明书

本发明采用深度学习技术对无人机巡检获得的输电塔的本体照片进行自动分析，首先利用Faster‑Rcnn算法自动从无人机巡检照片中识别出需要进行检测的输电设备，然后将输电设备送入针对该设备的缺陷分类器，判断该设备是否具有缺陷以及缺陷类型。若有缺陷，则自动在图片中进行标注缺陷设备所在位置以及缺陷类型，最终生成缺陷报告，给检修人员提供检修信息。本发明的分析过程具有准确率高、处理速度快、可靠性好等优点，实现了输电线路巡检照片的自动分析，无需人工参与。

技术领域

本发明属于电力检测领域，尤其是涉及一种基于深度学习的输电设备缺陷自动识别方法。

背景技术

电力系统有别于其他行业，维护不能随意中断生产，这就要在事故发生之前做好充分的预测—在事故发生之前解决故障，重点是输电线路的预防性巡检工作。输电线路负担高电压大电流的长期工作，近年来随着全球变暖恶劣气象天候频发，对电网安全运行构成越来越大的危险。

随着电网智能化水平不断提高，无人机巡检被越来越多的采用。每一次巡检任务完成后都会产生大量的巡检图片。一方面，现有的巡检图像处理方式，大都是基于人工判读的方式来完成目标部件的标定和缺陷的分类，人工判读方式劳动强度大、工作效率低。另一方面，人工判读方式没有一个统一的评判标准作为依据、易受个人主观因素的影响，常常漏判或错判很多缺陷。以上两方面的因素使得现有的巡检方式不但不能迅速的排查输电设备的缺陷，而且使得巡检效果不佳，从而导致线路状态监管缺位，这些都使得输电线路巡检工作效果大打折扣，给输电线路安全留下隐患。

发明内容

有鉴于此，本发明提出一种基于深度学习的输电设备缺陷自动识别方法，能够实现输电设备缺陷的自动识别，以取代人工判别的方式，自动发现并报告设备隐患位置和种类信息，以便维修人员及时维护。

为达到上述目的，本发明的技术方案是这样实现的：

一种基于深度学习的输电设备缺陷自动识别方法，步骤包括：

S1、使用多目标识别算法从无人机巡检照片或视频中识别出目标设备；

S2、使用深度学习分类器对目标设备是否有缺陷以及缺陷类型进行判断。

进一步的，步骤S1所述的多目标识别算法采用Faster-Rcnn模型，具体步骤为：

S11、使用卷积神经网络从原始图片中提取图片的卷积特征；

S12、使用RPNNet提取可能存在目标设备的候选区域；

S13、针对步骤S12中提取的候选区域，使用ROIpooling layer从原始图片的卷积特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的设备种类，同时精确回归出包含输电设备的矩形区域的坐标。

更进一步的，步骤S11所述卷积神经网络采用结构包括：VGG，ResNet，PvaNet。

更进一步的，步骤S13所述ROIpooling layer将每个候选区域的特征图均匀分成M×N块，对每块进行max pooling操作，提取特征向量。

更进一步的，所述Faster-Rcnn模型构建方法为：

S101、制作Faster-Rcnn样本，将一定规模的无人机输电线路巡检照片进行人工标注，标出图中所有的输电设备名称和位置，从中随机选取总数9/10的图片作为训练数据集，另外的1/10图片作为测试数据集；

S102、Faster-Rcnn模型训练，将步骤S101的训练数据集输入到Faster-Rcnn中对模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训练；