[发明专利]一种耐张线夹的缺陷检测方法、装置、设备及存储介质

说明书

本发明实施例公开了一种耐张线夹的缺陷检测方法、装置、设备及存储介质，该缺陷检测方法包括：获取多张输电线路中耐张线夹的图片作为训练图片；使用多张训练图片，根据Faster RCNN算法建立耐张线夹的检测模型，并根据卷积神经网络建立基于卷积神经网络的分类器模型；基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域，得到目标特征区域的坐标信息并裁剪出目标特征区域；将裁剪出的目标特征区域输入分类器模型，并基于分类器模型检测目标特征区域是否存在缺陷。本发明实施例提供的耐张线夹的缺陷检测方法、装置、设备及存储介质，能够实现耐张线夹缺陷检测的便捷性并提高缺陷检测效率。

技术领域

本发明实施例涉及缺陷检测技术，尤其涉及一种耐张线夹的缺陷检测方法、装置、设备及存储介质。

背景技术

在电力系统领域，输电线路中的耐张线夹用于将导线或者避雷线固定在非直线杆塔的耐张绝缘子串上，起到锚固及导电的作用，随着电网的快速发展，电网电压等级越来越高，输电线路越来越密集，耐张线夹的性能缺陷也成为影响电网安全稳定运行的重要因素。因此，为了电网的安全运行，减少经济损失，需及时检测耐张线夹是否存在缺陷。

目前，现有的耐张线夹的缺陷检测方法，在对输电线路中的耐张线夹进行检测时大多是采用人工检测的方式检测耐张线夹是否存在缺陷，检测速度较慢，耗费大量的人力，会带来工作量较大且工作效率较低的问题。

发明内容

本发明实施例提供一种耐张线夹的缺陷检测方法、装置、设备及存储介质，以实现耐张线夹缺陷检测的便捷性并提高缺陷检测效率。

第一方面，本发明实施例提供了一种耐张线夹的缺陷检测方法，该缺陷检测方法包括：

获取多张输电线路中耐张线夹的图片作为训练图片；

使用多张训练图片，根据Faster RCNN算法建立耐张线夹的检测模型，并根据卷积神经网络建立基于卷积神经网络的分类器模型；

基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域，得到目标特征区域的坐标信息并裁剪出目标特征区域；

将裁剪出的目标特征区域输入分类器模型，并基于分类器模型检测目标特征区域是否存在缺陷。

可选的，基于Faster RCNN算法和耐张线夹的检测模型确定待检测图片中的目标特征区域，得到目标特征区域的坐标信息并裁剪出目标特征区域，包括：

耐张线夹的检测模型通过Faster RCNN算法中的卷积层，提取待检测图片的卷积特征；

将卷积特征输入Faster RCNN算法中的区域建议网络，得到多个目标候选区域；

将多个目标候选区域输入Faster RCNN算法中的区域池化层，得到目标特征区域和目标特征区域的坐标信息，并裁剪出目标特征区域。

可选的，将裁剪出的目标特征区域输入分类器模型，并基于分类器模型检测目标特征区域是否存在缺陷，包括：

将裁剪出的目标特征区域进行预设尺寸的缩放并输入至分类器模型；

分类器模型对目标特征区域进行多层卷积层、重叠池化层和局部响应归一化层的特征提取操作，提取目标特征区域的目标特征；

将目标特征经过全连接层进行全连接后，通过ReLU层和Dropout层的优化处理得到优化后的目标特征；

对优化后的目标特征进行再次全连接并检测目标特征是否存在缺陷。

可选的，卷积神经网络为AlexNet网络结构的卷积神经网络。

可选的，获取多张输电线路中耐张线夹的图片作为训练图片之后，包括：