[发明专利]一种协同深度学习的绝缘子故障检测方法

说明书

一种协同深度学习的绝缘子故障检测方法，属于绝缘子故障检测技术领域，用以解决由于航拍图像中绝缘子背景复杂导致绝缘子故障区域的定位及检测精度受到影响的问题。本发明的技术要点在于，以跳跃结构构建FCN‑8s模型，基于FCN算法完成绝缘子图像分割，有效完成了滤除背景的目的；使用随机性更小的K‑means++聚类算法对绝缘子数据集聚类分析，优化YOLOv3算法的初始锚点框参数，进一步提高目标检测模型的定位及检测精度；本发明构建协同FCN和YOLOv3算法的绝缘子故障检测模型，经实验对比，相比于原始YOLOv3算法有效降低了误检与漏检概率，所对比的各项评价指标均有显著提升，有助于工程上综合安全性和经济性的因素考虑做出合理应对。

技术领域

本发明涉及绝缘子故障检测技术领域，具体涉及一种协同深度学习的绝缘子故障检测方法。

技术背景

绝缘子作为电力系统中关键的绝缘器件，在架空输电线路中起着机械支撑和防止电流回地的重要作用。作为易故障器件之一，受灾害、温度、潮湿等自然因素的影响，绝缘子很容易出现爆缸、金属护具脱落等物理故障，直接威胁着整个电力系统的输电稳定性。随着无人机技术和计算机技术的飞速发展，基于航拍图像的输电线路中关键电气设备的故障巡检方式，已经成为线路巡检的主要发展方向。目前国内外在电力设备的检测方面的研究已经取得了一定的进展。

在传统图像处理领域，文献[1]在划分绝缘子区域的基础上，计算各部分的方差和纹理信息，并加权求和，有效提高了对绝缘子单一故障的检测精度。文献[2]提出一种基于频率调谐的绝缘子识别与定位算法，通过三通道阈值分割与轮廓识别，实现了从复杂背景的巡检图像中准确识别、定位绝缘子。文献[3]提出一种基于Harris角点匹配与谱聚类的绝缘子故障检测方法，可有效改善伞裙交错情况对绝缘子轮廓提取的影响。文献[4]提出一种基于可见光图像颜色特征与支持向量机相结合的识别方法，为绝缘子污秽等级识别提供新思路。上述方法基本实现了绝缘子检测，但是传统的人工提取特征的方法存在局限性，且计算开销大，检测的精度和速度远远达不到实际应用的要求。

随着神经网络算法的发展，深度学习取得了突破性进展，由于其强大的表征和建模能力，使得在目标检测领域显现出了巨大优越性。基于深度学习的目标检测算法可分为两类：基于区域建议和基于回归的算法。基于区域建议的标志性算法有R-CNN和Fast R-CNN，核心思想是先获得建议区域，然后在当前区域内进行分类，所以也称为two-stage目标检测算法。文献[5]提出Faster R-CNN算法，为了减少选择性搜索的时间，使用区域建议网络来提取建议框，在提高检测精度的同时将检测时间减少到原来的1/10。文献[6]使用Faster R-CNN算法进行输电线路检测，通过正则化优化模型结构以提高检测速度，对巡检图像的多目标检测获得了较高精度和速度。基于区域建议的目标检测算法均需要独立训练两个复杂的网络，虽然检测准确率高，但是训练和测试速度仍然缓慢，无法满足实际应用要求。

为解决目标检测算法训练和检测速度缓慢的问题，基于回归的目标检测算法被提出，标志性算法有SSD(Single Shot Multibox Detection)算法和YOLO(You Only LookOnce) 算法，核心思想是用单一的卷积神经网络，直接基于整幅图像预测包围边框的位置及所属类性，也称为one-stage目标检测算法。文献[7]使用SSD算法，将超深度卷积神经网络 (Visual Geometry Group，VGG)替换为MobileNets结构，并删掉池化层和全连接层，实现了红外图像下电力设备异常发热的快速检测。文献[8]提出YOLOv3算法，采用残差网络优化网络结构，最大程度平衡了检测精度与速度，对COCO数据集检测的MAP值达到55.3％，检测时间为29ms。文献[9]将YOLOv3算法用于绝缘子串的定位与异常识别，用Focal Loss 和均衡交叉熵函数改进损失函数，采用多阶段迁移学习策略训练网络，获得了91.8％的诊断精度。以上基于回归的目标检测算法虽然满足了实际应用中的速度要求，但是航拍图像中绝缘子背景复杂，受附近线路、杆塔等多因素干扰，导致模型对绝缘子故障区域的定位及检测精度受到影响。

发明内容