[发明专利]一种基于深度学习的输电线路绝缘子缺陷检测方法

说明书

本申请提供一种基于深度学习的输电线路绝缘子缺陷检测方法，采用最新目标检测算法，具有很强的性能；引入了通道注意机制，大大地提升了检测准确率；融合了深度排序算法实现了绝缘子的跟踪，融合了残差神经网络并作为分类头，在目标检测算法提取到的强大的特征的基础上进行分类，具有优秀的分类效果。实现了连续帧视频到最终结果的端到端检测，以及多绝缘子目标和多绝缘子片状态的同时检测，准确率高，鲁棒性好，适用于各种巡检场景。本申请实现了无人机巡检视频到最终多绝缘子多缺陷检测结果的端到端检测，部署后操作简单，结果明了。

技术领域

本申请涉及人工智能图像目标检测与状态识别技术领域，尤其涉及一种基于深度学习的输电线路绝缘子缺陷检测方法。

背景技术

输电线路作为电力网络中的重要组成部分，其安全稳定运行直接决定了整个电力系统的安全稳定性。实际输电线路距离跨度大、错综复杂，受自然的地理环境和气候条件的影响，长期暴露在外，极易出现输电线路设备老化、故障等问题。同时，输电线路高空架设易受到机械负荷产生的内部压力，增加了线路部件老化、损坏的几率，难以保证电力网络的安全稳定运行，给大电网造成隐患、甚至导致网络故障，造成较大的经济损失，因此需要定期对电力网络输电线路进行故障巡检。而绝缘子作为输电线路中的重要部件，数量庞大、起着机械支撑和绝缘的作用，受气候、温度等自然因素的影响易出现掉片等破损现象，很容易使输电线路的供电中断，严重时将会导致各个区域的电网故障，影响了居民用户的安全稳定用电，造成巨大的经济损失，威胁了电网的安全稳定运行，需要及时进行输电线路故障巡检。

目前采用无人机进行输电线路巡检已成为输电线路巡检中的重要手段，绝缘子自爆后缺失、绝缘子部分缺失存在缺陷是高压输电线路中常见的缺陷。目前绝缘子缺陷检测的常用方法是利用无人机航拍绝缘子，然后对影像做进一步分析处理。绝缘子影像处理方法可以分为两类，均是针对单绝缘子图进行单缺陷如自爆缺陷的检测：一类是传统图像处理方法，先通过空间转换、阈值分割和形态学滤波等方法提取绝缘子串，但应对绝缘子背景复杂、摄像机动态变化、自爆缺陷信噪比低等挑战时这些方法鲁棒性较差，不能适用于各种情况下的绝缘子提取，因此后续的自爆缺陷检测更难以为继。另一种方法是基于深度学习的方法，在利用深度学习目标识别算法检测绝缘子及其缺陷方面，通过卷积神经网络相关算法定位识别绝缘子，然后结合显著性检测、超像素分割等图像处理方法对绝缘子进行数学建模并识别缺陷。

发明内容

为了解决上述问题，本申请提供一种基于深度学习的输电线路绝缘子缺陷检测方法，以解决现有技术只能针对单绝缘子图进行单缺陷检测的问题。能高效准确地从无人机的巡检视频中识别和追踪各帧图像中的多绝缘子，并检测出各绝缘子片的状态，具有良好的鲁棒性。

为了实现上述目的，本申请通过以下技术方案实现：

一种基于深度学习的输电线路绝缘子缺陷检测方法，所述方法包括：

采集巡检视频，将巡检视频拆分为单帧图像；利用预设的标注工具，标注单帧图像中的绝缘子信息并保存，得到样本数据；

对样本数据进行预处理及数据增强，得到预处理数据，将预处理数据划分为预处理数据训练集、预处理数据验证集和预处理数据测试集；

利用预处理数据训练集对预设的绝缘子目标检测及跟踪网络进行迭代训练，并利用预处理数据验证集，验证迭代训练的每代结果，得到绝缘子权重数据；

利用绝缘子目标检测及跟踪网络和绝缘子权重数据测试预处理数据测试集，得到绝缘子检测结果；

利用预设的标注工具，标注绝缘子检测结果中绝缘子片坐标及绝缘子片状态并保存，得到绝缘子片数据；将绝缘子片数据划分为绝缘子片训练集、绝缘子片验证集和绝缘子片测试集；

利用绝缘子片训练集对预设的绝缘子片目标检测及状态检测网络进行迭代训练，并利用绝缘子片验证集，验证迭代训练的每代结果，得到绝缘子片权重数据；