[发明专利]基于深度学习的输电线路绝缘子缺陷检测方法

说明书

本发明提供一种基于深度学习的输电线路绝缘子缺陷检测方法，包括步骤：S1：对无人机采集到的输电线路绝缘子图像依次进行预处理和数据增强处理；S2：搭建生成基于DeepLabV3+网络的图像语义分割模型，采用训练好的图像语义分割模型对输电线路绝缘子图像进行分割；S3：利用裁剪模块对得到的二值掩模图进行裁剪，裁剪获得绝缘子图片；S4：搭建基于YOLOV4算法的图像检测网络模型，利用训练好的图像检测网络模型对绝缘子图片进行缺陷检测。本发明的一种基于深度学习的输电线路绝缘子缺陷检测方法，采用级联的绝缘子缺陷检测方法完成绝缘子的缺陷检测，可以实现输电线路绝缘子的实时巡检，并大大提高电力巡检的效率。

技术领域

本发明涉及输电线路绝缘子故障检测技术领域，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

绝缘子作为电力网络中的重要组成部件，其在输电线路运行中起着支撑 和电气绝缘的作用。然而，长时间高负荷运行以及长期暴露在自然环境中， 受到气候、温度等自然因素的影响，极易发生破损、掉片等故障，一旦输电 线路上的绝缘子发生故障，很容易造成整条线路的供电中断，甚至导致整个 区域的电网故障，对工农业生产造成巨大的经济损失。因此对输电线路上的 绝缘子进行定期巡检是保证电力系统安全稳定运行前提。

输电线路绝缘子图像的缺陷检测方法包括人工巡检的方法、基于图像处 理的方法、基于深度学习的方法。采用人工巡检的方法，耗时耗力且准确率 低。采用基于图像识别的方法，由于需要大量存在缺陷的绝缘子图像数据， 在实际中缺陷样本数量少、获取难度大，且由于运算过于简单，容易受到背 景的影响，没有很高的鲁棒性。基于深度学习的目标检测算法，分为单阶段 和双阶段两种，双阶段的目标检测算法模型的检测准确率高但是训练和测试 速度缓慢，无法满足实际应用要求。单阶段目标检测算法可以达到实时的检 测速度，但是准确率却略有下降。

输电线路的绝缘子数量多、类型多、分布广，采用人工巡检的方法，其 工作强度大、危险系数高且准确率低。传统的目标检测算法是通过人工提取 特征，检测效果的好坏取决于人工对于特征的选择，人为因素过大。基于图 像处理的缺陷检测方法，采用形态学的基本操作以及边缘检测等方法来实现 绝缘子的缺陷识别。方法虽然简单，但是该方法需要大量的绝缘子缺陷图像 数据，而且由于运算过于简单，导致模型的鲁棒性极差。基于深度学习的目 标检测算法分为单阶段的目标检测算法和双阶段的目标检测算法。双阶段的目标检测算法包括：R-CNN(Region-Convolutional Networks)、Fast R-CNN(Fast Region-based Convolutional Network)、Faster R-CNN(Faster Region-based ConvolutionalNetworks)等。该方法虽然再检测准确度上得到了很大的突破， 但是达不到实时检测的速度。单阶段的目标检测算法包括：YOLOV1(You Only Look Once 1)、YOLOV2(You Only LookOnce 2)、YOLOV3(You Only Look Once 3)、SSD(Single Shot Detector)等。该类方法采用端到端的方式，其检测 速度提到了很大的提高，但由于锚框参数上采用K-means(k-meansclustering algorithm)方法导致模型的检测准确率略低于双阶段的目标检测算法。

发明内容

针对上述现有技术中的不足，本发明提供一种基于深度学习的输电线路 绝缘子缺陷检测方法，采用级联的绝缘子缺陷检测方法完成绝缘子的缺陷检 测，可以实现输电线路绝缘子的实时巡检，并大大提高电力巡检的效率。

为了实现上述目的，本发明提供一种基于深度学习的输电线路绝缘子缺 陷检测方法，包括步骤：

S1：对无人机采集到的输电线路绝缘子图像依次进行预处理和数据增强 处理，将数据增强处理后获得的第一数据集的图像按照7：2：1的比例分成 一第一训练集、一第一测试集和一第一验证集；