[发明专利]一种基于深度学习技术混凝土电杆自动状态的评估方法

权利要求书

1.一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，包括以下步骤：

S1、极点选择，选择用于检查的结构集，所述结构集为包括自上次检查以来的时间间隔、上次记录的基础设施状态、架空输电线路对电力系统安全性的重要性指标及其他外部事件的函数；

S2、通过徒步巡逻进行定期目视检查各地的混凝土电杆并获得训练和测试数据的图像集；

S3、建立图像集与资产之间的关联，将徒步巡逻获得的混凝土电杆图像集与存储在数据库平台中的物理资产相关联；

S4、使用对象检测网络YOLOv2来检测待评估图像集的缺陷；

S5、输出检测结果。

2.根据权利要求1所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S3具体包括以下步骤：

S301、通过匹配训练和测试数据的图像集内的每张图像分别到对应的物理资产的最小距离，生成映射到物理资产的混凝土电杆图像的潜在候选列表；

S302、验证映射得到的潜在候选列表中的每个潜在候选，通过查看图像塔距离相对于塔-塔距离的分布，并选择一个距离值D_real来平衡落在该距离内的极点数量和小于该距离的极点跨度数量，且所选择的距离值D_real小于指定的阈值D_max。

3.根据权利要求2所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S302中距离值D_real的计算公式为：

其中，D_real是两点之间的距离；lat和lon分别指的是纬度和经度，且lon和lat在同一坐标系中使；r指的是地球的半径。

4.根据权利要求1所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所以步骤S4具体包括以下步骤：

S401、对待评估图像集进行图像预处理；

S402、选取训练数据集，所述训练数据集为所述训练和测试数据的图像集，并使用留出法交叉验证来训练和验证所述对象检测网络YOLOv2，其中，所述训练数据集80％的数据用于训练，20％的数据用于验证，并生成对应的健康指数；

S403、使用所述对象检测网络YOLOv2对待评估图像集内的每个特征图像进行目标预测，并使用交并比距离度量的K均值聚集算法生成锚盒大小。

5.根据权利要求4所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S403中所述交并比距离度量的K均值聚集算法的公式如下：

其中，A和B分别表示地面真实情况和估计的边界框。

6.根据权利要求4所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S403具体还包括：选择Adam随机优化技术来训练网络，动量、小批次大小、时期、初始学习率和衰减因子分别选择为0.9、4、160、0.001和0.0005。