[发明专利]输电线路防振锤脱落的检测方法、装置、介质及终端设备

说明书

本发明公开了一种输电线路防振锤脱落的检测方法，包括：获取防振锤图像样本集；通过对防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集；通过正常样本训练集和缺陷样本训练集对预先基于迁移学习算法搭建的FasterR‑CNN网络进行训练，得到初始检测模型；通过缺陷样本测试集和平均精度对初始检测模型进行测试分析，得到防振锤脱落检测模型；将预先获取的待检测的防振锤图像输入至防振锤脱落检测模型，得到防振锤的脱落检测结果。本发明能够将大量无缺陷样本的知识有效迁移到少量有缺陷样本，实现以少量缺陷样本来构建防振锤脱落检测模型，与传统的防振锤脱落检测方法相比适应速度快、检测精度高。

技术领域

本发明涉及遥感影像技术领域，尤其涉及一种输电线路防振锤脱落的检测方法、装置、计算机可读存储介质及终端设备。

背景技术

保障输电线路的可靠性和稳定性是智能电网建设的一项十分重要的内容。防振锤作为保护输电线老化和损坏的关键设备，具有减少导线振动频率和幅度的作用，因而被广泛应用于高压输电线路中。由于防振锤的固定线夹常年受暴晒、雨水、雷击等自然环境的影响而极易产生松动，就会发生脱落、移位等缺陷，久而久之将造成导线断股、导线散股、线间短路、金具损坏等事故。防振锤性能失效会严重影响输电线路的安全稳定运行，因此，及时检测防振锤各种缺陷并迅速进行故障诊断显得尤为重要。

我国国土面积辽阔，有很多不同的地形，在电路巡检领域，由于输电线路走廊地形环境复杂，无法及时反馈输电线路的运作情况，在某些苛刻的环境条件下如高海拔地区和环境恶劣的地区，沿该地段的某些区域基本上没有巡查道路，这一类地区的电力建设存在很多困难。因此，人工检查方法费时、费力，工作条件极其艰难，同时后期的维护工作也难以进行。近年来，电力机器人发展迅速且展现出结构精巧、性能机动灵活、隐蔽性强和采集图像清晰等优势。借助电力机器人巡检卓有成效，能够提高巡检质量和效率。其中，电力机器人首先采集输电线路巡检图像，再经后期图像处理以及深度学习等技术，实现防振锤的故障检测，进一步推动了输电线路检测智能化建设。

目前针对输电线路中防振锤缺陷检测的研究较少，现有的防振锤缺陷检测算法主要采用基于滑动窗口的区域选择策略和基于组合特征级联策略。然而，上述算法难以解决电力机器人等智能巡检设备对防振锤多角度检测、目标尺度小、背景复杂多变等问题，导致检测准确率低。随着深度学习算法的出现，防振锤缺陷检测技术取得了突破性进展，利用深度卷积神经网络突破了以往目标检测算法只能提取浅层特征的瓶颈，从而提高了复杂背景下的防振锤缺陷检测性能，但是由于事先很难收集大量的缺陷样本，训练过程中的正常样本和缺陷样本的数量不平衡导致模型出现不稳定和过拟合的情况。

发明内容

本发明实施例提供一种防振锤脱落检测模型的优化方法、装置、终端设备及存储介质，能够提高防振锤脱落检测的适应速度和检测精度。

为实现上述目的，本发明实施例提供了一种输电线路防振锤脱落的检测方法，包括：

获取防振锤图像样本集；

通过对所述防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集；

通过所述正常样本训练集和所述缺陷样本训练集对预先基于迁移学习算法搭建的FasterR-CNN网络进行训练，得到初始检测模型；

通过所述缺陷样本测试集和平均精度对所述初始检测模型进行测试分析，得到防振锤脱落检测模型；

将预先获取的待检测的防振锤图像输入至所述防振锤脱落检测模型，得到防振锤的脱落检测结果。

作为上述方案的改进，所述所述通过对所述防振锤图像样本集进行预处理，得到正常样本训练集、缺陷样本训练集和缺陷样本测试集，具体为：

将所述防振锤图像样本集划分为正常样本集、第一缺陷样本集和第二缺陷样本集；