CN109902730B - 基于深度学习的输电线路断股检测方法 - Google Patents
基于深度学习的输电线路断股检测方法 Download PDFInfo
- Publication number
- CN109902730B CN109902730B CN201910128689.9A CN201910128689A CN109902730B CN 109902730 B CN109902730 B CN 109902730B CN 201910128689 A CN201910128689 A CN 201910128689A CN 109902730 B CN109902730 B CN 109902730B
- Authority
- CN
- China
- Prior art keywords
- image
- transmission line
- layer
- features
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 43
- 238000013135 deep learning Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 title abstract description 13
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000000605 extraction Methods 0.000 claims abstract description 9
- 238000009432 framing Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 238000011176 pooling Methods 0.000 claims description 36
- 238000000034 method Methods 0.000 claims description 12
- 230000003287 optical effect Effects 0.000 claims description 9
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于深度学习的输电线路断股检测方法，包括：利用沿着架空输电线路飞行的无人机，拍摄架空输电线路视频，对视频进行分帧处理，从所有帧图像中提取若干关键帧图像，对每个关键帧图像提取灰度特征、纹理特征和边缘特征；将取图像灰度特征、纹理特征和形状特征，进行融合，获得融合后的特征；构建卷积神经网络模型，利用融合后的特征和已知断股标签对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；对待检测的架空输电线路图像采用同样的方式进行拍摄视频、视频分帧、特征提取和特征融合，将待检测架空输电线路图像的特征融合后的特征输入到训练好的卷积神经网络模型中；输出待检测架空输电线路图像中的断股类型。
Description
技术领域
本公开涉及基于深度学习的输电线路断股检测方法。
背景技术
本部分的陈述仅仅是提到了与本公开相关的背景技术，并不必然构成现有技术。
目前，高压电线常年暴露于野外环境，经常会出现输电线路断股的情形，输电线路造成损害，严重情况下，会影响居民和企业的正常工作。
据发明人了解，目前主要是通过人工检测的方式对架空输电线路的断股问题进行排查，减少断股带来的输电线路的安全隐患，存在的问题是人力成本过高，且检测效率过低。
发明内容
为了解决现有技术的不足，本公开提供了基于深度学习的输电线路断股检测方法，其具有检测精度高和检测效率高的优点；
第一方面，本公开提供了基于深度学习的输电线路断股检测方法；
基于深度学习的输电线路断股检测方法，包括：
利用沿着架空输电线路飞行的无人机，拍摄架空输电线路视频，对视频进行分帧处理，从所有帧图像中提取若干关键帧图像，对每个关键帧图像提取灰度特征、纹理特征和边缘特征；
将取图像灰度特征、纹理特征和形状特征，通过加权求和的方式进行融合，获得融合后的特征；
构建卷积神经网络模型，利用融合后的特征和已知断股标签对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
对待检测的架空输电线路图像采用同样的方式进行拍摄视频、视频分帧、特征提取和特征融合，将待检测架空输电线路图像的特征融合后的特征输入到训练好的卷积神经网络模型中；输出待检测架空输电线路图像中的断股类型。
作为一种可能的实现方式，从所有帧图像中提取若干关键帧图像，具体步骤为：
按照设定时间间隔，将所有帧图像划分为K个视频段，每个视频段中均包括N帧图像；
然后，对每个视频段均采用Horn-Schunck光流法提取视频的关键帧图像。
作为一种可能的实现方式，对每个视频段均采用Horn-Schunck光流法提取视频的关键帧图像的具体步骤为：
提取每个视频段中每一帧图像的输电线路信息量，根据每一帧图像中输电线路信息量从大到小进行排序，选择排序靠前的P帧图像作为关键帧图像；
所述输电线路信息量，是由图像中每一个像素点光流的水平分量和垂直分量累加而得到。
关键帧提取的有益效果是，可以提升识别的精度，因为提取的是关键帧图像，关键帧图像相比其余帧图像更具有代表性，其特征信息量也与其余帧图像多。
作为一种可能的实现方式，对每个关键帧图像提取灰度特征、纹理特征和边缘特征；
对每个关键帧图像进行灰度化预处理得到灰度图像，从灰度图像中提取图像灰度特征；
对每个关键帧图像的灰度图像进行Gabor变换得到gabor图像，从gabor图像中提取纹理特征；
对每个关键帧图像的灰度图像进行边缘提取得到边缘图像，从边缘图像中提取边缘特征；
作为一种可能的实现方式，所述卷积神经网络模型，包括：依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层和第二全连接层；
所述第一卷积层的通道数为64，第一卷积层的卷积核尺寸为3*9；
所述第一池化层的类型为Max-Pooling，第一池化层的尺寸为2*2；
所述第二卷积层的通道数为64，第二卷积层的卷积核尺寸为3*7；
所述第二池化层的类型为Max-Pooling，第二池化层的尺寸为2*2；
所述第三卷积层的通道数为64，第三卷积层的卷积核尺寸为3*5；
所述第三池化层的类型为Max-Pooling，第三池化层的尺寸为2*2；
第一全连接层的神经元个数为512个；
第二全连接层的神经元个数为设定分类个数。
作为一种可能的实现方式，将取图像灰度特征、纹理特征和形状特征，通过加权求和的方式进行融合，获得融合后的特征：
R＝0.411H+0.321W+0.268X；
其中，R表示融合后的特征，H表示灰度特征，W表示纹理特征，X表示形状特征；
与现有技术相比，本公开的有益效果是：
本发明的检测方法具有检测精度高和检测效率高的优点。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为实施例一的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
第一个实施例，本实施例提供了基于深度学习的输电线路断股检测方法；
如图1所示，基于深度学习的输电线路断股检测方法，包括：
S101：利用沿着架空输电线路飞行的无人机，拍摄架空输电线路视频，对视频进行分帧处理，从所有帧图像中提取若干关键帧图像，对每个关键帧图像提取灰度特征、纹理特征和边缘特征；
S102：将取图像灰度特征、纹理特征和形状特征，通过加权求和的方式进行融合，获得融合后的特征；
S103：构建卷积神经网络模型，利用融合后的特征和已知断股标签对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
S104：对待检测的架空输电线路图像采用同样的方式进行拍摄视频、视频分帧、特征提取和特征融合，将待检测架空输电线路图像的特征融合后的特征输入到训练好的卷积神经网络模型中；输出待检测架空输电线路图像中的断股类型。
具体的，从所有帧图像中提取若干关键帧图像，具体步骤为：
按照设定时间间隔，将所有帧图像划分为K个视频段，每个视频段中均包括N帧图像；
然后，对每个视频段均采用Horn-Schunck光流法提取视频的关键帧图像。
具体的，对每个视频段均采用Horn-Schunck光流法提取视频的关键帧图像的具体步骤为：
提取每个视频段中每一帧图像的输电线路信息量，根据每一帧图像中输电线路信息量从大到小进行排序，选择排序靠前的P帧图像作为关键帧图像；
所述输电线路信息量，是由图像中每一个像素点光流的水平分量和垂直分量累加而得到。
关键帧提取的有益效果是，可以提升识别的精度，因为提取的是关键帧图像，关键帧图像相比其余帧图像更具有代表性，其特征信息量也与其余帧图像多。
具体的，对每个关键帧图像提取灰度特征、纹理特征和边缘特征；
对每个关键帧图像进行灰度化预处理得到灰度图像，从灰度图像中提取图像灰度特征；
对每个关键帧图像的灰度图像进行Gabor变换得到gabor图像，从gabor图像中提取纹理特征；
对每个关键帧图像的灰度图像进行边缘提取得到边缘图像，从边缘图像中提取边缘特征；
具体的，所述卷积神经网络模型，包括：依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层和第二全连接层；
所述第一卷积层的通道数为64，第一卷积层的卷积核尺寸为3*9；
所述第一池化层的类型为Max-Pooling，第一池化层的尺寸为2*2；
所述第二卷积层的通道数为64，第二卷积层的卷积核尺寸为3*7；
所述第二池化层的类型为Max-Pooling，第二池化层的尺寸为2*2；
所述第三卷积层的通道数为64，第三卷积层的卷积核尺寸为3*5；
所述第三池化层的类型为Max-Pooling，第三池化层的尺寸为2*2；
第一全连接层的神经元个数为512个；
第二全连接层的神经元个数为设定分类个数。
具体的，将取图像灰度特征、纹理特征和形状特征，通过加权求和的方式进行融合，获得融合后的特征：
R＝0.411H+0.321W+0.268X；
其中，R表示融合后的特征，H表示灰度特征，W表示纹理特征，X表示形状特征；
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
Claims (1)
1.基于深度学习的输电线路断股检测方法，其特征是，包括：
利用沿着架空输电线路飞行的无人机，拍摄架空输电线路视频，对视频进行分帧处理；
从所有帧图像中提取若干关键帧图像；
从所有帧图像中提取若干关键帧图像，具体步骤为：
按照设定时间间隔，将所有帧图像划分为K个视频段，每个视频段中均包括N帧图像；
然后，对每个视频段均采用Horn-Schunck光流法提取视频的关键帧图像；
对每个视频段均采用Horn-Schunck光流法提取视频的关键帧图像的具体步骤为：
提取每个视频段中每一帧图像的输电线路信息量，根据每一帧图像中输电线路信息量从大到小进行排序，选择排序靠前的P帧图像作为关键帧图像；
所述输电线路信息量，是由图像中每一个像素点光流的水平分量和垂直分量累加而得到；
对每个关键帧图像提取灰度特征、纹理特征和边缘特征；具体步骤为：
对每个关键帧图像进行灰度化预处理得到灰度图像，从灰度图像中提取图像灰度特征；
对每个关键帧图像的灰度图像进行Gabor变换得到gabor图像，从gabor图像中提取纹理特征；
对每个关键帧图像的灰度图像进行边缘提取得到边缘图像，从边缘图像中提取边缘特征；
将提取的图像灰度特征、纹理特征和形状特征，通过加权求和的方式进行融合，获得融合后的特征；
将提取的图像灰度特征、纹理特征和形状特征，通过加权求和的方式进行融合，获得融合后的特征：
R＝0.411H+0.321W+0.268X；
其中，R表示融合后的特征，H表示灰度特征，W表示纹理特征，X表示形状特征；构建卷积神经网络模型，利用融合后的特征和已知断股标签对卷积神经网络模型进行训练，得到训练好的卷积神经网络模型；
所述卷积神经网络模型，包括：依次连接的输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第三池化层、第一全连接层和第二全连接层；
对待检测的架空输电线路图像采用同样的方式进行拍摄视频、视频分帧、特征提取和特征融合，将待检测架空输电线路图像的特征融合后的特征输入到训练好的卷积神经网络模型中；输出待检测架空输电线路图像中的断股类型；
所述第一卷积层的通道数为64，第一卷积层的卷积核尺寸为3*9；
所述第一池化层的类型为Max-Pooling，第一池化层的尺寸为2*2；
所述第二卷积层的通道数为64，第二卷积层的卷积核尺寸为3*7；
所述第二池化层的类型为Max-Pooling，第二池化层的尺寸为2*2；
所述第三卷积层的通道数为64，第三卷积层的卷积核尺寸为3*5；
所述第三池化层的类型为Max-Pooling，第三池化层的尺寸为2*2；
第一全连接层的神经元个数为512个；
第二全连接层的神经元个数为设定分类个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910128689.9A CN109902730B (zh) | 2019-02-21 | 2019-02-21 | 基于深度学习的输电线路断股检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910128689.9A CN109902730B (zh) | 2019-02-21 | 2019-02-21 | 基于深度学习的输电线路断股检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109902730A CN109902730A (zh) | 2019-06-18 |
| CN109902730B true CN109902730B (zh) | 2021-06-01 |
Family
ID=66945071
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910128689.9A Active CN109902730B (zh) | 2019-02-21 | 2019-02-21 | 基于深度学习的输电线路断股检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109902730B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110555400A (zh) * | 2019-08-23 | 2019-12-10 | 国网山东省电力公司泗水县供电公司 | 基于无人机巡检架空输电线路的覆冰检测方法及系统 |
| CN111899241B (zh) * | 2020-07-28 | 2022-03-18 | 华中科技大学 | 一种定量化的炉前pcb贴片缺陷在线检测方法及系统 |
| CN113033451A (zh) * | 2021-04-02 | 2021-06-25 | 广东电网有限责任公司 | 基于深度学习的架空线路故障识别方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104200239A (zh) * | 2014-09-09 | 2014-12-10 | 河海大学常州校区 | 一种基于图像特征融合识别的签名鉴伪系统及方法 |
| CN104867161B (zh) * | 2015-05-14 | 2018-03-23 | 国家电网公司 | 一种视频处理方法及装置 |
| CN106296631A (zh) * | 2015-05-20 | 2017-01-04 | 中国科学院沈阳自动化研究所 | 一种基于注意力先验的胃镜视频摘要方法 |
| CN106650693B (zh) * | 2016-12-30 | 2020-07-03 | 河北三川科技有限公司 | 一种用于人脸比对的多特征融合识别算法 |
| CN107122707A (zh) * | 2017-03-17 | 2017-09-01 | 山东大学 | 基于外貌特征紧凑表示的视频行人再识别方法及系统 |
| CN108459785A (zh) * | 2018-01-17 | 2018-08-28 | 中国科学院软件研究所 | 一种视频多尺度可视化方法与交互方法 |
| CN108389197B (zh) * | 2018-02-26 | 2022-02-08 | 上海赛特斯信息科技股份有限公司 | 基于深度学习的输电线路缺陷检测方法 |
-
2019
- 2019-02-21 CN CN201910128689.9A patent/CN109902730B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108647655A (zh) * | 2018-05-16 | 2018-10-12 | 北京工业大学 | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109902730A (zh) | 2019-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109902730B (zh) | 基于深度学习的输电线路断股检测方法 | |
| EP3506200A1 (en) | Image segmentation method, apparatus, and fully convolutional network system | |
| CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
| CN104463097B (zh) | 基于局部自适应阈值分割算法的高压线图像检测方法 | |
| CN110610483B (zh) | 裂纹图像获取、检测方法、计算机设备及可读存储介质 | |
| CN107179479B (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
| US10755081B2 (en) | Method and apparatus for identifying pupil in image | |
| CN110059539A (zh) | 一种基于图像分割的自然场景文本位置检测方法 | |
| CN111414807A (zh) | 一种基于yolo技术的潮水识别与危机预警方法 | |
| CN105303162B (zh) | 一种基于目标建议算法的航拍图像绝缘子识别方法 | |
| CN112364721A (zh) | 一种道面异物检测方法 | |
| CN111652857A (zh) | 一种绝缘子缺陷红外检测方法 | |
| CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
| CN109919917B (zh) | 基于图像处理的架空输电线路的异物检测方法 | |
| CN116110036B (zh) | 基于机器视觉的电力铭牌信息缺陷等级判断方法及装置 | |
| CN115063725B (zh) | 基于多尺度自适应ssd算法的飞机蒙皮缺陷识别系统 | |
| CN110992307A (zh) | 基于yolo的绝缘子定位识别方法及装置 | |
| CN112395953A (zh) | 一种道面异物检测系统 | |
| CN114863098A (zh) | 用于工业场景的细小微弱缺陷分割方法 | |
| CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
| CN110033045A (zh) | 一种训练识别图像雾化的方法和装置 | |
| CN113901924A (zh) | 一种文档表格的检测方法及装置 | |
| CN113223011A (zh) | 基于引导网络和全连接条件随机场的小样本图像分割方法 | |
| CN113361473A (zh) | 图像处理、模型训练方法、装置、设备、存储介质及程序 | |
| CN111310899B (zh) | 基于共生关系和小样本学习的电力缺陷识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |