CN110751642A - 一种绝缘子裂缝检测方法和系统 - Google Patents
一种绝缘子裂缝检测方法和系统 Download PDFInfo
- Publication number
- CN110751642A CN110751642A CN201910992971.1A CN201910992971A CN110751642A CN 110751642 A CN110751642 A CN 110751642A CN 201910992971 A CN201910992971 A CN 201910992971A CN 110751642 A CN110751642 A CN 110751642A
- Authority
- CN
- China
- Prior art keywords
- insulator
- image
- detected
- neural network
- network model
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Abstract
本发明公开了一种绝缘子裂缝检测方法和系统。所述方法包括:获取SSD神经网络模型,SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型;获取待检测绝缘子图像;对待检测绝缘子图像进行预处理;将预处理后的待检测绝缘子图像输入SSD神经网络模型,得到SSD神经网络模型的置信度;采用sigmoid函数对置信度进行解析,获得解析结果;判断解析结果与设定阈值间的关系,若解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。本发明提供的绝缘子裂缝检测方法和系统,能够提高对绝缘子裂缝进行检测的精确度,且具有检测效率高的特点。
Description
技术领域
本发明涉及图像处理技术领域,特别是涉及一种绝缘子裂缝检测方法和系统。
背景技术
在电力网络和电力装置中,绝缘子是使用范围广泛、数量庞大的电气设备。绝缘子一方面保证了输电线和杆塔之间的绝缘性,另一方面保证了输电线和杆塔之间的悬挂和支撑。
由于绝缘子长期处在不良外界因素构成的复杂的环境中,出现劣化的几率很大,绝缘子会出现裂缝、绝缘性能故障等现象。每年因瓷质绝缘子的损坏带给国家和社会较大的经济损失,因此需要对输电线路进行定期巡检,发现已经故障或即将发生故障的绝缘子,及时进行更换和维护。
但是在现有技术中,一般是通过工人定期对绝缘子是否存在裂缝进行抽样巡检,这使得绝缘子裂缝的检测效率很低,并且,因在现有技术中只是通过抽样进行检测,并不能短时间内准确判断所有待检测绝缘子是否存在裂缝。
因此,寻找一种能够在提高绝缘子检测效率的同时提高检测检测精确度的方法,是本领域亟待解决的一个技术问题。
发明内容
本发明的目的是提供一种绝缘子裂缝检测方法和系统,能够提高对绝缘子裂缝进行检测的精确度,且具有检测效率高的特点。
为实现上述目的,本发明提供了如下方案:
一种绝缘子裂缝检测方法,包括:
获取SSD神经网络模型,所述SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型;
获取待检测绝缘子图像;
对所述待检测绝缘子图像进行预处理;
将预处理后的待检测绝缘子图像输入所述SSD神经网络模型,得到所述SSD神经网络模型的置信度;
采用sigmoid函数对所述置信度进行解析,获得解析结果;
判断所述解析结果与设定阈值间的关系,若所述解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。
可选的,在所述将预处理后的待检测绝缘子图像输入所述SSD神经网络模型之前,还包括:
获取绝缘子样本图像;
选取所述绝缘子样本图像中符合预设条件的图片进行标定采样;
利用标定采样的绝缘子图像对所述SSD神经网络模型进行优化训练。
可选的,所述对所述待检测绝缘子图像进行预处理,包括:
选择设定广度的算子作为收缩算子,对所述待检测绝缘子图像进行收缩处理;
将收缩处理后的待检测绝缘子图像转换为灰度值图像;
对所述灰度值图像进行滤波处理,得到预处理后的待检测绝缘子图像。
可选的,所述设定广度的数值为8。
可选的,所述设定阈值为0.8。
一种绝缘子裂缝检测系统,包括:
神经网络模型获取模块,用于获取SSD神经网络模型,所述SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型;
绝缘子图像获取模块,用于获取待检测绝缘子图像;
预处理模块,用于对所述待检测绝缘子图像进行预处理;
置信度获取模块,用于将预处理后的待检测绝缘子图像输入所述SSD神经网络模型,得到所述SSD神经网络模型的置信度;
解析模块,用于采用sigmoid函数对所述置信度进行解析,获得解析结果;
判断模块,用于判断所述解析结果与设定阈值间的关系,若所述解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。
可选的,所述系统还包括:
样本图像获取模块,用于获取绝缘子样本图像;
标定采样模块,用于选取所述绝缘子样本图像中符合预设条件的图片进行标定采样;
优化训练模块,用于利用标定采样的绝缘子图像对所述SSD神经网络模型进行优化训练。
可选的,所述预处理模块包括:
收缩处理单元,用于选择设定广度的算子作为收缩算子,对所述待检测绝缘子图像进行收缩处理;
灰度值转换单元,用于将收缩处理后的待检测绝缘子图像转换为灰度值图像;
滤波处理单元,用于对所述灰度值图像进行滤波处理,得到预处理后的待检测绝缘子图像。
一种绝缘子裂缝检测系统,包括:
相机,用于拍摄待检测绝缘子的图像;
AI模块,与所述相机连接,用于采用上述绝缘子裂缝检测方法对所拍摄得到的待检测绝缘子图像进行处理;
显示屏,与所述AI模块连接,用于显示待检测绝缘子图像的处理结果。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明所提供的绝缘子裂缝检测方法和系统,通过将待检测的绝缘子图像输入SSD神经网络中,SSD神经网络输出待检测绝缘子图像的置信度,通过对所输出置信度进行解析后,将解析结果与设定的阈值进行比较就可以检测得到该绝缘子图像是否存在裂缝,进而能够在提高对绝缘子裂缝进行检测精确度的同时,提高检测效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例所提供的绝缘子裂缝检测方法的流程图;
图2为本发明实施例所提供的绝缘子裂缝检测系统的结构示意图;
图3为本发明实施例所提供的另一种绝缘子裂缝检测系统的结构示意图;
图4为本发明实施例所提供的绝缘子裂缝检测系统的GUI操作界面。
附图标记说明:
3-1为AI模块,3-2为相机,3-3为显示屏(LCD)。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种绝缘子裂缝检测方法和系统,能够提高对绝缘子裂缝进行检测的精确度,且具有检测效率高的特点。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本发明所提供的技术方案主要是采用SSD(Single Shot MultiBox Detector)神经网络来检测绝缘子的裂缝。
SSD神经网络的核心是在特征图上用卷积核来预测一系列default boxes的类别分数和偏移量。
SSD以VGG16作为基础网络,把VGG16最后两个全连接层改成卷积层,并增加了4个卷积层。对5种不同的卷积层的输出分别用两个3×3的卷积核进行卷积,一个输出分类的confidence,一个时输出回归用的localization。
SSD神经网络在训练时借鉴了FasterR-CNN中anchor的理念,即在每一个卷积层的特征图上设置几个长宽比存在差异的先验框(defaultbox)。在SSD神经网络结构里conv4_3(4),fc7(6),conv6_2(6),conv7_2(6),conv8_2(4),conv9_2(4)均属于defaultbox(括号里的数字代表defaultbox的数量)。在训练开始时先将上述defaultbox和ground truthbox进行匹配,一个ground truth可能对应多个defaultbox。在预测阶段直接预测每个defaultbox的偏移大小和每个类别的概率,最后通过非最大抑制步骤产生最终结果。
SSD神经网络对训练位置和目标种类进行回归时,一般采用损失函数用来衡量预测值和真实值之间的差距,而损失函数的值仅跟SSD神经网络中的权重w和偏置b有关。
SSD的损失函数是置信损失和位置损失之和,其表达式如下:
式中,N为先验框的正样本数,Lconf(z,c)为置信损失,Lconf(z,l,g)为位置损失,c为类别置信预测值,l为先验框所对应边界框的位置预测值,g为groundtruth的位置参数,α为位置损失和置信损失的参数,z为函数具体位置。
位置损失函数为:
置信损失函数为:
上述公式是softmax函数。该函数是sigmod函数的归一化形式。该函数主要被用在输出层作,在多分类问题有很好的效果。本文将特征图中出现的类别划分为裂缝特征和非裂缝特征这两类。在处理二分类问题时softmax函数会退化到sigmoid函数。sigmoid函数在输入变量特别大或者特别小的时候梯度变得越来越小,直到接近于0,这样会导致经过神经元的信息变得很少。因此,基于以上缺陷,本发明将softmax函数改为Tanh函数对网络进行训练。
Tanh函数的输出和输入能够保持非线性单调上升和下降关系,符合BP网络的梯度求解,容错性好,界限分明,在实际应用中效果比sigmod函数要好。
基于SSD神经网络的上述结构特性,现有技术中常用其对物体面部图像进行识别,而在本发明所提供的方案,则用其检测绝缘子是否存在裂缝。
图1为本发明实施例所提供的绝缘子裂缝检测方法的流程图,如图1所示,一种绝缘子裂缝检测方法,包括:
S100、获取SSD神经网络模型,所述SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型。
S101、获取待检测绝缘子图像。
S102、对所述待检测绝缘子图像进行预处理。
S103、将预处理后的待检测绝缘子图像输入所述SSD神经网络模型,得到所述SSD神经网络模型的置信度。
S104、采用sigmoid函数对所述置信度进行解析,获得解析结果。
S105、判断所述解析结果与设定阈值间的关系,若所述解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。
为了提高所述SSD神经网络结果的真实性,在采用SSD神经网络对待检测绝缘子图像进行裂缝确认之前,需要对SSD神经网络模型进行优化训练,在优化训练过程中,需要获取绝缘子样本图像。
在本发明中,采集1000张有裂缝的绝缘子图片,将这些图像数据转换成XML文件,建立名称分别为Annotations和Imagesets两个文件夹,Annotations文件夹存放XML文件。Imagesets文件夹存放test.txt文件和train.txt文件。其中,test.txt存放用来测试的图片文件的文件名列表,train.txt文件用来存放用来训练的图片文件的文件名。
对所采集的1000张有裂缝的绝缘子图片进行翻转、旋转、缩放比例、位移和裁剪等处理后,得到2000张绝缘子图像。按照七比三的比例分为训练集和测试集,即1400张图片作为训练集,600图片作为测试集。
将训练集的1400张图片中绝缘子图像上有裂缝的部分用方框标注出来。标注出有裂缝部分后添加相应的crack标签,使得1400张绝缘子图像被标注的同时,能够分别对应不同的XML文件。
采用Pytorch版本的SSD神经网络算法对1400张图片进行训练,设置SSD神经网络的参数。具体为,将num_class参数设置为2,将max_iter参数设置为60000,将voc_classes中的数据集类别设为crack,将batch_size参数设置为16,将learning_rate参数设置为10-5。
将上述训练集中的图像数据送入到VGG16网络中,特征图在进入conv4_3之前,根据SSD网络结构将conv4_3的defaultbox的数量设置为4个。在经过conv4_3层时会有两个卷积核对特征图进行卷积。conv4_3会输出一个分类用的置信度(confidence)和一个回归用的位置坐标(localization)。在经过conv4_3后在经过预测层时还会产生一个预测框(priorbox),并用四个坐标值来表示这个priorbox。图像数据依次通过conv5_3层和fc6层,进入fc7层后会经历和conv4_3层一样的卷积操作和预测操作,同时,在这个过程中随着网络层数的增加特征图尺寸逐渐变小,在conv6_2、conv7_2、conv8_2和conv9_2中都会产生置信度和坐标值。数据在经过上述的卷积层后每一层输出的置信度、位置坐标、预测框(priorbox)位置坐标分别汇总到mbox_confc、mbox_loc和mbox_priorbox中。之后,将这三个汇总数据传给loss层,然后输出loss值大小,并在通过反向传播后不断调整loss值大小。
经过多次训练,loss值由从一开始的5.6降到1.2,一共完成了60000次迭代,保存了12次训练模型。经过上述步骤完成了所有的SSD卷积网络训练,在weight文件下生成了12个训练模型文件对,这些模型文件对分别是:
ssd300_widercrack_5000.pth、ssd300_widercrack_10000.pth
ssd300_widercrack_15000.pth、ssd300_widercrack_20000.pth
ssd300_widercrack_25000.pth、ssd300_widercrack_30000.pth
ssd300_widercrack_35000.pth、ssd300_widercrack_40000.pth
ssd300_widercrack_45000.pth、ssd300_widercrack_50000.pth
ssd300_widercrack_55000.pth、VOC.path。
为了进一步提高绝缘子裂缝的检测精度,在上述S102中,对待检测绝缘子图像进行预处理,包括:
选择设定广度的算子作为收缩算子,对所述待检测绝缘子图像进行收缩处理:首先将图像进行大小缩放,将原本大小为2248*2048的图像缩放到300*300,通过计算,选择广度为8的算子作为收缩算子。具体缩放公式为:
式中,F(x,y)=img(x,y)/64,img为图像的存储矩阵,(x,y)为图像矩阵的对应坐标。
将收缩处理后的待检测绝缘子图像转换为灰度值图像,具体为将300*300*3的图像的算子转化为300*300*1的图像,图像变换公式为:
R、G、B分别为图像存储矩阵里红、绿,蓝三种颜色分量所对应的值。
采用高斯滤波和中值滤波法对所述灰度值图像进行滤波处理,具体包括:
高斯滤波法中的高斯模糊的算子为:
中值滤波函数为:
g(x,y)=med{f(x-k,y-1),(k,1∈W)},
式中,W为中心为0的3*3的单位矩阵的一个二维模板,k,l为模板里的数值Med为中值函数,f(x,y)为原始图像,g(x,y)为处理后图像。
选择Canndy边缘检测算法,来对大部分由于背景产生的细小色块经行过滤。Canndy边缘检测的两个参数为15与85,能有效的抑制细小色块产生的边缘干扰,同时又能保证较大的边缘的连通性与完整程度。
Canndy边缘检测的两个参数采用双阈值,通过计算边缘梯度值与两侧边缘比较,判断梯度值是否在所设置的参数范围之内来确定边缘,当色块过于细小时,达不到置信区间,则被滤除。
最后将处理后的待检测绝缘子图像输入到SSD神经网络模型后,输出对应的结果,当输出结果经由Sigmod函数激活以后,所得的值大于0.8,则认为当前图像的绝缘子存在裂缝,反之则认为当前图像的绝缘子不存在裂缝。其中,x为输出结果(置信度)。
并且,在本发明所提供的上述方法中,为了进一步提高绝缘子检测的效率,在判定得到当前绝缘子图像存在裂缝之后,还可以采用反推法,推算得到存在裂缝位置处的图像矩阵的坐标,进而获得当前裂缝所处绝缘子的具体位置。
本发明还提供了一种绝缘子裂缝检测系统。如图2所示,该系统包括:神经网络模型获取模块1、绝缘子图像获取模块2、预处理模块3、置信度获取模块4、解析模块5和判断模块6。
其中,神经网络模型获取模块1获取SSD神经网络模型,所述SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型。绝缘子图像获取模块2获取待检测绝缘子图像。预处理模块3对所述待检测绝缘子图像进行预处理。置信度获取模块4将预处理后的待检测绝缘子图像输入所述SSD神经网络模型,得到所述SSD神经网络模型的置信度。解析模块5采用sigmoid函数对所述置信度进行解析,获得解析结果。判断模块6判断所述解析结果与设定阈值间的关系,若所述解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。
为了进一步提高SSD神经网络的准确性,所述系统还包括:样本图像获取模块、标定采样模块和优化训练模块。
其中,样本图像获取模块获取绝缘子样本图像。标定采样模块选取所述绝缘子样本图像中符合预设条件的图片进行标定采样。优化训练模块利用标定采样的绝缘子图像对所述SSD神经网络模型进行优化训练。
所述预处理模块3还可以包括:收缩处理单元、灰度值转换单元和滤波处理单元。
其中,收缩处理单元选择设定广度的算子作为收缩算子,对所述待检测绝缘子图像进行收缩处理。灰度值转换单元将收缩处理后的待检测绝缘子图像转换为灰度值图像。滤波处理单元对所述灰度值图像进行滤波处理,得到预处理后的待检测绝缘子图像。
此外,本发明还提供了另一种绝缘子裂缝检测系统,如图3所示,该系统包括:相机3-2、AI模块3-1和显示屏3-3。
其中,相机3-2,用于拍摄待检测绝缘子的图像。AI模块3-1与所述相机3-2连接,用于采用上述绝缘子裂缝检测方法对所拍摄得到的待检测绝缘子图像进行处理。
显示屏3-3与所述AI模块3-1连接,用于显示待检测绝缘子图像的处理结果。
在该系统中,AI模块3-1采用的是NVIDIA公司推出的Jetson TX2。Jetson TX2是一台超高性能、低功耗的AI模块,用于部署计算机视觉和深度学习,其支持Caffe、Tensorflow、Pytorch等主流的目标检测框架。它采用双核NVIDIA Denver2+四核ARMCortex-A57,8GB 128位LPDDR4和集成的256核Pascal GPU。Jetson TX2尺寸为50mm×87mm,重85g。其典型能耗为7.5W,在低于7.5W的功率下提供超过1TFLOPS的FP16计算性能。
LCD(显示屏3-3)采用7英寸可触摸的HDMI显示屏。
整个系统是由12节18650锂电池组作为供电电源,输出电压为24V。通过降压模块输出19V电压,为Jetson TX2供电,且输出12V电压,为相机供电。
系统中的相机3-2选用Blackflys-BFS-PGE-50S5C相机,支持GigE Vision相机协议。其数据传输速率可高达100MB/s,最大分辨率为2448×2448,像素尺寸为3.5um,12位AD转换器,6MBFlash存储,功耗最大为3W。
将上述所有部件均集成到机箱中,整个系统的机箱外形尺寸为43cm×38cm×20cm,机箱面板安装有USB口、网口、电源按钮、充电口、相机供电口和LCD显示屏,其内部安装Jetson TX2(AI模块3-1),电池(电源),2个降压模块和1个USB扩展口。
并且在这个系统中,对GUI操作界面进行了设计,使其实现了人机交互的功能。GUI操作界面主要是通过上述系统中的显示屏3-3进行显示,如图4所示,根据软件设计要求操作界面划分为三个区域,检测结果显示区、仪器信息区、操作控制区。检测结果显示区,显示被检测的绝缘子图像。仪器信息区显示所连接相机的设备信息和连接状态。操作控制区分为开始、结束、保存、退出四个按钮。开始按钮按下后检测程序启动,仪器信息区显示所连接的相机设备是否正常连接,并显示所连相机的IP信息。检测结果显示区显示被检测绝缘子图像和检测结果。按下结束按钮后程序不对图像数据进行检测,检测结果显示区域仍显示图像数据,但无检测结果。
保存按钮按下后应用程序弹出保存界面,按保存图片编码格式将图像数据保存在指定路径下。退出按钮按下,应用程序不再运行,检测结果区域不显示任何图像。
当检测结果显示在LCD(显示屏3-3)上后,选择对要保存的绝缘子图像进行保存,按下保存按钮,提示对要保存的绝缘子图像命名,命名格式为:塔杆号_绝缘子串号_有无裂缝。如文件名1_4_00表示1号杆塔的第四个绝缘子串没有裂缝存在。1表示杆塔的编号,4表示该杆塔上第几个绝缘子串(绝缘子串的位置编号是从下往上从左往右依次编号),00表示绝缘子串不存在裂缝,11表示存在裂缝。进行完图像名称编写后会将其写入文本文档中。
在对有裂缝的绝缘子进行检测时,相机3-2先将捕捉到的图像数据通过网线保存到JetsonTX2(AI模块3-1)的内部存储空间中,GUI操作界面通过读取内部存储空间中的图像数据,调用opencv库并在显示屏上显示被检测的图像数据。当检测程序在GUI操作界面被触发,内部存储空间中的图像数据被封装在ssd网络模型中的test.py文件中,以备调用。图像数据通过已经被训练好的(参数最优,网络损失值稳定)的SSD神经网络模型后,得到裂缝的置信度和位置,再通过调用opencv将这些得到裂缝置信度和位置图像数据显示在屏幕上。GUI操作界面保存键被触发后,save.py文件被执行,经过SSD神经网络模型的图像数据被直接写入到Ubuntu的/home/ubuntu/image的路径下。
本发明所提供的绝缘子裂缝检测方法和系统,通过将待检测的绝缘子图像输入SSD神经网络中,SSD神经网络输出待检测绝缘子图像的置信度,通过对所输出置信度进行解析后,将解析结果与设定的阈值进行比较就可以检测得到该绝缘子图像是否存在裂缝,进而能够在提高对绝缘子裂缝进行检测精确度的同时,提高检测效率。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种绝缘子裂缝检测方法,其特征在于,包括:
获取SSD神经网络模型,所述SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型;
获取待检测绝缘子图像;
对所述待检测绝缘子图像进行预处理;
将预处理后的待检测绝缘子图像输入所述SSD神经网络模型,得到所述SSD神经网络模型的置信度;
采用sigmoid函数对所述置信度进行解析,获得解析结果;
判断所述解析结果与设定阈值间的关系,若所述解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。
2.根据权利要求1所述的一种绝缘子裂缝检测方法,其特征在于,在所述将预处理后的待检测绝缘子图像输入所述SSD神经网络模型之前,还包括:
获取绝缘子样本图像;
选取所述绝缘子样本图像中符合预设条件的图片进行标定采样;
利用标定采样的绝缘子图像对所述SSD神经网络模型进行优化训练。
3.根据权利要求1所述的一种绝缘子裂缝检测方法,其特征在于,所述对所述待检测绝缘子图像进行预处理,包括:
选择设定广度的算子作为收缩算子,对所述待检测绝缘子图像进行收缩处理;
将收缩处理后的待检测绝缘子图像转换为灰度值图像;
对所述灰度值图像进行滤波处理,得到预处理后的待检测绝缘子图像。
4.根据权利要求3所述的一种绝缘子裂缝检测方法,其特征在于,所述设定广度的数值为8。
5.根据权利要求1所述的一种绝缘子裂缝检测方法,其特征在于,所述设定阈值为0.8。
6.一种绝缘子裂缝检测系统,其特征在于,包括:
神经网络模型获取模块,用于获取SSD神经网络模型,所述SSD神经网络模型为以绝缘子图像为输入,以神经网络置信度为输出的训练后的神经网络模型;
绝缘子图像获取模块,用于获取待检测绝缘子图像;
预处理模块,用于对所述待检测绝缘子图像进行预处理;
置信度获取模块,用于将预处理后的待检测绝缘子图像输入所述SSD神经网络模型,得到所述SSD神经网络模型的置信度;
解析模块,用于采用sigmoid函数对所述置信度进行解析,获得解析结果;
判断模块,用于判断所述解析结果与设定阈值间的关系,若所述解析结果大于设定阈值,则待检测绝缘子图像存在裂缝,反之,则待检测绝缘子图像不存在裂缝。
7.根据权利要求6所述的一种绝缘子裂缝检测系统,其特征在于,所述系统还包括:
样本图像获取模块,用于获取绝缘子样本图像;
标定采样模块,用于选取所述绝缘子样本图像中符合预设条件的图片进行标定采样;
优化训练模块,用于利用标定采样的绝缘子图像对所述SSD神经网络模型进行优化训练。
8.根据权利要求6所述的一种绝缘子裂缝检测系统,其特征在于,所述预处理模块包括:
收缩处理单元,用于选择设定广度的算子作为收缩算子,对所述待检测绝缘子图像进行收缩处理;
灰度值转换单元,用于将收缩处理后的待检测绝缘子图像转换为灰度值图像;
滤波处理单元,用于对所述灰度值图像进行滤波处理,得到预处理后的待检测绝缘子图像。
9.一种绝缘子裂缝检测系统,其特征在于,包括:
相机,用于拍摄待检测绝缘子的图像;
AI模块,与所述相机连接,用于采用如权利要求1-5任意一项所述的绝缘子裂缝检测方法对所拍摄得到的待检测绝缘子图像进行处理;
显示屏,与所述AI模块连接,用于显示待检测绝缘子图像的处理结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992971.1A CN110751642A (zh) | 2019-10-18 | 2019-10-18 | 一种绝缘子裂缝检测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910992971.1A CN110751642A (zh) | 2019-10-18 | 2019-10-18 | 一种绝缘子裂缝检测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110751642A true CN110751642A (zh) | 2020-02-04 |
Family
ID=69278800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910992971.1A Pending CN110751642A (zh) | 2019-10-18 | 2019-10-18 | 一种绝缘子裂缝检测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110751642A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598872A (zh) * | 2020-05-15 | 2020-08-28 | 山东万腾智能科技有限公司 | 一种绝缘子裂纹检测方法及系统 |
CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器(上海)有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
CN112528739A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种复合绝缘外套裂缝图像识别嵌入式装置 |
CN112580807A (zh) * | 2020-12-29 | 2021-03-30 | 中国科学院空天信息创新研究院 | 一种基于效能评估的神经网络改进需求自动生成方法及装置 |
CN115841460A (zh) * | 2022-11-21 | 2023-03-24 | 国网湖北省电力有限公司超高压公司 | 一种复杂背景下高精度金具裂纹图像检测及特征提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 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 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及系统 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
-
2019
- 2019-10-18 CN CN201910992971.1A patent/CN110751642A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106290388A (zh) * | 2016-08-03 | 2017-01-04 | 国网山东省电力公司电力科学研究院 | 一种绝缘子故障自动检测方法 |
WO2018086299A1 (zh) * | 2016-11-11 | 2018-05-17 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
CN108389197A (zh) * | 2018-02-26 | 2018-08-10 | 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 |
CN109615611A (zh) * | 2018-11-19 | 2019-04-12 | 国家电网有限公司 | 一种基于巡检影像的绝缘子自爆缺陷检测方法 |
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及系统 |
CN109785289A (zh) * | 2018-12-18 | 2019-05-21 | 中国科学院深圳先进技术研究院 | 一种输电线路缺陷检测方法、系统及电子设备 |
CN109872323A (zh) * | 2019-02-28 | 2019-06-11 | 北京国网富达科技发展有限责任公司 | 输电线路的绝缘子缺陷检测方法及装置 |
Non-Patent Citations (4)
Title |
---|
JIANGUO WANG 等: "Interface defect detection for composite insulators based on infrared thermography axial temperature method", 《INFRARED PHYSICS & TECHNOLOGY》 * |
侯春萍 等: "输电线路绝缘子自爆缺陷识别方法", 《电力系统及其自动化学报》 * |
李伟性 等: "基于SSD算法的输电线路上绝缘子缺陷检测方法研究", 《仪器仪表用户》 * |
杨庆江 等: "便携式绝缘子裂缝检测仪", 《煤炭技术》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598872A (zh) * | 2020-05-15 | 2020-08-28 | 山东万腾智能科技有限公司 | 一种绝缘子裂纹检测方法及系统 |
CN112528739A (zh) * | 2020-11-06 | 2021-03-19 | 广东电网有限责任公司中山供电局 | 一种复合绝缘外套裂缝图像识别嵌入式装置 |
CN112529152A (zh) * | 2020-12-03 | 2021-03-19 | 开放智能机器(上海)有限公司 | 一种基于人工智能的西瓜成熟度检测的系统和方法 |
CN112580807A (zh) * | 2020-12-29 | 2021-03-30 | 中国科学院空天信息创新研究院 | 一种基于效能评估的神经网络改进需求自动生成方法及装置 |
CN115841460A (zh) * | 2022-11-21 | 2023-03-24 | 国网湖北省电力有限公司超高压公司 | 一种复杂背景下高精度金具裂纹图像检测及特征提取方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110751642A (zh) | 一种绝缘子裂缝检测方法和系统 | |
CN110059694B (zh) | 电力行业复杂场景下的文字数据的智能识别方法 | |
CN108961235B (zh) | 一种基于YOLOv3网络和粒子滤波算法的缺陷绝缘子识别方法 | |
CN111597941B (zh) | 一种面向大坝缺陷图像的目标检测方法 | |
CN112070135A (zh) | 电力设备图像检测方法、装置、电力设备及存储介质 | |
CN111337789A (zh) | 一种高压输电线路中故障电气元件检测方法及检测系统 | |
CN114943689A (zh) | 基于半监督学习的钢铁冷轧退火炉元器件检测方法 | |
CN111815576B (zh) | 金属部件腐蚀状况检测方法、装置、设备和存储介质 | |
CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
CN113255590A (zh) | 一种缺陷检测模型训练方法、缺陷检测方法、装置及系统 | |
CN115239646A (zh) | 输电线路的缺陷检测方法、装置、电子设备及存储介质 | |
CN108711150B (zh) | 一种基于pca的端到端路面裂缝检测识别方法 | |
CN113012107B (zh) | 电网缺陷检测方法及系统 | |
CN114581419A (zh) | 变压器绝缘套管缺陷检测方法、相关设备及可读存储介质 | |
CN114169245A (zh) | 一种变压器故障诊断方法、装置及设备 | |
CN111091533B (zh) | 一种基于改进ssd算法的电池片el缺陷检测方法 | |
CN113284103B (zh) | 基于空间变换Faster R-CNN模型的变电站设备缺陷在线检测方法 | |
CN116739963A (zh) | 一种基于多层级多尺度特征融合的电网设备缺陷检测方法 | |
CN115546568A (zh) | 绝缘子缺陷检测方法、系统、设备及存储介质 | |
CN113361520B (zh) | 基于样本偏移网络的输电线路设备缺陷检测方法 | |
CN115661117A (zh) | 一种接触网绝缘子可见光图像检测方法 | |
CN112529881B (zh) | 一种电力控制柜线缆异常识别方法及装置 | |
CN113420686A (zh) | 一种输电线路巡检方法、装置及系统 | |
CN113610837A (zh) | 基于深度学习和边缘计算的外绝缘设备放电故障诊断方法 | |
CN113033556A (zh) | 一种基于机器视觉的绝缘子快速辨别定位方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200204 |