CN111045452A - 一种基于深度学习的电力线路巡检方法 - Google Patents
一种基于深度学习的电力线路巡检方法 Download PDFInfo
- Publication number
- CN111045452A CN111045452A CN201911299560.0A CN201911299560A CN111045452A CN 111045452 A CN111045452 A CN 111045452A CN 201911299560 A CN201911299560 A CN 201911299560A CN 111045452 A CN111045452 A CN 111045452A
- Authority
- CN
- China
- Prior art keywords
- power line
- aerial vehicle
- unmanned aerial
- inspection
- deep learning
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013135 deep learning Methods 0.000 title claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims description 6
- 230000032683 aging Effects 0.000 claims description 4
- 230000007797 corrosion Effects 0.000 claims description 4
- 238000005260 corrosion Methods 0.000 claims description 4
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 235000005770 birds nest Nutrition 0.000 claims description 3
- 238000004880 explosion Methods 0.000 claims description 3
- 239000012212 insulator Substances 0.000 claims description 3
- 230000002452 interceptive effect Effects 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 235000005765 wild carrot Nutrition 0.000 claims description 3
- 244000000626 Daucus carota Species 0.000 claims description 2
- 230000009471 action Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/10—Simultaneous control of position or course in three dimensions
- G05D1/101—Simultaneous control of position or course in three dimensions specially adapted for aircraft
Abstract
本发明公开了一种基于深度学习的电力线路巡检方法，涉及电力线路巡检技术领域，利用巡检无人机，取代现有技术中人工巡检电力线路的方式，无人机携带高清摄像机，按照电力线路的走向，在电子地图上规划巡检无人机的飞行路线，在飞行过程中，利用高清摄像头，对电力线路的区段进行拍摄，并将拍摄画面远程传递给控制中心，控制中心依据深度学习算法，对拍摄画面进行分析处理，找出画面中存在的故障点，从而达到了以无人机为基础，对电力线路进行巡检的目的，相比于现有技术中采用人工巡检的方式，该方式更加准确，并且省时省力，能实时在线分析，降低了电力巡检的成本，实用性高。
Description
技术领域
本发明涉及电力线路巡检技术领域，具体为一种基于深度学习的电力线路巡检方法。
背景技术
架空输配电线路分布广，长期暴露在大自然中运行，不仅要经受正常机械载荷和电力负荷的作用，而且还受到各方面外来因素的干扰和大自然千变万化的影响，这些因素将会促使线路上各元件老化、疲劳、氧化和腐蚀，如不及时发现和削除，就会由量变到质变，发展成为各种故障。大自然中的大气污秽、雷击、强风、洪水冲刷、滑坡沉陷、地震、鸟害和外力等对输配电线路的破坏，如不及早预防和采取措施，亦会造成各种线路故障。
在现有技术中，针对电力线路的巡检工作，通常是采用人工，人工巡检存在如下问题：
1、电力线路的数据量大、冗余多，人工巡检人员容易疲劳；
2、人工巡检成本高，且人工巡检漏检的概率较大；
3、无法进行在线分析，人工巡检必须检修人员位于现场。
综上所述，本领域的技术人员提出了一种基于深度学习的电力线路巡检方法。
发明内容
针对现有技术的不足，本发明提供了一种基于深度学习的电力线路巡检方法，解决了电力线路人工巡检存在电力线路的数据量大、冗余多，人工巡检人员容易疲劳，人工巡检成本高，且人工巡检漏检的概率较大以及无法进行在线分析，人工巡检必须检修人员位于现场的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种基于深度学习的电力线路巡检方法，包括如下步骤：
S1、根据电力线路的架设路线，在电子地图上规划巡检无人机的飞行路径，并在所述架设线路中，针对带有电力塔的区段，在电子地图中着重标记；
S2、操作巡检无人机，让巡检无人机按照步骤S1中在电子地图中规划的飞行路径执行飞行任务；
S3、在执行所述步骤S2飞行任务过程中，利用巡检无人机搭载的高清摄像机，对飞行路径中的电力线路区段进行航拍巡检；
S4、巡检无人机将电力线路状态的拍摄画面远程传递给控制中心，控制中心将所述拍摄画面投影至交互屏上；
S5、控制中心利用深度学习算法，对所述拍摄画面进行分析，找出电力线路中存在的故障点；
S6、针对所述飞行路径中的电力线路，在遇到所述故障点后，操控巡检无人机在所述故障点的上空盘旋，并进行多角度和多张拍摄；
S7、在步骤S6中对故障点进行多角度和多张拍摄的过程中，利用巡检无人机搭载的GPS定位模块，针对故障点的具体位置进行定位，并远程传输给控制中心，控制中心在电子地图中给予该故障点的标记；
S8、巡检无人机途径整个电力线路带有电力塔的区段时，巡检无人机以电力塔为中心，围绕电力塔飞行一圈，并在飞行的过程中，拍摄电力塔的高清画面，检测电力塔的状态，出现故障时，给予标记；
S9、在飞行任务结束后，针对在电子地图中所标记的故障点位置，控制中心谴派维修人员到场检修。
优选的，所述步骤S1和步骤S2之间增设步骤a，步骤a为试飞巡检无人机，在巡检无人机试飞过程中，检测巡检无人机的各项参数是否处于正常。
优选的，所述步骤S5中，判定电力线路是否存在故障点的依据为电力线路中至少存在断裂、老化、存在鸟窝、局部火花放电其中任意一种或多种情况。
优选的，所述步骤S8中，判定电力塔是否存在故障点的依据为电力塔中至少存在断裂、绝缘子自爆、防震锤确实、塔材锈蚀其中任意一种或多种的情况。
优选的，所述巡检无人机还搭载有红外热像仪，在巡检过程中，对电力线路的温度进行检测。
优选的，所述步骤S5中，控制中心所利用的深度学习算法以电力线路的神经网络模型为基础。
优选的，所述深度学习算法的具体算法公式如下：
式中：xn表示巡检无人机在飞行过程中抓拍的若干场景，S表示在若干个场景中存在S个目标，
表示每一个目标S对应的坐标，
表示每一个目标S对应的类坐标。
有益效果
本发明提供了一种基于深度学习的电力线路巡检方法。与现有技术相比具备以下有益效果：
该基于深度学习的电力线路巡检方法，利用巡检无人机，取代现有技术中人工巡检电力线路的方式，无人机携带高清摄像机，按照电力线路的走向，在电子地图上规划巡检无人机的飞行路线，在飞行过程中，利用高清摄像头，对电力线路的区段进行拍摄，并将拍摄画面远程传递给控制中心，控制中心依据深度学习算法，对拍摄画面进行分析处理，找出画面中存在的故障点，从而达到了以无人机为基础，对电力线路进行巡检的目的，相比于现有技术中采用人工巡检的方式，该方式更加准确，并且省时省力，能实时在线分析，降低了电力巡检的成本，实用性高。
附图说明
图1为本发明的流程结构框图。
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。
请参阅图1，本发明提供一种技术方案：一种基于深度学习的电力线路巡检方法，包括如下步骤：
S1、根据电力线路的架设路线，在电子地图上规划巡检无人机的飞行路径，并在所述架设线路中，针对带有电力塔的区段，在电子地图中着重标记；
S2、操作巡检无人机，让巡检无人机按照步骤S1中在电子地图中规划的飞行路径执行飞行任务；
S3、在执行所述步骤S2飞行任务过程中，利用巡检无人机搭载的高清摄像机，对飞行路径中的电力线路区段进行航拍巡检；
S4、巡检无人机将电力线路状态的拍摄画面远程传递给控制中心，控制中心将所述拍摄画面投影至交互屏上；
S5、控制中心利用深度学习算法，对所述拍摄画面进行分析，找出电力线路中存在的故障点；
S6、针对所述飞行路径中的电力线路，在遇到所述故障点后，操控巡检无人机在所述故障点的上空盘旋，并进行多角度和多张拍摄；
S7、在步骤S6中对故障点进行多角度和多张拍摄的过程中，利用巡检无人机搭载的GPS定位模块，针对故障点的具体位置进行定位，并远程传输给控制中心，控制中心在电子地图中给予该故障点的标记；
S8、巡检无人机途径整个电力线路带有电力塔的区段时，巡检无人机以电力塔为中心，围绕电力塔飞行一圈，并在飞行的过程中，拍摄电力塔的高清画面，检测电力塔的状态，出现故障时，给予标记；
S9、在飞行任务结束后，针对在电子地图中所标记的故障点位置，控制中心谴派维修人员到场检修。
进一步的，步骤S1和步骤S2之间增设步骤a，步骤a为试飞巡检无人机，在巡检无人机试飞过程中，检测巡检无人机的各项参数是否处于正常。
进一步的，步骤S5中，判定电力线路是否存在故障点的依据为电力线路中至少存在断裂、老化、存在鸟窝、局部火花放电其中任意一种或多种情况。
进一步的，步骤S8中，判定电力塔是否存在故障点的依据为电力塔中至少存在断裂、绝缘子自爆、防震锤确实、塔材锈蚀其中任意一种或多种的情况。
进一步的，巡检无人机还搭载有红外热像仪，在巡检过程中，对电力线路的温度进行检测。
进一步的，步骤S5中，控制中心所利用的深度学习算法以电力线路的神经网络模型为基础。
进一步的，深度学习算法的具体算法公式如下：
式中：xn表示巡检无人机在飞行过程中抓拍的若干场景，S表示在若干个场景中存在S个目标，
表示每一个目标S对应的坐标，
表示每一个目标S对应的类坐标。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
Claims (7)
1.一种基于深度学习的电力线路巡检方法，其特征在于，包括如下步骤：
S1、根据电力线路的架设路线，在电子地图上规划巡检无人机的飞行路径，并在所述架设线路中，针对带有电力塔的区段，在电子地图中着重标记；
S2、操作巡检无人机，让巡检无人机按照步骤S1中在电子地图中规划的飞行路径执行飞行任务；
S3、在执行所述步骤S2飞行任务过程中，利用巡检无人机搭载的高清摄像机，对飞行路径中的电力线路区段进行航拍巡检；
S4、巡检无人机将电力线路状态的拍摄画面远程传递给控制中心，控制中心将所述拍摄画面投影至交互屏上；
S5、控制中心利用深度学习算法，对所述拍摄画面进行分析，找出电力线路中存在的故障点；
S6、针对所述飞行路径中的电力线路，在遇到所述故障点后，操控巡检无人机在所述故障点的上空盘旋，并进行多角度和多张拍摄；
S7、在步骤S6中对故障点进行多角度和多张拍摄的过程中，利用巡检无人机搭载的GPS定位模块，针对故障点的具体位置进行定位，并远程传输给控制中心，控制中心在电子地图中给予该故障点的标记；
S8、巡检无人机途径整个电力线路带有电力塔的区段时，巡检无人机以电力塔为中心，围绕电力塔飞行一圈，并在飞行的过程中，拍摄电力塔的高清画面，检测电力塔的状态，出现故障时，给予标记；
S9、在飞行任务结束后，针对在电子地图中所标记的故障点位置，控制中心谴派维修人员到场检修。
2.根据权利要求1所述的一种基于深度学习的电力线路巡检方法，其特征在于，所述步骤S1和步骤S2之间增设步骤a，步骤a为试飞巡检无人机，在巡检无人机试飞过程中，检测巡检无人机的各项参数是否处于正常。
3.根据权利要求1所述的一种基于深度学习的电力线路巡检方法，其特征在于，所述步骤S5中，判定电力线路是否存在故障点的依据为电力线路中至少存在断裂、老化、存在鸟窝、局部火花放电其中任意一种或多种情况。
4.根据权利要求1所述的一种基于深度学习的电力线路巡检方法，其特征在于，所述步骤S8中，判定电力塔是否存在故障点的依据为电力塔中至少存在断裂、绝缘子自爆、防震锤确实、塔材锈蚀其中任意一种或多种的情况。
5.根据权利要求1所述的一种基于深度学习的电力线路巡检方法，其特征在于，所述巡检无人机还搭载有红外热像仪，在巡检过程中，对电力线路的温度进行检测。
6.根据权利要求1所述的一种基于深度学习的电力线路巡检方法，其特征在于，所述步骤S5中，控制中心所利用的深度学习算法以电力线路的神经网络模型为基础。
7.根据权利要求6所述的一种基于深度学习的电力线路巡检方法，其特征在于，所述深度学习算法的具体算法公式如下：
式中：xn表示巡检无人机在飞行过程中抓拍的若干场景，S表示在若干个场景中存在S个目标，
表示每一个目标S对应的坐标，
表示每一个目标S对应的类坐标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911299560.0A CN111045452A (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习的电力线路巡检方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911299560.0A CN111045452A (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习的电力线路巡检方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111045452A true CN111045452A (zh) | 2020-04-21 |
Family
ID=70237007
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911299560.0A Pending CN111045452A (zh) | 2019-12-17 | 2019-12-17 | 一种基于深度学习的电力线路巡检方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111045452A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113741413A (zh) * | 2020-05-29 | 2021-12-03 | 广州极飞科技股份有限公司 | 一种无人设备的作业方法、无人设备及存储介质 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104158115A (zh) * | 2014-08-01 | 2014-11-19 | 南方电网科学研究院有限责任公司 | 用于输电线路巡视用多旋翼无人机性能测试的试验装置 |
| CN107014827A (zh) * | 2017-04-24 | 2017-08-04 | 国家电网公司 | 基于影像处理的输电线路缺陷分析方法、装置和系统 |
| CN107885229A (zh) * | 2017-12-15 | 2018-04-06 | 上海达实联欣科技发展有限公司 | 一种可实现电力线自动巡检的无人机及其电力线巡检方法 |
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
| CN108761237A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 无人机电力巡检图像关键电力部件自动诊断与标注系统 |
| CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
| CN109782803A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种无人机输电导线巡线系统及方法 |
| CN110133440A (zh) * | 2019-05-27 | 2019-08-16 | 国电南瑞科技股份有限公司 | 基于杆塔模型匹配及视觉导航的电力无人机及巡检方法 |
| CN110163248A (zh) * | 2019-04-09 | 2019-08-23 | 文远知行有限公司 | 模型评估的可视化方法、装置、计算机设备和存储介质 |
| CN110155330A (zh) * | 2019-06-03 | 2019-08-23 | 辽宁工程技术大学 | 一种基于无人机电力系统自主巡线方法 |
| CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
| CN110426126A (zh) * | 2019-07-04 | 2019-11-08 | 广州科易光电技术有限公司 | 基于无人机的电力巡检方法及系统 |
-
2019
- 2019-12-17 CN CN201911299560.0A patent/CN111045452A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104158115A (zh) * | 2014-08-01 | 2014-11-19 | 南方电网科学研究院有限责任公司 | 用于输电线路巡视用多旋翼无人机性能测试的试验装置 |
| CN107014827A (zh) * | 2017-04-24 | 2017-08-04 | 国家电网公司 | 基于影像处理的输电线路缺陷分析方法、装置和系统 |
| CN107885229A (zh) * | 2017-12-15 | 2018-04-06 | 上海达实联欣科技发展有限公司 | 一种可实现电力线自动巡检的无人机及其电力线巡检方法 |
| CN108037133A (zh) * | 2017-12-27 | 2018-05-15 | 武汉市智勤创亿信息技术股份有限公司 | 一种基于无人机巡检图像的电力设备缺陷智能识别方法及其系统 |
| CN108761237A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 无人机电力巡检图像关键电力部件自动诊断与标注系统 |
| CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
| CN109782803A (zh) * | 2019-01-30 | 2019-05-21 | 云南电网有限责任公司电力科学研究院 | 一种无人机输电导线巡线系统及方法 |
| CN110163248A (zh) * | 2019-04-09 | 2019-08-23 | 文远知行有限公司 | 模型评估的可视化方法、装置、计算机设备和存储介质 |
| CN110133440A (zh) * | 2019-05-27 | 2019-08-16 | 国电南瑞科技股份有限公司 | 基于杆塔模型匹配及视觉导航的电力无人机及巡检方法 |
| CN110155330A (zh) * | 2019-06-03 | 2019-08-23 | 辽宁工程技术大学 | 一种基于无人机电力系统自主巡线方法 |
| CN110207832A (zh) * | 2019-06-26 | 2019-09-06 | 深圳市微纳集成电路与系统应用研究院 | 基于无人机的高压线路巡检系统及其巡检方法 |
| CN110426126A (zh) * | 2019-07-04 | 2019-11-08 | 广州科易光电技术有限公司 | 基于无人机的电力巡检方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113741413A (zh) * | 2020-05-29 | 2021-12-03 | 广州极飞科技股份有限公司 | 一种无人设备的作业方法、无人设备及存储介质 |
| CN113741413B (zh) * | 2020-05-29 | 2022-11-08 | 广州极飞科技股份有限公司 | 一种无人设备的作业方法、无人设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110282143B (zh) | 一种海上风电场无人机巡检方法 | |
| CN111311597B (zh) | 一种缺陷绝缘子的无人机巡检方法与系统 | |
| CN112884931B (zh) | 一种用于变电站的无人机巡检方法及系统 | |
| CN108872781B (zh) | 基于电力设施智能巡检的分析方法及装置 | |
| CN108255189A (zh) | 一种电力巡检无人机系统 | |
| CN110850890A (zh) | 光伏电站无人机巡检系统及其控制方法 | |
| CN111311967A (zh) | 基于无人机的电力线路巡检系统及方法 | |
| CN112013907A (zh) | 一种电力无人机巡检路径规划方法 | |
| CN108416299A (zh) | 一种电力线路智能巡检系统 | |
| CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
| CN110222683A (zh) | 一种基于深度卷积神经网络的输电线路绝缘子部件爆片缺陷识别定位方法 | |
| CN115275870B (zh) | 一种基于高空线路维护的巡检系统 | |
| CN111157530A (zh) | 一种基于无人机的输电线路的安全检测方法 | |
| CN108960134A (zh) | 一种巡线无人机影像标注及智能识别方法 | |
| CN115373403B (zh) | 一种建筑机械设备巡检服务系统 | |
| CN116310891A (zh) | 一种云边协同输电线路缺陷智能检测系统和方法 | |
| CN111045452A (zh) | 一种基于深度学习的电力线路巡检方法 | |
| CN114167245B (zh) | 输变电设备表面局放智能检测方法及无人机融合紫外系统 | |
| CN111079743A (zh) | 基于无人机航拍数据绝缘子自动识别的数据采集方法 | |
| CN115471764A (zh) | 一种输电通道隐患检测方法、系统、设备及存储介质 | |
| CN115421503A (zh) | 一种用于桥梁的无人机巡检系统 | |
| CN115686056A (zh) | 一种针对配电网络的无人机飞行航线实时生成系统及方法 | |
| CN111900663B (zh) | 输电廊道巡检方法 | |
| CN114115321A (zh) | 高压输电线路异物自动清除飞行器及其自动清除方法 | |
| CN113552904A (zh) | 一种改进的无人机桥底检测系统 |
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 |
Application publication date: 20200421 |
|
| RJ01 | Rejection of invention patent application after publication |