CN112036464A - 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 - Google Patents
一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 Download PDFInfo
- Publication number
- CN112036464A CN112036464A CN202010871732.3A CN202010871732A CN112036464A CN 112036464 A CN112036464 A CN 112036464A CN 202010871732 A CN202010871732 A CN 202010871732A CN 112036464 A CN112036464 A CN 112036464A
- Authority
- CN
- China
- Prior art keywords
- yolov3
- algorithm
- insulator
- tiny
- infrared
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- G06T2207/10048—Infrared image
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Human Computer Interaction (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Radiation Pyrometers (AREA)
Abstract
本发明涉及一种基于YOLOv3‑tiny算法的绝缘子红外图像故障检测方法,其包括如下步骤:对大样本外绝缘设备红外通道数据进行图像预处理以扩充训练样本;采用K‑means聚类算法进行标注框的聚类分析,确定边界框的大小:基于YOLOv3‑tiny的评判机制和大样本红外通道数据进行模型训练;将待检测的红外通道图像输入上一步所得模型中进行识别诊断。本发明可有效定位出绝缘子红外图像中的异常发热点,模型轻量且参数少,为指导电力系统外绝缘设备运检,减少人力、物力消耗,提高电网运行的智能化和实时化监控水平,提供了一种新的思路。
Description
技术领域
本发明涉及电网故障识别诊断技术领域,尤其是一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法。
背景技术
电力外绝缘设备的在线监控与劣化诊断对于维护电力系统安全稳定运行具有重要意义。线路绝缘子作为高压输电线系统中至关重要的组成部分,承担着连接导体和电气绝缘的功能,绝缘子大多分布在野外,受到外界环境变化的一系列影响,有可能发生闪络、掉串等故障,在电网运行中,电力设备部件因绝缘破损、接触面氧化腐蚀、设计载流量不足等原因劣化并过热运行,从而具有异于常态的温度分布。为了保障电力系统安全可靠运行,需要安排人员定期进行绝缘子巡检工作,我国目前主流的巡检方法是通过驾驶直升机或遥控无人机,沿输电线路巡检,利用红外热像仪远距离进行电力设备的故障检测,采集海量视频和图像,对所获取的绝缘子红外图谱进行分类评估可以大大提高电力巡检效率。
红外成像技术是一项前途广阔的高新技术。比0.78微米长的电磁波位于可见光光谱红色以外,称为红外线,又称红外辐射。是指波长为0.78—1000微米的电磁波,其中波长为0.78—2.0微米的部分称为近红外,波长为2.0—1000微米的部分称为热红外线。自然界中,一切物体都可以辐射红外线,因此利用探测仪测量目标本身与背景间的红外线差可以得到不同的热红外线形成的红外图像。依据温升曲线的异常分布,检测出待测设备是否劣化故障。红外检测主要依靠的是通过非接触的方式,感知从温度高于绝对零度的物体辐射出的红外能量,并将其转化为电信号,来测量物体的表层温度,并生成红外热像图。一般来说,温度越高的物体辐射出的红外能量越强。对于绝缘性能良好的绝缘子,泄漏电流主要分布在绝缘子瓷件的表层污秽中,当环境相对湿度较大时,瓷件表面污秽溶解,泄漏电流有所增加,绝缘子的钢帽下半部分及整个瓷件的温度会有所上升;当瓷质绝缘子发生裂化时,连接钢脚钢帽的瓷件处会产生泄漏电流的通道,致使在红外图像中整个钢帽是均匀发热,而瓷件的温度变化几乎为零。依据红外图像中正常绝缘子和劣化绝缘子发热特征的不同,可以对劣化片进行识别。该方法以其安全、高效、直观等优势,在电力系统中广泛应用。然而,目前的红外运检策略,往往通过现场采集数据,经由后台技术人员依据温升差异进行经验排查,评估绝缘子的运行状态。由于电网规模增长,直升机、无人机、机器人巡线的大量应用,导致红外运检中产生的大量红外图像积压,降低了效率,桎梏着红外运检的发展。
为了快速准确的诊断出劣化绝缘子,不少文献提出了将数据挖掘的方法应用到故障诊断的领域:BP神经网络,灰色预测,模糊计算,遗传算法,Petri网络及决策树,支持向量机等。这些传统劣化绝缘子识别方法需要研究人员去提取目标的特征进行人工表达,然后使用浅层的机器学习模型进行分析和识别,人工选择或设计特征需要大量的先验知识,尝试将特征进行多种组合或改进,来适应特定场景下的目标识别任务。电力设备部署环境复杂、设备类别繁多、同种设备类型多种多样,传统目标识别方法最终选定的特征很可能不具备良好的泛化能力,不能适应多种场景、不同自然条件下的绝缘子提取,不利于推广和应用。
深度学习是一类多层神经网络学习算法,深度学习模型结合特征提取和分类器形成一个框架,利用大量数据去学习特征,进而能够更好地表示数据的特征,释放了手工特征设计的环节,这也是它与传统目标检测算法最大的区别。深度学习强大的特征提取能力,使其在目标检测领域取得出色的检测效果。深度学习的发展将目标检测识别的速度和效率提升到一个新的台阶。国内一些研究学者开始将红外热成像法与深度学习理论应用相结合,为电力设备在线监测与故障诊断开辟了一条新的道路,推动了基于红外图像处理的电力设备诊断的发展。近年来,基于深度学习的计算机视觉技术不断发展并在多个行业开始应用。与传统的目标识别算法相比,Faster-RCNN、SSD和YOLO等基于深度卷积神经网络的目标识别算法从大量的图像数据中自动学习目标特征,无需人工设计特征提取器。这种端到端的学习策略有效地简化了算法的流程,提升了目标识别算法的效率、准确率以及泛化能力。而针对一般深度卷积神经网络模型复杂,参数过多,无法在嵌入式平台上部署的缺陷,近期针对模型的简化和压缩成为了热门研究方向。
发明内容
本发明所要解决的技术问题是提供一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法,可有效定位出绝缘子红外图像中的异常发热点,并能在嵌入式平台部署,为指导电力系统外绝缘设备运检,减少人力、物力消耗,提高电网运行的智能化和实时化监控水平,提供了一种新的思路。
本发明所采用的技术方案是:
一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法,其包括如下步骤:
S1:对大样本外绝缘设备红外通道数据进行图像预处理以扩充训练样本;
S2:采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小;
S3:基于YOLOv3-tiny的评判机制和大样本红外通道数据进行模型训练;
S4:将待检测的红外通道图像输入上一步所得模型中进行识别诊断。
进一步的,在S1中,图像预处理包括随机调整饱和度、调整曝光度、调整色调来生成更多的训练样本。
进一步的,在S2中,依据数据集样本特征设定网络节点输出的标准尺寸,采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小。
进一步的,采用K-means聚类算法进行标注框的聚类分析的具体步骤包括:
将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,聚类中心以及分配给它们的对象就代表一个聚类;
每分配一个样本,聚类的聚类中心根据聚类中现有的对象被重新计算;不断重复直到满足终止条件。
进一步的,终止条件为没有对象被重新分配给不同的聚类,没有聚类中心再发生变化,误差平方和局部最小。
进一步的,终止条件为最小数目对象被重新分配给不同的聚类,最小数目聚类中心再发生变化,误差平方和局部最小。
进一步的,所述k=6,经过预处理扩充样本后的图像样本集的标准框尺寸经过K-means聚类算法处理后确定为[105,153],[114,43],[33,78],[52,25],[22,34],[16,15]。
进一步的,在S3中,YOLOv3-tiny是一个轻量化目标检测网络,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。
进一步的,在S3中,模型训练包括如下步骤:
依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
进一步的,S4的诊断识别包括如下步骤:
通过下采样尺度设定6种不同尺寸的先验框;
采用尺寸较大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸较小的三个所述先验框对26×26的特征图进行特征检测提取,
采用2个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出2个尺寸的IoU值;
通过横向比较不同尺寸下IoU值,完成红外诊断识别。
本发明的积极效果为:
本发明结合现场检测和供电公司采集获取大样本外绝缘设备红外通道数据,针对输变电设备带电红外检测过程中面临的伪彩色类型多样、背景干扰复杂、拍摄角度不一、红外图像叠加图形字符等多种干扰问题,构建不同背景干扰下的绝缘子劣化特征识别数据库。基于YOLOv3-tiny的评判机制,非监督学习外绝缘设备红外劣化图像特征,研究建立绝缘子红外诊断模型。该方法可有效定位出绝缘子红外图像中的异常发热点,模型轻量且参数少,为指导电力系统外绝缘设备运检,减少人力、物力消耗,提高电网运行的智能化和实时化监控水平,提供了一种新的思路。
附图说明
为了更清楚的说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述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为本发明流程图。
图2为本发明终端设备框架图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请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申请一部分实施例,而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
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。
实施例1
参照图1,一种基于YOLOv3-tiny的绝缘子红外诊断方法,包括以下步骤:
A、对大样本外绝缘设备红外通道数据进行图像预处理。
B、采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小。
C、基于YOLOv3-tiny的评判机制和大样本红外通道数据进行模型训练。
D、将待检测的红外通道图像输入步骤C所得模型中进行诊断。
进一步地,步骤A中的预处理操作包括随机调整饱和度、调整曝光度、调整色调来生成更多的训练样本。
进一步地,步骤B中为依据数据集样本特征设定网络节点输出的标准尺寸,提高边界框的检出率,采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小。K-means聚类算法是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有对象被重新分配给不同的聚类,没有聚类中心再发生变化,误差平方和局部最小。
本发明中的K=6,经过预处理扩充样本后的图像样本集的标准框尺寸经过K-means聚类算法处理后确定为[105,153],[114,43],[33,78],[52,25],[22,34],[16,15]。
进一步地,步骤C中所述的YOLOv3-tiny算法,所述的YOLOv3-tiny算法网络,是基于YOLOv3算法的一个轻量化目标检测网络,在YOLOv3算法的基础上去掉了一些特征层,只保留了2个独立预测分支,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。网络层数少、参数量少,在一般的嵌入式平台上可以基本保证实时运算,它的网络结构如下所示。
进一步地,步骤D中所指的训练,包括以下步骤:
依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
进一步地,所述网络节点输出尺寸,包括13×13×18,26×26×18。
进一步地,所述放缩所述图像,依据所述网络节点选择Batch_size,包括使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64。
进一步地,步骤C所述绝缘子红外诊断识别,包括以下步骤:
通过下采样尺度设定6种不同尺寸的先验框;
采用尺寸较大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸较小的三个所述先验框对26×26的特征图进行特征检测提取,
采用2个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出2个尺寸的IoU值;
通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
进一步地,本发明提出的绝缘子红外诊断可以检出的外绝缘设备异常放电的典型缺陷包括:低值和零值放电、污秽引起的局部放电、破损或裂纹产生的局部过热等。
实施例2
本实施例仅对实施例1中采用K-means聚类算法进行标注框的聚类分析的终止条件进行改进,其余与实施例1相同,即,在本实施例中,本发明包括如下步骤:
A、对大样本外绝缘设备红外通道数据进行图像预处理。
B、采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小。
C、基于YOLOv3-tiny的评判机制和大样本红外通道数据进行模型训练。
D、将待检测的红外通道图像输入步骤C所得模型中进行诊断。
进一步地,步骤A中的预处理操作包括随机调整饱和度、调整曝光度、调整色调来生成更多的训练样本。
进一步地,步骤B中为依据数据集样本特征设定网络节点输出的标准尺寸,提高边界框的检出率,采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小。K-means聚类算法是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是最小数目对象被重新分配给不同的聚类,最小数目聚类中心再发生变化,误差平方和局部最小。
本发明中的K=6,经过预处理扩充样本后的图像样本集的标准框尺寸经过K-means聚类算法处理后确定为[105,153],[114,43],[33,78],[52,25],[22,34],[16,15]。
进一步地,步骤C中所述的YOLOv3-tiny算法,所述的YOLOv3-tiny算法网络,是基于YOLOv3算法的一个轻量化目标检测网络,在YOLOv3算法的基础上去掉了一些特征层,只保留了2个独立预测分支,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。网络层数少、参数量少,在一般的嵌入式平台上可以基本保证实时运算。
进一步地,步骤D中所指的训练,包括以下步骤:
依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
进一步地,所述网络节点输出尺寸,包括13×13×18,26×26×18。
进一步地,所述放缩所述图像,依据所述网络节点选择Batch_size,包括使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64。
进一步地,步骤C所述绝缘子红外诊断识别,包括以下步骤:
通过下采样尺度设定6种不同尺寸的先验框;
采用尺寸较大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸较小的三个所述先验框对26×26的特征图进行特征检测提取,
采用2个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出2个尺寸的IoU值;
通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
进一步地,本发明提出的绝缘子红外诊断可以检出的外绝缘设备异常放电的典型缺陷包括:低值和零值放电、污秽引起的局部放电、破损或裂纹产生的局部过热等。
如附图2所示,本发明实施例还提供了一种终端设备,包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序,处理器执行计算机程序时实现如实施例中所述的步骤。
所述计算机程序可以被分割成一个或多个程序模块/单元,所述一个或者多个程序模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个程序模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可以是所述终端设备的内部存储单元,例如终端设备的硬盘或内存。所述存储器也可以是所述终端设备的外部存储设备,例如所述终端设备上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器还可以既包括终端设备的内部存储单元也包括外部存储设备。所述存储器用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器还可以用于暂时地存储已经输出或者将要输出的数据。
本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机程序,计算机程序被处理器执行时实现如实施例中所述的步骤A至步骤D。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (10)
1.一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于其包括如下步骤:
S1:对大样本外绝缘设备红外通道数据进行图像预处理以扩充训练样本;
S2:采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小;
S3:基于YOLOv3-tiny的评判机制和大样本红外通道数据进行模型训练;
S4:将待检测的红外通道图像输入上一步所得模型中进行识别诊断。
2.根据权利要求1所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于在S1中,图像预处理包括随机调整饱和度、调整曝光度、调整色调来生成更多的训练样本。
3.根据权利要求1所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于在S2中,依据数据集样本特征设定网络节点输出的标准尺寸,采用K-means聚类算法进行标注框的聚类分析,确定边界框的大小。
4.根据权利要求1或3所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于采用K-means聚类算法进行标注框的聚类分析的具体步骤包括:
将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心,聚类中心以及分配给它们的对象就代表一个聚类;
每分配一个样本,聚类的聚类中心根据聚类中现有的对象被重新计算;不断重复直到满足终止条件。
5.根据权利要求4所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于终止条件为没有对象被重新分配给不同的聚类,没有聚类中心再发生变化,误差平方和局部最小。
6.根据权利要求4所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于终止条件为最小数目对象被重新分配给不同的聚类,没或最小数目聚类中心再发生变化,误差平方和局部最小。
7.根据权利要求4所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于所述k=6,经过预处理扩充样本后的图像样本集的标准框尺寸经过K-means聚类算法处理后确定为[105,153],[114,43],[33,78], [52,25],[22,34], [16,15]。
8.根据权利要求1所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于在S3中,YOLOv3-tiny是一个轻量化目标检测网络,总共有24个网络层,2个yolo层,分别是大小为13×13的yolo16和大小为26×26的yolo23。
9.根据权利要求1或8所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于在S3中,模型训练包括如下步骤:
依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
10.根据权利要求1所述的一种基于 YOLOv3-tiny 算法的绝缘子红外图像故障检测方法,其特征在于S4的诊断识别包括如下步骤:
通过下采样尺度设定6种不同尺寸的先验框;
采用尺寸较大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸较小的三个所述先验框对26×26的特征图进行特征检测提取,
采用2个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出2个尺寸的IoU值;
通过横向比较不同尺寸下IoU值,完成红外诊断识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871732.3A CN112036464A (zh) | 2020-08-26 | 2020-08-26 | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010871732.3A CN112036464A (zh) | 2020-08-26 | 2020-08-26 | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036464A true CN112036464A (zh) | 2020-12-04 |
Family
ID=73581575
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010871732.3A Pending CN112036464A (zh) | 2020-08-26 | 2020-08-26 | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036464A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541478A (zh) * | 2020-12-25 | 2021-03-23 | 国网吉林省电力有限公司信息通信公司 | 一种基于双目摄像头的绝缘子串污损检测方法及系统 |
CN112989924A (zh) * | 2021-01-26 | 2021-06-18 | 深圳市优必选科技股份有限公司 | 目标检测方法、目标检测装置及终端设备 |
CN113034449A (zh) * | 2021-03-11 | 2021-06-25 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、装置及通信设备 |
CN113255521A (zh) * | 2021-05-26 | 2021-08-13 | 青岛以萨数据技术有限公司 | 一种面向嵌入式平台的双模目标检测方法及系统 |
CN113538391A (zh) * | 2021-07-25 | 2021-10-22 | 吉林大学 | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 |
CN116681885A (zh) * | 2023-08-03 | 2023-09-01 | 国网安徽省电力有限公司超高压分公司 | 输变电设备红外图像目标识别方法及系统 |
CN117607636A (zh) * | 2023-11-30 | 2024-02-27 | 华北电力大学 | 多光谱融合的感传存算一体化高压放电检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
CN110780164A (zh) * | 2019-11-04 | 2020-02-11 | 华北电力大学(保定) | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
CN110838112A (zh) * | 2019-11-08 | 2020-02-25 | 上海电机学院 | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 |
CN111027569A (zh) * | 2019-11-04 | 2020-04-17 | 华北电力大学(保定) | 一种基于红外图像的劣化绝缘子识别诊断方法及其装置 |
-
2020
- 2020-08-26 CN CN202010871732.3A patent/CN112036464A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110033453A (zh) * | 2019-04-18 | 2019-07-19 | 国网山西省电力公司电力科学研究院 | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 |
CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
CN110780164A (zh) * | 2019-11-04 | 2020-02-11 | 华北电力大学(保定) | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
CN111027569A (zh) * | 2019-11-04 | 2020-04-17 | 华北电力大学(保定) | 一种基于红外图像的劣化绝缘子识别诊断方法及其装置 |
CN110838112A (zh) * | 2019-11-08 | 2020-02-25 | 上海电机学院 | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541478A (zh) * | 2020-12-25 | 2021-03-23 | 国网吉林省电力有限公司信息通信公司 | 一种基于双目摄像头的绝缘子串污损检测方法及系统 |
CN112989924A (zh) * | 2021-01-26 | 2021-06-18 | 深圳市优必选科技股份有限公司 | 目标检测方法、目标检测装置及终端设备 |
CN112989924B (zh) * | 2021-01-26 | 2024-05-24 | 深圳市优必选科技股份有限公司 | 目标检测方法、目标检测装置及终端设备 |
CN113034449A (zh) * | 2021-03-11 | 2021-06-25 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、装置及通信设备 |
CN113034449B (zh) * | 2021-03-11 | 2023-12-15 | 深圳市优必选科技股份有限公司 | 目标检测模型训练方法、装置及通信设备 |
CN113255521A (zh) * | 2021-05-26 | 2021-08-13 | 青岛以萨数据技术有限公司 | 一种面向嵌入式平台的双模目标检测方法及系统 |
CN113538391A (zh) * | 2021-07-25 | 2021-10-22 | 吉林大学 | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 |
CN113538391B (zh) * | 2021-07-25 | 2022-08-02 | 吉林大学 | 一种基于Yolov4和热红外图像的光伏缺陷检测方法 |
CN116681885A (zh) * | 2023-08-03 | 2023-09-01 | 国网安徽省电力有限公司超高压分公司 | 输变电设备红外图像目标识别方法及系统 |
CN116681885B (zh) * | 2023-08-03 | 2024-01-02 | 国网安徽省电力有限公司超高压分公司 | 输变电设备红外图像目标识别方法及系统 |
CN117607636A (zh) * | 2023-11-30 | 2024-02-27 | 华北电力大学 | 多光谱融合的感传存算一体化高压放电检测方法 |
CN117607636B (zh) * | 2023-11-30 | 2024-05-14 | 华北电力大学 | 多光谱融合的感传存算一体化高压放电检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036464A (zh) | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 | |
Wang et al. | Automatic fault diagnosis of infrared insulator images based on image instance segmentation and temperature analysis | |
Souza et al. | Hybrid-YOLO for classification of insulators defects in transmission lines based on UAV | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
Liu et al. | High precision detection algorithm based on improved RetinaNet for defect recognition of transmission lines | |
Liu et al. | Data analysis in visual power line inspection: An in-depth review of deep learning for component detection and fault diagnosis | |
Stefenon et al. | Classification of distribution power grid structures using inception v3 deep neural network | |
CN113205063A (zh) | 一种输电导线缺陷的视觉识别及定位方法 | |
Ahmed et al. | Inspection and identification of transmission line insulator breakdown based on deep learning using aerial images | |
CN109872317A (zh) | 一种基于电力设备缺陷识别学习模型的缺陷识别方法 | |
Liu et al. | Review of data analysis in vision inspection of power lines with an in-depth discussion of deep learning technology | |
CN107179479A (zh) | 基于可见光图像的输电导线散股缺陷检测方法 | |
CN112819784A (zh) | 一种配电线路导线断股散股检测方法及系统 | |
Tan | Automatic insulator detection for power line using aerial images powered by convolutional neural networks | |
CN113469950A (zh) | 一种基于深度学习的复合绝缘子异常发热缺陷的诊断方法 | |
Guo et al. | An electrical insulator defects detection method combined human receptive field model | |
CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
Xuan et al. | Intelligent identification method of insulator defects based on CenterMask | |
Ding et al. | High accuracy real-time insulator string defect detection method based on improved yolov5 | |
CN108537792B (zh) | 一种基于卷积神经网络的电力缺陷图像识别方法 | |
Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
Guo et al. | Detection of insulator defects based on YOLO V3 | |
Alahyari et al. | Segmentation and defect classification of the power line insulators: a deep learning-based approach | |
Rocha et al. | Multidefect Detection Tool for Large-Scale PV Plants: Segmentation and Classification | |
CN113076672A (zh) | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
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 |