CN112541389B - 一种基于EfficientDet网络的输电线路故障检测方法 - Google Patents

一种基于EfficientDet网络的输电线路故障检测方法 Download PDF

Info

Publication number
CN112541389B
CN112541389B CN202011053293.1A CN202011053293A CN112541389B CN 112541389 B CN112541389 B CN 112541389B CN 202011053293 A CN202011053293 A CN 202011053293A CN 112541389 B CN112541389 B CN 112541389B
Authority
CN
China
Prior art keywords
transmission line
power transmission
images
network
efficientdet
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
Application number
CN202011053293.1A
Other languages
English (en)
Other versions
CN112541389A (zh
Inventor
侯兴松
朱登柯
崔江波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011053293.1A priority Critical patent/CN112541389B/zh
Publication of CN112541389A publication Critical patent/CN112541389A/zh
Application granted granted Critical
Publication of CN112541389B publication Critical patent/CN112541389B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Primary Health Care (AREA)
  • Astronomy & Astrophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Remote Sensing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于EfficientDet网络的输电线路故障检测方法，包括以下步骤：获取若干真实场景下的输电线路图像，并以真实场景下的输电线路图像构建输电线路图像数据集，再对真实场景下的输电线路图像进行几何变换，然后进行裁剪、拼接、亮度及对比度变换，以扩充输电线路图像数据集，再仿真输电线路中各部件的图像，同时模拟导线散股断股场景拍摄图像，以进一步扩充输电线路图像数据集，最后对输电线路图像数据集中的若干输电线路图像进行数据增强，利用数据增强后的输电线路图像对EfficientDet网络进行训练及测试，再利用训练及测试后的EfficientDet网络进行输电线路故障检测，该方法有效的降低故障检测的难度，提高故障检测的准确性。

Description

一种基于EfficientDet网络的输电线路故障检测方法
技术领域
本发明属于输电线路智能监测技术领域，涉及一种基于EfficientDet网络的输电线路故障检测方法。
背景技术
随着经济的发展和城市化进程的加快，居民、商业、工业等各个领域对电力的使用需求不断增长，电力能源给人们生活带来巨大便利的同时，其电力系统的稳定性和可靠性却向人们提出了新的挑战。如何提高电网系统的稳定性，仍然是电力系统领域亟待解决的问题。由于我国电网投资规模大，使得电力网络结构也越来越复杂，再之我国地域辽阔，环境复杂多变，而输电线路部件长期暴露在恶劣的环境中难免会出现导线的散股、断股，舞动粘连和绝缘子串缺损等现象出现，致使输电线路发生稳定性故障，直接影响着电力系统的安全运行，进而影响社会生产和人民生活，所以对输电线路部件故障检测更是迫在眉睫。
对于输电线路的监测管理，由于其点多线长面广的特殊性，曾长期依赖人工观测的方式巡检电力线路并对已发生故障和存在故障隐患的输电设备进行更换。传统人力巡检主要依靠巡检人员携带相关设备进行故障检测，其效率低且成本高，无法对大量数据进行保质保量检测，存在未能及时发现故障的风险；另外巡检人员也面临着严峻的交通问题和较大的安全隐患。后来的直升机搭载设备巡检相对人工巡检效率有所提升，但是高昂的成本却让众多电网望而却步。
当前，以深度学习为代表的人工智能技术在图像处理领域取得了巨大成功，尤其是在图像分类、目标识别、场景分割等任务中屡获佳绩。因此，将深度学习应用于输电线路图像智能识别，自动、实时地对关键部件故障进行检测，为可能的安全隐患及时提供预警，对电力系统的安全可靠运行具有重大意义。
输电线路故障图像目前存在以下共性问题：①故障背景复杂多变，②故障目标大小不一，小目标较多，③故障发生位置具有不确定性。这些共性问题使得待检测目标在图像中不够突显，加大了故障检测难度，检测准确性较差。另外，由于国家电力行业的特殊性，目前国内没有一个标准的开源输电线路部件图像数据集。缺乏一个优质的输电线路关键部件图像数据集，成为制约深度学习故障检测结果的重要因素。
发明内容
本发明的目的在于克服上述现有技术的缺点，提供了一种基于EfficientDet网络的输电线路故障检测方法，该方法有效的降低故障检测的难度，提高故障检测的准确性。
为达到上述目的，本发明所述的基于EfficientDet网络的输电线路故障检测方法包括以下步骤：
获取若干真实场景下的输电线路图像，并以真实场景下的输电线路图像构建输电线路图像数据集，再对真实场景下的输电线路图像进行几何变换，然后进行裁剪、拼接、亮度及对比度变换，以扩充输电线路图像数据集，再仿真输电线路中各部件的图像，同时模拟导线散股断股场景拍摄图像，以进一步扩充输电线路图像数据集，最后对输电线路图像数据集中的若干输电线路图像进行数据增强，再利用数据增强后的输电线路图像对EfficientDet网络进行训练及测试，并选择基础网络进行改进，然后利用改进后的EfficientDet网络进行输电线路故障检测，完成基于EfficientDet网络的输电线路故障检测。
具体包括以下步骤：
1)获取真实场景下输电线路各部件的图像，并以此作为原始样本；
2)对步骤1)中的原始样本进行平移、旋转及拼接操作，同时仿真输电线路关键部件的图像，并模拟导线散股断股场景拍摄图像，以扩充输电线路图像的数量；
3)使用标注工具对输电线路图像数据集中的图像进行标签标注；
4)对真实场景下的输电线路图像进行数据增强，然后再通过各输电线路图像构建输电线路图像数据集；
5)利用步骤4)中的输电线路图像数据集训练并测试EfficientDet D0～D3网络，然后通过对比训练及测试后的D0～D3网络的性能指标，最终选择网络模型作为基础网络；
6)对基础网络中的特征融合模块进行改进及设计anchor，然后利用改进后的网络进行输电线路故障检测。
步骤2)的具体操作为：
对真实场景下采集到的输电线路图像进行平移、旋转、裁剪、拼接、亮度和对比度变换，以增加输电线路图像数目；
利用3ds Max软件仿真输电线路图像，同时建立输电线路各部件的三维模型，然后分别增加到晴天、阴天、雪地、树林、农田、住宅区及河流的背景环境下，以增加输电线路图像；
利用3ds Max软件仿真图像，先建立输电线路各类部件三维模型，再分别在晴天、阴天、雪地、树林、农田、住宅区和河流不同背景环境下对模型进行渲染，以扩充输电线路数图像据集；
利用Photoshop图像处理软件，仿真输电线路中悬挂异物场景下的图像，以增加输电线路图像；
模拟导线断股散股场景，摆拍不同角度、光照条件下的导线不同损伤程度的图像，以增加输电线路图像。
步骤3)中，利用标注工具LabelImg对输电线路图像进行标签标注，其中，以绝缘子击穿和缺损、鸟害、接口断裂、绝缘子或导线不规则覆冰、异物短路、导线散股断股为待标注的目标区域。
步骤4)中采用Mixup方法、CutMix方法及Mosaic方法对数据进行增强。
步骤5)中，EfficientDet网络包含EfficientDet D0-D7共八个网络，EfficientDet D0-D7网络的输入图像尺寸来越大、网络的深度越深，则检测精度依次提升但检测速度变慢且模型参数量有所增加，分别对EfficientDet D0～D3网络进行训练，利用训练好的EfficientDet D0～D3网络分别对故障数据集中的测试集进行故障检测，选定综合性能最佳的作为基础网络。
步骤6)中，改进后EfficientDet网络中特征融合层的层数为3层或者4层。
步骤6)中，采用基于K-means的聚类算法设计EfficientDet网络中anchor的尺寸并设计新的anchor分配方式。
本发明具有以下有益效果：
本发明所述的基于EfficientDet网络的输电线路故障检测方法在具体操作时，对真实场景下采集的输电线路图像进行几何变换操作，然后再进行裁剪、拼接、亮度和对比度变换，初步扩充输电线路图像数据集；随后仿真输电线路中部件的图像，并模拟导线散股断股场景拍摄图像，以丰富故障数据类型；然后对输电线路图像的数据增强，以降低检测的难度，提高检测的准确性，最后通过对EfficientDet网络进行有效改进，然后利用改进后的EfficientDet网络进行输电线路故障检测，需要说明的是，本发明在电力行业没有标准的开源输电线路部件图像数据集的情况下，能够有效完成数据集的制作，为相关领域的研究提供了数据增广方法，实现对输电线路故障的快速高效检测，为实际应用中的输电线路故障检测、智能巡线等实用技术提供更好的技术支撑。
附图说明
图1为本发明的流程图；
图2为数据增广的部分图示例图；
图3为使用3ds Max仿真软件对输电线路关键部件建模过程图；
图4a为利用Photoshop仿真异物的一种图像；
图4b为利用Photoshop仿真异物的另一种图像；
图4c为利用Photoshop仿真异物的另一种图像；
图4d为利用Photoshop仿真异物的另一种图像
图5为模拟拍摄导线散股图像；
图6a为Mixup方法采用进行数据增强的部分图示例图；
图6b为Cutmix方法采用进行数据增强的部分图示例图；
图6c为Mosaic方法采用进行数据增强的部分图示例图；
图7为输电线路故障检测算法设计框架图；
图8a为EfficientDet的原始特征融合模块的结构图；
图8b为一种优化结构图；
图8c为另一种优化结构图；
图8d为另一种优化结构图；
图8e为另一种优化结构图；
图9为K-means聚类新anchor的流程图；
图10为改进后的anchor分配示意图；
图11a为基于改进的EfficientDet网络对输电线路故障检测部分结果图；
图11b为图11a为局部放大图。
具体实施方式
下面结合附图对本发明做进一步详细描述：
参考图1，本发明所述的基于EfficientDet网络的输电线路故障检测方法包括以下步骤：
获取若干真实场景下的输电线路图像，并以真实场景下的输电线路图像构建输电线路图像数据集，再对真实场景下的输电线路图像进行几何变换，然后进行裁剪、拼接、亮度及对比度变换，以扩充输电线路图像数据集，再仿真输电线路中各部件的图像，同时模拟导线散股断股场景拍摄图像，以进一步扩充输电线路图像数据集，最后对输电线路图像数据集中的若干输电线路图像进行数据增强，再利用数据增强后的输电线路图像对EfficientDet网络进行训练及测试并选择合适的基础网络进行改进，然后利用改进后的EfficientDet网络进行输电线路故障检测，完成基于EfficientDet网络的输电线路故障检测。
具体包括以下步骤：
1)获取真实场景下输电线路各部件的图像，并以此作为原始样本；
2)对步骤1)中的原始样本进行平移及旋转拼接操作，同时仿真输电线路中部件的图像，并模拟导线散股断股场景拍摄图像，以扩充输电线路图像的数量；
3)使用标注工具对输电线路图像数据集中的图像进行标签标注；
4)对真实场景下的输电线路图像进行数据增强，然后再通过各输电线路图像构建输电线路图像数据集；
5)利用步骤4)中的输电线路图像数据集训练并测试EfficientDet网络，然后根据训练及测试后的EfficientDet网络选择基础网络；
6)对基础网络中的特征融合模块及anchor进行改进，然后利用改进后的基础网络进行输电线路故障检测。
步骤2)的具体操作为：
对真实场景下采集到的输电线路图像进行平移、旋转、裁剪、拼接、亮度和对比度变换，以增加输电线路图像数目，其中，图像亮度和对比度调节变换过程为：
g(i,j)＝αf(i,j)+β
其中，f(i,j)表示原始输电线路图像，g(i,j)表示变换后的输电线路图像，α表示对比度因子，β表示亮度影响因子，β的像素范围为[0,255]；
利用3ds Max软件仿真输电线路图像，同时建立输电线路各部件的三维模型，然后分别在晴天、阴天、雪地、树林、农田、住宅区及河流的背景环境下，以增加输电线路图像；
利用Photoshop图像处理软件，仿真输电线路中悬挂异物场景下的图像，以增加输电线路图像；
模拟导线断股散股场景，摆拍不同角度、光照条件下的导线不同损伤程度的图像，以增加输电线路图像。
步骤3)中，利用标注工具LabelImg对输电线路图像进行标签标注，其中，以绝缘子击穿和缺损、鸟害、接口断裂、绝缘子或导线不规则覆冰、异物短路、导线散股断股为待标注的目标区域，将标签类别设置为Thunderstruck、Insulator、Birdstrike、Connectorbroken、Icing、Foreign object及Wire loose strands，以形成COCO格式的数据集，将该数据集记作Electricity I。
步骤4)中采用Mixup方法、CutMix方法及Mosaic方法对数据进行增强。
Mixup方法的具体操作为：采用对不同故障类别之间进行建模的方式实现数据增强，以线性插值的方式构建新的训练样本及标签，其核心操作为：将两张图片按比例混合，同时将其标签也混合，混合方式为：
其中，(xi，yi)及(xj，yj)表示两个数据对是原始数据集中的样本对，λ用于控制线性混合度，满足Beta分布。
CutMix方法的具体过程为：CutMix方法是混合两种样本，标签混合方式是同Mixup方法一样的线性组合，但其图像混合思想是局部融合，即随机生成一个裁剪框，裁剪掉A图像的相应位置，然后用B图像的相应位置代替A中的被裁剪区域形成新的样本，混合位置采用0-1掩码，Cutmix混合方式为：
其中，xA和xB为两个不同的样本图像，yA和yB为xA和xB对应的标签值，M∈{0,1}W×H和1同为二进制掩码，λ属于Beta分布。
裁剪框Box(rx,ry,rw,rh)按以下公式得到：
rx～Unif(0,W)
ry～Unif(0,H)
应保证裁剪区域的比例为通过λ参数可以控制裁剪框大小。
Mosaic方法与Cutmix方法的原理类似，但是对四张图像进行混合，即随机对四张图像裁剪拼接得到一张图像。
步骤5)中，EfficientDet网络通过联合缩放策略调整模型结构，包括输入图像分辨率、backbone网络和BiFPN网络的宽度及深度、分类回归网络的深度，EfficientDet网络包含EfficientDet D0-D7共八个网络，D0-D7输入的图像尺寸来越大，则EfficientDet网络的深度越深，检测性能依次提升。
D0-D7网络所需的输入图像分辨率Rinput满足：
其中，为联合缩放的复合系数。
利用EfficientDet D0-D7网络对输电线路部件进行故障检测时，首先按照每个网络对分辨率的要求，将待检测输电线路的部件图像进行缩放，使其具有统一的输入尺寸，在每次训练时，在所有训练数据中随机读取batch_size张图像及对应的xml标签文件；每张输入图像经过主干EfficientNet网络分别提取P1-P7的7层特征，由于P1、P2层提取的只是浅层特征，为避免过多增加网络的复杂度、模型参数量及计算量，特征融合时选择舍弃P1、P2层的浅层特征，将提取所得P3-P7层的特征输入级联的BiFPN网络进行特征融合；最后将融合后的P3-P7层特征送入分类及边框回归网络，进行输电线路故障分类和位置回归。
分别对EfficientDet D0～D3网络进行训练，利用训练后的EfficientDet D0～D3网络分别对故障数据集中的测试集进行故障检测，以选定综合性能最佳的基础网络。
步骤6)中，可对EfficientDet网络从以下两个方面进行改进：
a)对特征融合模块改进
原EfficientDet网络中的BiFPN采用P3-P7五层特征提取层，EfficientDet网络在进行特征提取时，由于下采样的原因，深层的特征图上对应的理论感受也越大，相应的映射回原图时对应的目标也越大。同理浅层的特征图由于下采样较少，理论感受野也较小，映射回原图时对应的目标也更小，深层特征图虽然感受野较大，但特征图的分辨率低，小目标经过特征层多次下采样，信息极易丢失，影响网络对小目标的检测性能。由于故障数据集中包含大量远处的小目标，过深的特征融合网络极易导致小目标的漏检，另外，过深的特征层就会产生更多的特征图，这些特征图会产生更多的样本，到后续的网络中需要对这些样本进行分类和回归，这就会严重影响着网络速度，而且特征图越大，产生的样本就会越多，分类和回归网络需要对其进行的卷积操作就越多，速度也就越慢。因此将原EfficientDet网络中的特征融模块层深适当减少，再重新设计特征融合模块，即将特征融合层减少至3层或者4层，然后进行实验分析得到在故障数据集上检测效果最好的特征融合模块。
b)anchor设计
anchor的生成是以卷积层络最后生成的特征图上的点为中心映射回原图的坐标。在原EfficientDet网络中，图像单个像素点上分配9个不同尺度的anchor，anchor大小适用于原数据集中的目标类型，而故障数据集中故障种类远少于原数据集的目标种类，且故障目标呈新的分布，需针对性的重新设计anchor。
本发明采用基于K-means的聚类算法重新设计anchor的尺寸，目的是通过在故障数据集上聚类，使anchor boxes和临近的ground truth有更大的IOU，生成更符合本数据集的anchor boxes。
基于K-means算法聚类产生的anchor的具体步骤为：
S1，使用的聚类原始数据是只有标注框的检测数据集，其中，包含(xj,yj,wj,hj),j∈(1,2,…,N)，即ground truth boxes相对于原图的坐标，(xj,yj)为框的中心点，(wj,hj)为框的宽和高，N为所有标注框的个数；
S2，给定k个聚类中心点，即anchor boxes的宽和高尺寸，由于anchor boxes位置不固定，所以没有具体坐标，只有宽和高；
S3，计算每个标注框和每个聚类中心点的距离d＝1-IOU，计算时每个标注框的中心点都与聚类中心重合，这样才能计算IOU值，将标注框分配给距离最近的聚类中心；
S4，所有标注框分配完毕以后，对每个簇重新计算聚类中心点，其中，计算方式为：
S5，重复步骤S2及步骤S3，直到聚类中心改变量小于预设值为止。
实施例一
实验中，将故障数据集制作为COCO格式，随机选取其中80％的数据作为网络训练过程中的数据集，其中，训练集占比90％，验证集占比10％，剩余的20％作为最终测试网络性能的测试集，训练及测试都是在硬件GTX1080Ti上进行，网络训练参数如表1所示，随机选取8个数据进行训练，即batch_size＝8，初始学习率为0.0001，每训练100次学习率下降0.5。
表1
对改进后的EfficientDet网络进行训练，网络分别对数据集中的测试集进行故障检测。同时将本发明与YOLOv3、YOLOv4算法进行对比，改进后的EfficientDet D2与YOLOv3、YOLOv4算法检测性能的实验结果如表2所示。
表2
表2中的实验结果可以看出，改进的EfficientDet网络检测精度高于YOLOv4和YOLOv3，但本发明的模型大小远小于这两种算法，检测速度也较快，满足实际需求。
改进后的EfficientDet网络对输电线路故障检测的部分结果如图11所示，实线框为检测出的目标，实线框左上角信息为信号类别及其置信度，如图11a，图中实线框出位置悬挂异物的概率是92％。从检测结果图中可以看出，改进的EfficientDet网络能较准确地检测出输电线路中存在的故障隐患。

Claims (5)

1.一种基于EfficientDet网络的输电线路故障检测方法，其特征在于，包括以下步骤：
获取若干真实场景下的输电线路图像，并以真实场景下的输电线路图像构建输电线路图像数据集，再对真实场景下的输电线路图像进行几何变换，然后进行裁剪、拼接、亮度及对比度变换，以扩充输电线路图像数据集，再仿真输电线路中各部件的图像，同时模拟导线散股断股场景拍摄图像，以进一步扩充输电线路图像数据集，最后对输电线路图像数据集中的若干输电线路图像进行数据增强，再利用数据增强后的输电线路图像对EfficientDet网络进行训练及测试，并选择基础网络进行改进，然后利用改进后的EfficientDet网络进行输电线路故障检测，完成基于EfficientDet网络的输电线路故障检测；
具体包括以下步骤：
1)获取真实场景下输电线路各部件的图像，并以此作为原始样本；
2)对步骤1)中的原始样本进行平移、旋转及拼接操作，同时仿真输电线路关键部件的图像，并模拟导线散股断股场景拍摄图像，以扩充输电线路图像的数量；
3)使用标注工具对输电线路图像数据集中的图像进行标签标注；
4)对真实场景下的输电线路图像进行数据增强，然后再通过各输电线路图像构建输电线路图像数据集；
5)利用步骤4)中的输电线路图像数据集训练并测试EfficientDet D0～D3网络，然后通过对比训练及测试后的D0～D3网络的性能指标，最终选择网络模型作为基础网络；
6)对基础网络中的特征融合模块进行改进及设计anchor，然后利用改进后的网络进行输电线路故障检测；
步骤5)中，EfficientDet网络包含EfficientDet D0-D7共八个网络，EfficientDetD0-D7网络的输入图像尺寸来越大、网络的深度越深，则检测精度依次提升但检测速度变慢且模型参数量有所增加，分别对EfficientDet D0～D3网络进行训练，利用训练好的EfficientDet D0～D3网络分别对故障数据集中的测试集进行故障检测，选定综合性能最佳的作为基础网络；
步骤6)中，改进后EfficientDet网络中特征融合层的层数为3层或者4层。
2.根据权利要求1所述的基于EfficientDet网络的输电线路故障检测方法，其特征在于，步骤2)的具体操作为：
对真实场景下采集到的输电线路图像进行平移、旋转、裁剪、拼接、亮度和对比度变换，以增加输电线路图像数目；
利用3ds Max软件仿真输电线路图像，同时建立输电线路各部件的三维模型，然后分别增加到晴天、阴天、雪地、树林、农田、住宅区及河流的背景环境下，以增加输电线路图像；
利用3ds Max软件仿真图像，先建立输电线路各类部件三维模型，再分别在晴天、阴天、雪地、树林、农田、住宅区和河流不同背景环境下对模型进行渲染，以扩充输电线路数图像据集；
利用Photoshop图像处理软件，仿真输电线路中悬挂异物场景下的图像，以增加输电线路图像；
模拟导线断股散股场景，摆拍不同角度、光照条件下的导线不同损伤程度的图像，以增加输电线路图像。
3.根据权利要求1所述的基于EfficientDet网络的输电线路故障检测方法，其特征在于，步骤3)中，利用标注工具LabelImg对输电线路图像进行标签标注，其中，以绝缘子击穿和缺损、鸟害、接口断裂、绝缘子或导线不规则覆冰、异物短路、导线散股断股为待标注的目标区域。
4.根据权利要求1所述的基于EfficientDet网络的输电线路故障检测方法，其特征在于，步骤4)中采用Mixup方法、CutMix方法及Mosaic方法对数据进行增强。
5.根据权利要求1所述的基于EfficientDet网络的输电线路故障检测方法，其特征在于，步骤6)中，采用基于K-means的聚类算法设计EfficientDet网络中anchor的尺寸并设计新的anchor分配方式。
CN202011053293.1A 2020-09-29 2020-09-29 一种基于EfficientDet网络的输电线路故障检测方法 Active CN112541389B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011053293.1A CN112541389B (zh) 2020-09-29 2020-09-29 一种基于EfficientDet网络的输电线路故障检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011053293.1A CN112541389B (zh) 2020-09-29 2020-09-29 一种基于EfficientDet网络的输电线路故障检测方法

Publications (2)

Publication Number Publication Date
CN112541389A CN112541389A (zh) 2021-03-23
CN112541389B true CN112541389B (zh) 2023-08-22

Family

ID=75013486

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011053293.1A Active CN112541389B (zh) 2020-09-29 2020-09-29 一种基于EfficientDet网络的输电线路故障检测方法

Country Status (1)

Country Link
CN (1) CN112541389B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033659A (zh) * 2021-03-24 2021-06-25 北京百度网讯科技有限公司 图像识别模型的训练与图像识别的方法、装置
CN113033489B (zh) * 2021-04-23 2024-02-13 华北电力大学 基于轻量级深度学习算法的输电线路绝缘子识别定位方法
CN113297915A (zh) * 2021-04-28 2021-08-24 江苏师范大学 一种基于无人机巡检的绝缘子识别目标检测方法
CN113449618A (zh) * 2021-06-17 2021-09-28 南京航空航天大学 一种基于特征融合和混类增强进行深度学习滚动轴承故障诊断方法
CN113506290A (zh) * 2021-07-29 2021-10-15 广东电网有限责任公司 一种线路绝缘子缺陷检测方法及装置
CN113705001B (zh) * 2021-08-27 2024-05-07 西安交通大学 输电线路故障检测方法、系统及嵌入式设备
CN114972261A (zh) * 2022-05-27 2022-08-30 东北大学 一种板带钢表面质量缺陷的识别方法
CN116993660A (zh) * 2023-05-24 2023-11-03 淮阴工学院 一种基于改进EfficientDet的PCB板缺陷检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145846A (zh) * 2017-04-26 2017-09-08 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
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
CN111339882A (zh) * 2020-02-19 2020-06-26 山东大学 基于实例分割的输电线路隐患检测方法
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107145846A (zh) * 2017-04-26 2017-09-08 贵州电网有限责任公司输电运行检修分公司 一种基于深度学习的绝缘子识别方法
WO2020181685A1 (zh) * 2019-03-12 2020-09-17 南京邮电大学 一种基于深度学习的车载视频目标检测方法
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
CN111339882A (zh) * 2020-02-19 2020-06-26 山东大学 基于实例分割的输电线路隐患检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
周筑博 ; 高佼 ; 张巍 ; 王晓婧 ; 张静 ; .基于深度卷积神经网络的输电线路可见光图像目标检测.液晶与显示.2018,(第04期),全文. *

Also Published As

Publication number Publication date
CN112541389A (zh) 2021-03-23

Similar Documents

Publication Publication Date Title
CN112541389B (zh) 一种基于EfficientDet网络的输电线路故障检测方法
CN106529410B (zh) 一种基于监控视频的灰霾扩散路径绘制与来源确定方法
CN112233092A (zh) 一种用于无人机电力巡检智能缺陷检测的深度学习方法
CN110208880B (zh) 一种基于深度学习和卫星遥感技术的海雾检测方法
CN113592822B (zh) 一种电力巡检图像的绝缘子缺陷定位方法
CN110120041A (zh) 路面裂缝图像检测方法
CN110133443B (zh) 基于平行视觉的输电线路部件检测方法、系统、装置
CN115482355A (zh) 一种众源数据驱动的lod2级城市建筑物模型增强建模算法
CN113487730A (zh) 一种基于激光雷达点云数据的城市三维自动建模方法
CN107480826A (zh) 基于gis的输电线路覆冰预警三维系统的应用
CN112926556B (zh) 一种基于语义分割的航拍输电线路散断股识别方法及系统
CN117351521B (zh) 基于数字孪生的输电线鸟类检测方法、系统、介质及设备
CN101364311A (zh) 大规模城市仿真中快速自动建立模型的方法
CN115223054A (zh) 一种基于分区聚类与卷积的遥感影像变化检测方法
CN114283285A (zh) 交叉一致性自训练遥感图像语义分割网络训练方法及装置
CN113987912A (zh) 一种基于地理信息的污染物在线监测系统
CN112102296A (zh) 一种基于人类概念学的电力设备目标识别方法
Zou et al. Automatic segmentation, inpainting, and classification of defective patterns on ancient architecture using multiple deep learning algorithms
CN116486240A (zh) 图像识别算法在输电线路无人机智能巡检方法上的应用
CN111651411A (zh) 一种复杂地形遥感土壤水分产品降尺度方法
CN111146866A (zh) 一种输电通道控制方法
CN113536944A (zh) 基于图像识别的配电线路巡检数据识别及分析方法
CN112907734B (zh) 基于虚拟crh380a模型和深度学习的teds故障检测方法
CN116052110A (zh) 一种路面标线缺损智能定位方法及系统
CN116612065A (zh) 一种基于YOLO v5的输电线路巡检图像缺陷智能识别方法

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