CN112595276B - 一种基于深度学习的输电线路覆冰厚度检测方法 - Google Patents

Abstract

一种基于深度学习的输电线路覆冰厚度检测方法，涉及一种电力系统中输电线路覆冰厚度的检测技术，为了解决现有的图像法处理覆冰线路图像时，覆冰检测边缘精度低的问题。本发明通过获取输电线路覆冰图像数据集，并对其进行训练，得到三分类的语义分割模型；使用三分类的语义分割模型对待检测输电线路覆冰图像进行分割，输出三分类输电线路覆冰图像；使用OpenCV对输出的三分类输电线路覆冰图像进行接口处理，提取输电线路的轮廓点集和覆冰层的轮廓点集；根据提取的输电线路的轮廓点集和覆冰层的轮廓点集计算出待检测输电线路覆冰图像中覆冰层厚度。有益效果为提高了输电线路覆冰检测边缘的精度。

Description

一种基于深度学习的输电线路覆冰厚度检测方法

技术领域

本发明涉及一种电力系统中输电线路覆冰厚度的检测技术。

背景技术

近年来，随着我国输电技术的高速发展，高压输电技术的普及，加上西电东送、北电南送等国家重大战略目标的确定，越来越多的输电线路建设在轻度及重度覆冰区，如我国的西南地区、东北地区等；在一定的地理气象环境条件下，输电线路的导线上常常会出现覆冰现象，由于输电线路覆冰而导致的电力事故频繁发生，输电线路覆冰这一问题逐渐成为影响电力系统稳定安全运行的一个重要因素；因此，对输电线路覆冰情况的及时有效地监测成为了维护输电线路安全稳定运行的一项重要技术手段；一般情况下，对输电线路覆冰状态的检测过程中，受自然界客观因素的影响，直接从自然环境中获取到的覆冰输电线路图像质量欠佳，如噪声过大，图像清晰度不高，输电线路边缘模糊等问题；现有的输电线路覆冰检测研究所选用的对象大部分使用的是实验室中的模拟导线或使用覆冰的光滑铜管代替，与实际情况存在一定差距，实验模型难以准确的从自然环境中所直接获取到的覆冰输电线路图像中提取边界。

全世界每年都会发生多起由于输电线路覆冰导致的倒杆断线断电等安全事故，给人民生活、社会生产、社会生活都带来极大不便，同时也给地方政府造成了巨大的经济损失；因此，通过对输电线路的实时监测，相关工作人员能够及时了解输电线路的现场状况，以便在输电线路覆冰过厚超过警戒值时，及时采取相应的融冰除冰措施，有效减少和防止电网大面积瘫痪对国民经济造成重大损失。

现有技术中，通过图像法检测输电线路导线覆冰厚度的方案大多采用阈值方法提取轮廓，或采用传统的边缘提取方法，现有的边缘检测算法的原理是基于空域微分算子以及图像卷积计算来检测图像的边缘，根据不同的微分算子分为以下多种方法，包括Roberts算子、Sobel算子、Prewitt算子、LoG算子、Canny算子等；公开号为CN101556142A的中国专利“架空线路覆冰厚度的视觉检测方法”公开了通过区域分割获得图像架空线的所在区域，根据统计单根架空线对应于图像中单行所占的像素数的比例关系换算成覆冰的厚度的方法。公开号为CN101430195的中国专利“一种利用视频图像处理技术计算输电线路覆冰厚度的方法”公开了以传送到监控中心的输电线路视频流中截取的数字图像为研究对象，首先通过一系列方法对图像进行预处理：分别为图像灰度化、二维图像分割、滤波、区域标记等，然后对每条输电线路的覆冰前后图像像素进行对比，计算得出一个平均比值，进而计算出其覆冰厚度；综上所述的发明专利均对输电线路覆冰图像的边缘处理比较粗糙，这样容易在检测时将图像噪声当作导线边缘，导致对提取的导线覆冰厚度检测不精确。

综上所述，在实际的自然环境下，通过现有的图像法检测输电线路导线覆冰厚度的方法不能够很好地处理覆冰输电线路的边缘细节问题。

发明内容

本发明的目的是为了解决现有的图像法处理覆冰线路图像时，覆冰检测边缘精度低的问题，提出了一种基于深度学习的输电线路覆冰厚度检测方法。

本发明所述的一种基于深度学习的输电线路覆冰厚度检测方法包括以下步骤：

步骤一、获取输电线路覆冰图像数据集；

步骤二、对步骤一获取的输电线路覆冰图像数据集进行训练，得到三分类的语义分割模型；

步骤三、使用步骤二得到的三分类的语义分割模型对待检测输电线路覆冰图像进行分割，输出三分类输电线路覆冰图像；

步骤四、使用OpenCV对步骤三输出的三分类输电线路覆冰图像进行接口处理，提取输电线路的轮廓点集和覆冰层的轮廓点集；

步骤五、根据步骤四提取的输电线路的轮廓点集和覆冰层的轮廓点集计算出待检测输电线路覆冰图像中覆冰层厚度。

本发明的有益效果是通过使用基于深度学习的语义分割模型，生成三分类的语义分割模型，并利用三分类的语义分割模型对输电线路覆冰图像进行像素级分割，降低了现有边缘检测算子对边缘提取的误差，提高了输电线路覆冰检测边缘的精度。

附图说明

图1为具体实施方式一所述的一种基于深度学习的输电线路覆冰厚度检测方法流程图。

具体实施方式

具体实施方式一：结合图1说明本实施方式，本实施方式所述的一种基于深度学习的输电线路覆冰厚度检测方法包括以下步骤：

步骤一、获取输电线路覆冰图像数据集；输电线路覆冰图像数据集包括未覆冰的输电线路图像和覆冰的输电线路图像；

步骤二、对步骤一获取的输电线路覆冰图像数据集进行训练，得到三分类的语义分割模型；

步骤三、使用步骤二得到的三分类的语义分割模型对待检测输电线路覆冰图像进行分割，输出三分类输电线路覆冰图像；

步骤四、使用OpenCV对步骤三输出的三分类输电线路覆冰图像进行接口处理，提取输电线路的轮廓点集和覆冰层的轮廓点集；

步骤五、根据步骤四提取的输电线路的轮廓点集和覆冰层的轮廓点集计算出待检测输电线路覆冰图像中覆冰层厚度。

在本实施方式中，该基于深度学习的输电线路覆冰厚度检测的方法，旨在改善自然环境下获取的覆冰线路图像清晰度低、背景复杂等问题，降低现有的基于图像的边缘检测算法边缘提取平滑、噪声影响大等情况，提高输电线路覆冰图像的边缘轮廓的检测精度。

具体实施方式二：本实施方式是对具体实施方式一所述的一种基于深度学习的输电线路覆冰厚度检测方法进一步限定，在本实施方式中，步骤二中得到三分类的语义分割模型的具体方法为：

步骤二一、采取数据增强方法，增加输电线路覆冰图像数据集中图像的数量；

步骤二二、对增加图像数量后的输电线路覆冰图像数据集中的每一张图片生成对应的掩膜(mask)；使用深度学习图像标注工具labelme，手动分割出输电线路、覆冰层、图像背景并对这三种类别进行标注，将其作为原图像的训练标签图像；

步骤二三、批量取出增加图像数量后的输电线路覆冰图像数据集中的图像以及与其对应的掩膜；设置周期图像训练批量大小为30张，即系统在每个训练周期内，随机从输电线路覆冰图像数据集中选取30张原图与对应的掩膜图像；

步骤二四、对步骤二三中批量取出的图像以及对应的掩膜进行预处理；预处理的目的是预提高模型训练速度，降低模型过拟合风险；预处理的过程为：将图像转为深度学习语义模型要求的张量形式，再对图像进行归一化处理，并对图像进行裁剪缩小；

步骤二五、设置深度学习语义模型的训练周期，并利用该深度学习语义模型对步骤二四预处理后的图片进行三分类训练；设置训练周期为100次；

步骤二六，训练结束，得到三分类语义分割模型。

在本实施方式中，预处理包括归一化和图像尺寸缩小为原图的宽高的二分之一；然后将预处理过的覆冰图像输入三分类分割模型，输出三分类分割图像；对上述过程输出图像使用双线性插值算法恢复输入图像的原始大小。

具体实施方式三：本实施方式是对具体实施方式二所述的一种基于深度学习的输电线路覆冰厚度检测方法进一步限定，在本实施方式中，步骤二一中数据增强方法包括几何变换法和颜色变换法；

所述几何变换法包括翻转、旋转、裁剪、变形以及缩放中的一个或多个；

所述颜色变换法包括噪声、模糊、颜色变换、擦除以及填充中的一个或多个。

具体实施方式四：本实施方式是对具体实施方式一所述的一种基于深度学习的输电线路覆冰厚度检测方法进一步限定，在本实施方式中，步骤三输出的三分类输电线路覆冰图像包括输电线路、覆冰层和图像背景。

具体实施方式五：本实施方式是对具体实施方式一所述的一种基于深度学习的输电线路覆冰厚度检测方法进一步限定，在本实施方式中，步骤五中计算出待检测输电线路覆冰图像中覆冰层厚度的具体步骤为：

步骤五一、使用OpenCV计算出输电线路轮廓点集的最小外接矩形，该最小外接矩形即为输电线路边缘轮廓，同时可得到该最小外接矩形相对图像水平位置的偏置角度、矩形中心点坐标(X,Y)、矩形宽高(W,H)；偏置角度用于作为输电线路旋转的依据，使图像中的输电线路相对图像处于水平位置；由于图像拍摄角度等原因，图像中的输电线不一定处于相对图像水平线位置，根据上述步骤得到的偏置角将输电线路进行旋转，使其相对图像处于水平位置；

步骤五二、根据步骤五一得到的矩形中心坐标(X,Y)、矩形宽高(W,H)，计算输电线路的上下边缘像素点；记上边缘UP＝Y-H/2，下边缘LOW＝Y+H/2；

步骤五三、分别计算输电线路上下边缘的最大覆冰像素值；记图像的水平方向为X轴，垂直方向为Y轴，从输电线路的最左侧像素点开始扫描，计算出该像素点对应的Y轴方向覆冰层的总像素值，重复该步骤分别计算输电线路上下边缘每一个像素点对应的Y轴方向覆冰层的总像素值，然后分别取上下边缘的最大总像素值，作为输电线路上下边缘的覆冰像素值，记为UP_ICE_DPT、LOW_ICE_DPT；

步骤五四、计算输电线路上下边缘实际覆冰层厚度；利用输电线路的实际宽度与测得的输电线路的像素高度之间的比例关系，计算可得到输电线路上下边缘的实际覆冰厚度：假设输电线路实际宽度为L、上边缘覆冰实际厚度为UP_DPT、下边缘覆冰实际厚度为LOW_DPT，则L/H＝UP_DPT/UP_ICE_DPT、L/H＝LOW_DPT/LOW_ICE_DPT，即输电线路上边缘实际覆冰厚度UP_DPT＝L/H*UP_ICE_DPT、输电线路下边缘实际覆冰厚度LOW_DPT＝L/H*LOW_ICE_DPT。

Claims (4)

1.一种基于深度学习的输电线路覆冰厚度检测方法，其特征在于，该检测方法包括以下步骤：

步骤一、获取输电线路覆冰图像数据集；

步骤二、对步骤一获取的输电线路覆冰图像数据集进行训练，得到三分类的语义分割模型；

步骤三、使用步骤二得到的三分类的语义分割模型对待检测输电线路覆冰图像进行分割，输出三分类输电线路覆冰图像；

步骤四、使用OpenCV对步骤三输出的三分类输电线路覆冰图像进行接口处理，提取输电线路的轮廓点集和覆冰层的轮廓点集；

步骤五、根据步骤四提取的输电线路的轮廓点集和覆冰层的轮廓点集计算出待检测输电线路覆冰图像中覆冰层厚度；

步骤五中计算出待检测输电线路覆冰图像中覆冰层厚度的具体步骤为：

步骤五一、使用OpenCV计算出输电线路轮廓点集的最小外接矩形，该最小外接矩形即为输电线路边缘轮廓，同时可得到该最小外接矩形相对图像水平位置的偏置角度、矩形中心点坐标(X,Y)、矩形宽高(W,H)；偏置角度用于作为输电线路旋转的依据，使图像中的输电线路相对图像处于水平位置；

步骤五二、根据步骤五一得到的矩形中心坐标(X,Y)、矩形宽高(W,H)，计算输电线路的上下边缘像素点；记上边缘UP＝Y-H/2，下边缘LOW＝Y+H/2；

步骤五三、分别计算输电线路上下边缘的最大覆冰像素值；记图像的水平方向为X轴，垂直方向为Y轴，从输电线路的最左侧像素点开始扫描，计算出该像素点对应的Y轴方向覆冰层的总像素值，重复该步骤分别计算输电线路上下边缘每一个像素点对应的Y轴方向覆冰层的总像素值，然后分别取上下边缘的最大总像素值，作为输电线路上下边缘的覆冰像素值，记为UP_ICE_DPT、LOW_ICE_DPT；

步骤五四、计算输电线路上下边缘实际覆冰层厚度；利用输电线路的实际宽度与测得的输电线路的像素高度之间的比例关系，计算可得到输电线路上下边缘的实际覆冰厚度：假设输电线路实际宽度为L、上边缘覆冰实际厚度为UP_DPT、下边缘覆冰实际厚度为LOW_DPT，则L/H＝UP_DPT/UP_ICE_DPT、L/H＝LOW_DPT/LOW_ICE_DPT，即输电线路上边缘实际覆冰厚度UP_DPT＝L/H*UP_ICE_DPT、输电线路下边缘实际覆冰厚度LOW_DPT＝L/H*LOW_ICE_DPT。

2.根据权利要求1所述的一种基于深度学习的输电线路覆冰厚度检测方法，其特征在于，步骤二中得到三分类的语义分割模型的具体方法为：

步骤二一、采取数据增强方法，增加输电线路覆冰图像数据集中图像的数量；

步骤二二、对增加图像数量后的输电线路覆冰图像数据集中的每一张图片生成对应的掩膜，将该掩膜作为原图像的标签；

步骤二三、批量取出增加图像数量后的输电线路覆冰图像数据集中的图像以及与其对应的掩膜；

步骤二四、对步骤二三中批量取出的图像以及对应的掩膜进行预处理；

步骤二五、设置深度学习语义模型的训练周期，并利用该深度学习语义模型对步骤二四预处理后的图片进行三分类训练；

步骤二六，训练结束，得到三分类语义分割模型。

3.根据权利要求2所述的一种基于深度学习的输电线路覆冰厚度检测方法，其特征在于，步骤二一中数据增强方法包括几何变换法和颜色变换法；

所述几何变换法包括翻转、旋转、裁剪、变形以及缩放中的一个或多个；

所述颜色变换法包括噪声、模糊、颜色变换、擦除以及填充中的一个或多个。

4.根据权利要求1所述的一种基于深度学习的输电线路覆冰厚度检测方法，其特征在于，步骤三输出的三分类输电线路覆冰图像包括输电线路、覆冰层和图像背景。

Images