CN112683916A - 集电线路杆塔小金具缺失或安装错误的识别方法及装置 - Google Patents

Abstract

本发明公开一种集电线路杆塔小金具缺失或安装错误的识别方法及装置。该方法通过获取集电线路杆塔的视频数据，对视频数据进行切片处理，得到集电线路杆塔的图像，根据预置的机器学习模型，对图像中的画面进行部件判别，将图像切割为不同种类的特征，识别切割后得到的特征中的小金具，根据预置的机器学习模型，判断小金具的数量和安装部位是否存在小金具对应的缺陷，如果小金具的数量和安装部位存在小金具对应的缺陷，输出集电线路杆塔存在小金具缺失或安装错误的提示信息。本发明在对小金具进行目标识别检测中，加入分析手段，按照电力行业的规章制度与安装守则对小金具的数量、安装方式进行分析，从而解决深度学习不能解决的问题。

Description

集电线路杆塔小金具缺失或安装错误的识别方法及装置

技术领域

本发明涉及电力系统缺陷检测技术领域，尤其涉及一种集电线路杆塔小金具缺失或安装错误的识别方法及装置。

背景技术

以前架空输电线路巡检的主要方式为人工沿线路步行或借助交通工具，使用望远镜和红外热像仪等对线路设备和通道环境进行近距巡视和检测。随着线路里程不断增加，人均运维长度逐年增加，现有巡检方式效率低，特别是在高山、沼泽等复杂地形以及雨雪冰冻和地震等灾害条件下人员难以到达，难以发现杆塔上部设备缺陷等缺点显得更为突出。近年来随着无人机技术与机器人技术的发展，利用无人机与高空爬线机器人进行巡检的手段越来越普及。

随之而来的问题是，随着巡检效率的增长，线路图片的采集越来越多，依赖人员进行判断已经成为制约线路巡检的瓶颈，新能源场站一般都建在气候条件不好的地点，多风、高温等物候特点造成集电线路的金具易发生破裂，损毁等故障。利用视频识别手段进行集电线路的故障判别已经迫在眉睫。大量公司与科研单位对此进行了研究。一般的技术路线都是利用故障图片进行机器训练来进行故障判断。

机器学习进行故障判断可以解决集电线路故障的大部分问题，但是对于小金具的缺失与安装错误目前技术解决不了。其一是这种故障非常少，靠收集故障图片来进行机器训练基本不可能。机器学习需要的数据量少则几百、多则上万。而故障图片在一条线路也未必发生，所以收集不了那么多的数据集，造成对这种故障判断率的下降。但是这种缺陷又可以引发较大的故障。目前多靠人工复检的手段来进行弥补。因此，有必要提出一种集电线路杆塔小金具缺失或安装错误的识别方法及装置，以解决上述问题。

发明内容

本发明提供一种集电线路杆塔小金具缺失或安装错误的识别方法及装置，以解决现有技术对于小金具的缺失与安装错误难以进行故障判断的问题。

第一方面，本发明提供一种集电线路杆塔小金具缺失或安装错误的识别方法，所述方法包括如下步骤：

获取集电线路杆塔的视频数据；

对所述视频数据进行切片处理，得到集电线路杆塔的图像；

根据预置的机器学习模型，对所述图像中的画面进行部件判别；

根据部件判别的结果，将所述图像切割为不同种类的特征；

识别切割后得到的特征中的小金具；

根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷；

如果所述小金具的数量和安装部位存在所述小金具对应的缺陷，输出所述集电线路杆塔存在小金具缺失或安装错误的提示信息。

结合第一方面，在第一方面的第一种可实现方式中，根据部件判别的结果，将所述图像切割为不同种类的特征的步骤中，将所述图像切割为绝缘子及附件、杆塔及附件、导线及附件三类特征。

结合第一方面的第一种可实现方式，在第一方面的第二种可实现方式中，根据部件判别的结果，将所述图像切割为不同种类的特征的步骤中，采用SSD算法对所述图像进行特征切割。

结合第一方面的第二种可实现方式，在第一方面的第三种可实现方式中，根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷的步骤中，所述机器学习模型采用yolo模型进行训练。

结合第一方面的第三种可实现方式，在第一方面的第四种可实现方式中，根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷的步骤中，所述小金具对应的缺陷按照小金具所属种类的特征预设如下：

绝缘子及附件类小金具对应的缺陷包括：绝缘子破碎、炸裂、伞裙破裂，绝缘子污秽，绝缘子串倾斜，铁帽裂纹、断裂，螺栓锈蚀、松动、缺损，以及硝子缺损或脱出；

杆塔及附件类小金具对应的缺包括：杆塔倾斜、横担歪斜、锈蚀，塔材、拉线损坏或锈蚀，拉线锈蚀、断股或松弛，砼杆裂纹、混凝土脱落、钢筋外漏，脚钉缺损，螺栓锈蚀、松动、缺损；

导线及附件类小金具对应的缺陷包括：导、地线锈蚀、散股、损伤、断股、断线，跳线断股、变形，螺栓锈蚀、松动、缺损。

第二方面，本发明提供一种集电线路杆塔小金具缺失或安装错误的识别装置，所述装置包括：

获取单元，用于获取集电线路杆塔的视频数据；

切片单元，用于对所述视频数据进行切片处理，得到集电线路杆塔的图像；

判别单元，用于根据预置的机器学习模型，对所述图像中的画面进行部件判别；

切割单元，用于根据部件判别的结果，将所述图像切割为不同种类的特征；

识别单元，用于识别切割后得到的特征中的小金具；

判断单元，用于根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷；

输出单元，用于在所述小金具的数量和安装部位存在所述小金具对应的缺陷的情况下，输出所述集电线路杆塔存在小金具缺失或安装错误的提示信息。

结合第二方面，在第二方面的第一种可实现方式中，所述切割单元，用于将所述图像切割为绝缘子及附件、杆塔及附件、导线及附件三类特征。

结合第二方面的第一种可实现方式，在第二方面的第二种可实现方式中，所述切割单元，用于采用SSD算法对所述图像进行特征切割。

结合第二方面的第二种可实现方式，在第二方面的第三种可实现方式中，所述判断单元，用于根据采用yolo模型进行训练得到的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷。

结合第二方面的第三种可实现方式，在第二方面的第四种可实现方式中，所述小金具对应的缺陷按照小金具所属种类的特征预设如下：

绝缘子及附件类小金具对应的缺陷包括：绝缘子破碎、炸裂、伞裙破裂，绝缘子污秽，绝缘子串倾斜，铁帽裂纹、断裂，螺栓锈蚀、松动、缺损，以及硝子缺损或脱出；

杆塔及附件类小金具对应的缺包括：杆塔倾斜、横担歪斜、锈蚀，塔材、拉线损坏或锈蚀，拉线锈蚀、断股或松弛，砼杆裂纹、混凝土脱落、钢筋外漏，脚钉缺损，螺栓锈蚀、松动、缺损；

导线及附件类小金具对应的缺陷包括：导、地线锈蚀、散股、损伤、断股、断线，跳线断股、变形，螺栓锈蚀、松动、缺损。

由以上技术方案可知，本发明的集电线路杆塔小金具缺失或安装错误的识别方法及装置，通过获取集电线路杆塔的视频数据，对视频数据进行切片处理，得到集电线路杆塔的图像，根据预置的机器学习模型，对图像中的画面进行部件判别，根据部件判别的结果，将图像切割为不同种类的特征，识别切割后得到的特征中的小金具，根据预置的机器学习模型，判断小金具的数量和安装部位是否存在小金具对应的缺陷，如果小金具的数量和安装部位存在小金具对应的缺陷，输出集电线路杆塔存在小金具缺失或安装错误的提示信息，本发明通过上述流程，可以通过大到小逐一分析的情况来处理，分步式分析，准确判断集电线路杆塔小金具缺失或安装错误的状态，本发明在对小金具进行目标识别检测中，加入分析手段，按照电力行业的规章制度与安装守则对小金具的数量、安装方式进行分析，从而解决深度学习不能解决的问题。

附图说明

为了更清楚地说明本发明的技术方案，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，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明提供的集电线路杆塔小金具缺失或安装错误的识别方法的流程图。

图2为本发明提供的集电线路杆塔小金具缺失或安装错误的识别装置的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例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。以下结合附图，详细说明本发明各实施例提供的技术方案。

请参阅图1，本发明提供一种集电线路杆塔小金具缺失或安装错误的识别方法，所述方法的执行主体为服务器，该方法包括如下步骤：

步骤S101，获取集电线路杆塔的视频数据。

其中，集电线路杆塔的视频数据具体可以通过无人机等设备的视频采集装置进行采集，并通过无线网络传输至服务器。

步骤S102，对所述视频数据进行切片处理，得到集电线路杆塔的图像。

步骤S103，根据预置的机器学习模型，对所述图像中的画面进行部件判别。

其中，机器学习模型可以预先进行学习训练，可利用机器学习模型判别图像中较大的部件。

步骤S104，根据部件判别的结果，将所述图像切割为不同种类的特征。

在本实施例中，将所述图像切割为绝缘子及附件、杆塔及附件、导线及附件三类特征，可采用SSD算法对所述图像进行特征切割。

目前，工业界和学术界出现的目标检测算法主要分为三大类：首先，是传统的目标检测算法，例如：Cascade+HOG/DPM+Haar/SVM。其次，是将候选区域与深度学习分类相结合，提取候选区域，并通过深度学习方法对相应区域进行分类的算法，例如：RCNN、SPP-Net、Fast R-CNN、Faster R-CNN等。此外，还有基于深度学习的回归方法，例如SSD、YOLO系列算法等。本发明选择的SSD算法是基于深度学习的回归方法，SSD算法主要有以下优点：

利用不同尺度的深度网络特征图预测每个位置上的目标，保证了在检测和识别的精度上可以和基于区域建议的方法相比。即使图像为低分辨率图像，SSD算法依然可以实现高精度检测和识别。

SSD框架使用全卷积层的VGGNet作为主干网络直接作用于feature map预测多目标类别和包围框。为权衡检测的准确性和实时性，SSD采用单点多框的检测方法，即使对于分辨率输入相对较低的图像，也具有良好的检测效果。为突破网络在深层网络精度退化和网络深度上的限制，本发明使用深度残差模型，该模型使用多层网络拟合残差映射来解决退化问题。设H(X)表示目标最优解映射，并将另一个映射F(X)利用堆栈的非线性层拟合，可用公式(1)表示：F(X)＝H(X)+X。

此时，原始的最佳解映射H(X)与F(X)+X是等价的，通过前馈网络中的快速连接实现，快速连接的方式可以用公式(2)表示：Y＝F(X,{Wi})+WsX。公式(2)中，X代表模块的输入向量，Y代表模块的输出向量。Wi表示权重图层参数，在出现输入和输出尺寸一致的情况时，则需要线性投影W以匹配维度。

通过以上处理，可以使分辨率较低的杆塔也可以进行正确分割。

步骤S105，识别切割后得到的特征中的小金具。

步骤S106，根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷。

不同分类的小金具的判别标准是不一样的，需要使用不同的模型去判别，例如，螺栓在不同位置的时候需要识别的缺陷是不一样的。在本实施例中，所述机器学习模型采用yolo模型进行训练，所述小金具对应的缺陷按照小金具所属种类的特征预设如下：

绝缘子及附件类小金具对应的缺陷包括：绝缘子破碎、炸裂、伞裙破裂，绝缘子污秽，绝缘子串倾斜，铁帽裂纹、断裂，螺栓锈蚀、松动、缺损，以及硝子缺损或脱出；

杆塔及附件类小金具对应的缺包括：杆塔倾斜、横担歪斜、锈蚀，塔材、拉线损坏或锈蚀，拉线锈蚀、断股或松弛，砼杆裂纹、混凝土脱落、钢筋外漏，脚钉缺损，螺栓锈蚀、松动、缺损；

导线及附件类小金具对应的缺陷包括：导、地线锈蚀、散股、损伤、断股、断线，跳线断股、变形，螺栓锈蚀、松动、缺损。

步骤S107，如果所述小金具的数量和安装部位存在所述小金具对应的缺陷，输出所述集电线路杆塔存在小金具缺失或安装错误的提示信息。

由以上实施例可知，本发明的集电线路杆塔小金具缺失或安装错误的识别方法及装置，通过获取集电线路杆塔的视频数据，对视频数据进行切片处理，得到集电线路杆塔的图像，根据预置的机器学习模型，对图像中的画面进行部件判别，根据部件判别的结果，将图像切割为不同种类的特征，识别切割后得到的特征中的小金具，根据预置的机器学习模型，判断小金具的数量和安装部位是否存在小金具对应的缺陷，如果小金具的数量和安装部位存在小金具对应的缺陷，输出集电线路杆塔存在小金具缺失或安装错误的提示信息，本发明通过上述流程，可以通过大到小逐一分析的情况来处理，分步式分析，准确判断集电线路杆塔小金具缺失或安装错误的状态，本发明在对小金具进行目标识别检测中，加入分析手段，按照电力行业的规章制度与安装守则对小金具的数量、安装方式进行分析，从而解决深度学习不能解决的问题。

如图2所示，本发明还提供一种集电线路杆塔小金具缺失或安装错误的识别装置，所述装置包括：

获取单元21，用于获取集电线路杆塔的视频数据。

切片单元22，用于对所述视频数据进行切片处理，得到集电线路杆塔的图像。

判别单元23，用于根据预置的机器学习模型，对所述图像中的画面进行部件判别。

切割单元24，用于根据部件判别的结果，将所述图像切割为不同种类的特征。

识别单元25，用于识别切割后得到的特征中的小金具。

判断单元26，用于根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷。

输出单元27用于在所述小金具的数量和安装部位存在所述小金具对应的缺陷的情况下，输出所述集电线路杆塔存在小金具缺失或安装错误的提示信息。

在本实施例中，所述切割单元24，用于将所述图像切割为绝缘子及附件、杆塔及附件、导线及附件三类特征。所述切割单元24，用于采用SSD算法对所述图像进行特征切割。

在本实施例中，所述判断单元26，用于根据采用yolo模型进行训练得到的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷。

在本实施例中，所述小金具对应的缺陷按照小金具所属种类的特征预设如下：

绝缘子及附件类小金具对应的缺陷包括：绝缘子破碎、炸裂、伞裙破裂，绝缘子污秽，绝缘子串倾斜，铁帽裂纹、断裂，螺栓锈蚀、松动、缺损，以及硝子缺损或脱出；

杆塔及附件类小金具对应的缺包括：杆塔倾斜、横担歪斜、锈蚀，塔材、拉线损坏或锈蚀，拉线锈蚀、断股或松弛，砼杆裂纹、混凝土脱落、钢筋外漏，脚钉缺损，螺栓锈蚀、松动、缺损；

导线及附件类小金具对应的缺陷包括：导、地线锈蚀、散股、损伤、断股、断线，跳线断股、变形，螺栓锈蚀、松动、缺损。

本发明实施例还提供一种存储介质，本发明实施例还提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现本发明提供的集电线路杆塔小金具缺失或安装错误的识别方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(英文：Read-OnlyMemory，简称：ROM)或随机存储记忆体(英文：RandomAccessMemory，简称：RAM)等。

本领域的技术人员可以清楚地了解到本发明实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于集电线路杆塔小金具缺失或安装错误的识别装置实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。

以上所述的本发明实施方式并不构成对本发明保护范围的限定。

Claims (10)

1.一种集电线路杆塔小金具缺失或安装错误的识别方法，其特征在于，所述方法包括如下步骤：

获取集电线路杆塔的视频数据；

对所述视频数据进行切片处理，得到集电线路杆塔的图像；

根据预置的机器学习模型，对所述图像中的画面进行部件判别；

根据部件判别的结果，将所述图像切割为不同种类的特征；

识别切割后得到的特征中的小金具；

根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷；

如果所述小金具的数量和安装部位存在所述小金具对应的缺陷，输出所述集电线路杆塔存在小金具缺失或安装错误的提示信息。

2.如权利要求1所述的方法，其特征在于，根据部件判别的结果，将所述图像切割为不同种类的特征的步骤中，将所述图像切割为绝缘子及附件、杆塔及附件、导线及附件三类特征。

3.如权利要求2所述的方法，其特征在于，根据部件判别的结果，将所述图像切割为不同种类的特征的步骤中，采用SSD算法对所述图像进行特征切割。

4.如权利要求3所述的方法，其特征在于，根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷的步骤中，所述机器学习模型采用yolo模型进行训练。

5.如权利要求4所述的方法，其特征在于，根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷的步骤中，所述小金具对应的缺陷按照小金具所属种类的特征预设如下：

绝缘子及附件类小金具对应的缺陷包括：绝缘子破碎、炸裂、伞裙破裂，绝缘子污秽，绝缘子串倾斜，铁帽裂纹、断裂，螺栓锈蚀、松动、缺损，以及硝子缺损或脱出；

杆塔及附件类小金具对应的缺包括：杆塔倾斜、横担歪斜、锈蚀，塔材、拉线损坏或锈蚀，拉线锈蚀、断股或松弛，砼杆裂纹、混凝土脱落、钢筋外漏，脚钉缺损，螺栓锈蚀、松动、缺损；

导线及附件类小金具对应的缺陷包括：导、地线锈蚀、散股、损伤、断股、断线，跳线断股、变形，螺栓锈蚀、松动、缺损。

6.一种集电线路杆塔小金具缺失或安装错误的识别装置，其特征在于，所述装置包括：

获取单元，用于获取集电线路杆塔的视频数据；

切片单元，用于对所述视频数据进行切片处理，得到集电线路杆塔的图像；

判别单元，用于根据预置的机器学习模型，对所述图像中的画面进行部件判别；

切割单元，用于根据部件判别的结果，将所述图像切割为不同种类的特征；

识别单元，用于识别切割后得到的特征中的小金具；

判断单元，用于根据预置的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷；

输出单元，用于在所述小金具的数量和安装部位存在所述小金具对应的缺陷的情况下，输出所述集电线路杆塔存在小金具缺失或安装错误的提示信息。

7.如权利要求6所述的装置，其特征在于，所述切割单元，用于将所述图像切割为绝缘子及附件、杆塔及附件、导线及附件三类特征。

8.如权利要求7所述的装置，其特征在于，所述切割单元，用于采用SSD算法对所述图像进行特征切割。

9.如权利要求8所述的装置，其特征在于，所述判断单元，用于根据采用yolo模型进行训练得到的机器学习模型，判断所述小金具的数量和安装部位是否存在所述小金具对应的缺陷。

10.如权利要求9所述的装置，其特征在于，所述小金具对应的缺陷按照小金具所属种类的特征预设如下：

绝缘子及附件类小金具对应的缺陷包括：绝缘子破碎、炸裂、伞裙破裂，绝缘子污秽，绝缘子串倾斜，铁帽裂纹、断裂，螺栓锈蚀、松动、缺损，以及硝子缺损或脱出；

杆塔及附件类小金具对应的缺包括：杆塔倾斜、横担歪斜、锈蚀，塔材、拉线损坏或锈蚀，拉线锈蚀、断股或松弛，砼杆裂纹、混凝土脱落、钢筋外漏，脚钉缺损，螺栓锈蚀、松动、缺损；

导线及附件类小金具对应的缺陷包括：导、地线锈蚀、散股、损伤、断股、断线，跳线断股、变形，螺栓锈蚀、松动、缺损。

Images