CN112926401A - 一种输电线路金具锈蚀检测方法及系统 - Google Patents

Abstract

本发明公开了一种输电线路金具锈蚀检测方法及系统，涉及输电线路检修技术领域，解决了常见传统的电塔金具检修中，需要大量的电网工作人员进行人工的数据处理和判读，制约了检测的数据处理速度的问题，其技术方案要点是，将影像信息数据输入至目标金具检测模型进行识别和计算；对目标金具设备标识信息数据进行筛选，并将对应的目标金具设备置信度信息数据与总预置置度信息数据进行对比，判断目标金具设备标识信息数据是否属于总预置类别信息数据，达到可以更精确定位到机巡图像内的目标金具设备的位置，可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性的目的。

Description

一种输电线路金具锈蚀检测方法及系统

技术领域

本发明涉及输电线路检修技术领域，特别涉及一种输电线路金具锈蚀检测方法及系统。

背景技术

输电线路铁塔上的连接金具起着连接和固定裸体导线、导体、绝缘子，传递机械载荷、电气载荷的重要作用。具有使用量大，工作可靠性要求高等特点，一旦金具腐蚀失效，将造成连接线路断开或者掉落，导致断电、跳闸等重大事故。

传统的电塔金具检修需要高空停电上塔检修作业采用人工现场观测、主观判断的手段来完成。近些年无人机巡检技术兴起之后，在巡视方法上进行了改进，采用无人机图像采集技术，对铁塔关键位置进行现场数据采集、事后集中进行人工图像判定或者传统图像算法判定的方法。而且需要施工人员具备良好的专业素质和身体素质进行上塔作业，现场作业人员巡检任务重、效率低、施工难度大、安全系数低等隐患，难以及时的发现连接金具的锈蚀状况进行应对。

无人机巡检技术兴起之后，在巡视方法上进行了改进，采用无人机图像采集技术，对铁塔关键位置进行现场数据采集、事后集中进行人工图像判定的方法，每个县区供电公司每季度的无人机影像数据采集量达到 500GB-800GB,由于采集的影像数据量多、锈蚀部位区域影像中占比面积小等特点，制约了检测的数据处理速度，需要大量的电网工作人员进行人工的数据处理和判读。

发明内容

本发明的目的是提供一种输电线路金具锈蚀检测方法，具有通过深度学习目标检测算法可以更精确定位到机巡图像内的目标金具设备的位置，这样能有效选出感兴趣目标再进行二次识别，对识别目标进行深度学习网络计算可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性的优点。

本发明的上述技术目的是通过以下技术方案得以实现的：一种输电线路金具锈蚀检测方法，包括如下步骤：预设有总预置类别信息数据和总预置置度信息数据；将影像信息数据输入至目标金具检测模型进行识别和计算，以获取目标金具设备标识信息数据、以及目标金具设备置信度信息数据；对目标金具设备标识信息数据进行筛选，并将对应的所述目标金具设备置信度信息数据与总预置置度信息数据进行对比，判断所述目标金具设备标识信息数据是否属于总预置类别信息数据。

通过采用上述技术方案，在本方案中，目标金具缺陷数据和目标金具缺陷数据均是与铁塔金具锈蚀相对应，但不仅限于此，还可以是其他简单特征的替换或叠加。在本方案中，目标金具缺陷是指锈蚀缺陷。

本发明能够通过深度学习目标检测技术，结合无人机飞行巡检系统、通过GPU计算集群模块管理调度技术、网络文件NFS共享系统等技术建立基于无人机影像的一整套快速分析判定金具锈蚀的数据处理方法与系统，相比于传统人工停电后上塔作业的检修方法，本方案大大提高了作业的效率与安全性；其次，本方案在与传统的无人机影像人工判断、传统的图像算法判读相比，本方案的深度学习目标检测技术具有鲁棒性高、适用性好等特点，能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性。其次，结合本发明中使用的二次筛选分别判定目标金具设备与金具缺陷的算法过程，使用判定目标金具设备的Proposal区域(区域图像)作为目标金具缺陷的初始数据，既能够大大提高算法的鲁棒性，还可大大降低了误判的可能性。

本发明的进一步设置，所述总预置类别信息数据包括预置金具设备类别标识信息数据，所述总预置置度信息数据包括预置标识类别置信度信息数据，所述目标金具检测模型包括金具设备识别模型；将所述影像信息数据输入至金具设备识别模型进行识别和计算，以获取金具设备位置信息数据、金具设备类别标识信息数据、以及标识类别置信度信息数据；对所述金具设备类别标识信息数据进行筛选，并将对应的所述标识类别置信度信息数据与预置标识类别置信度信息数据进行对比，判断所述金具设备类别标识信息数据是否属于预置金具设备类别标识信息数据，以生成金具识别判断结果，并输出所述金具识别结果和金具设备位置信息数据。

本发明的进一步设置，所述影像信息数据包括机巡图像信息数据，所述金具设备类别标识信息数据包括金具识别特征数据，所述预置标识类别置信度信息数据包括金具识别预置置信度阈值，所述目标金具设备置信度信息数据包括金具识别置信度；获取所述机巡图像信息数据，从所述机巡图像信息数据中提取Proposal区域的金具识别特征数据；获取与所述金具识别特征数据对应的金具设备位置信息数据、金具识别预置置信度阈值，将所述金具识别特征数据输入所述金具设备识别模型进行置信度计算，以生成金具识别置信度值；将所述金具识别置信度值与金具识别预置置信度阈值进行对比，以判断所述金具识别特征数据是否属于金具设备。

本发明的进一步设置，判断所述金具识别特征数据是否属于金具设备包括如下步骤：若所述金具识别置信度值大于金具识别预置置信度阈值，则判断所述金具识别特征数据属于金具设备，并将所述金具识别特征数据存储；若所述金具识别置信度值小于金具识别预置置信度阈值，则判断所述金具识别特征数据不属于金具设备，并将所述金具识别特征数据删除。

通过采用上述技术方案，本方案提供了一种基于无人机影像与深度学习图像检测技术，可克服现有技术对铁塔金具锈蚀检测需要大量人力物力以及现阶段类似技术效率低的缺点。

传统使用Gamma变换的锈蚀检测图像判定方法中需要考虑背景明亮度对图像腐蚀、膨胀、去噪等算法过程影响，适用场景单一，算法鲁棒性较差，受天气、飞行时光照、传感器cmos设备类型、噪声污染等条件影响的图像明暗度变化时对算法的影响较大。通过深度学习目标检测算法可以更精确定位到机巡图像内的目标金具设备的位置，这样能有效选出感兴趣目标再进行二次识别，对识别目标进行深度学习网络计算可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性。

本方案的技术关键点在于：1、采用高精度的深度学习目标检测级联算法，根据数据特征使用不同检测网络的级联，从而创建针对该特征数据预测结果最优的算法网络结构。2、算法组合上采用二次筛选分别判定目标金具设备与目标金具缺陷(锈蚀缺陷)的算法过程，使用判定目标金具设备的Proposal 区域(区域图像)作为金具缺陷的初始数据，极大地提高了系统的可靠性。3、系统基于GPU计算集群模块调度技术和容器技术以及NFS文件管理技术进行开发设计，提高了GPU硬件的运算效率，基于运维业务班组的作业过程开发的前端软件便于运维人员快速的浏览智能识别结果进行二次人工确认，提高了电力系统日常运维效率。

本发明的进一步设置，所述目标金具检测模型包括金具缺陷识别模型，所述金具缺陷预置置信度信息数据包括缺陷识别预置置信度阈值，所述目标金具设备置信度信息数据包括金具缺陷置信度；从所述局部影像数据中提取 Proposal区域的金具缺陷信息数据；获取与所述金具缺陷信息数据对应的金具缺陷位置信息数据，将所述金具缺陷信息数据输入所述金具缺陷识别模型中进行置信度计算，以生成金具缺陷置信度信息数据；将所述金具缺陷置信度与缺陷识别预置置信度阈值进行对比，以判断所述金具缺陷信息数据是否属于金具缺陷，以生成金具缺陷识别判断结果，并输出所述金具缺陷识别判断结果和金具缺陷位置信息数据。

本发明的进一步设置，所述目标金具检测模型包括金具缺陷识别模型，所述金具缺陷预置置信度信息数据包括缺陷识别预置置信度阈值；从所述局部影像数据中提取Proposal区域的金具缺陷信息数据；获取与所述金具缺陷信息数据对应的金具缺陷位置信息数据，将所述金具缺陷信息数据输入所述金具缺陷识别模型中进行置信度计算，以生成金具缺陷置信度；将所述金具缺陷置信度与缺陷识别预置置信度阈值进行对比，以判断所述金具缺陷信息数据是否属于金具缺陷，以生成金具缺陷识别判断结果，并输出所述金具缺陷识别判断结果和金具缺陷位置信息数据。

本发明的进一步设置，判断所述金具缺陷信息数据是否属于金具缺陷包括如下步骤：若所述金具缺陷置信度大于缺陷识别预置置信度阈值，则判断所述金具缺陷信息数据属于金具缺陷，并将所述金具缺陷信息数据存储；若所述金具缺陷置信度小于缺陷识别预置置信度阈值，则判断所述金具缺陷信息数据不属于金具缺陷，并将所述金具缺陷信息数据删除。

通过采用上述技术方案，判断所述金具缺陷信息数据属于金具缺陷后，自动生成巡检报告信息数据并发送至生产指挥系统。同时智能分析系统将局部影像数据(图像)以及判断结果通过生成电网规定格式的巡检报告(巡检报告信息数据)，由运维人员上传到电网内部的生产指挥系统。本方案同时作为与生产指挥系统对接的数据处理系统，通过数据判定，生成巡检报告信息数据后提交生产指挥系统，提交的数据中结合了电网公司台账等信息，使运维人员能够快速的将识别的结果与现有的系统对接，系统能够及时识别并报告缺陷识别情况；使指挥人员及时获得巡检线路的数据判定情况，进行现场消缺任务安排与施工人员调度，运维与指挥人员无需到输电线路机巡作业一线即可快速、及时的进行线路杆塔连接金具状况的监控，使具备电力技术知识与经验的飞行班组作业人员投入更多的人力与精力在线路巡检上，提升巡检的密度和频次，进而提高电力巡线日常运行管理维护的效率，降低发生事故的概率。

其次，运维人员可通过图像进行人工二次确认，进而提高电力线路日常运行管理维护的效率，降低发生事故的概率。指挥人员无需到现场即可了解线路的运维情况与缺陷的位置、严重等级等情况，能够第一时间指挥与调度现场作业人员进行消缺作业，大大提高了电网运维班组的工作效率。

本发明的进一步设置，通过目标检测算法对机巡图像信息数据进行识别，以获取目标金具设备数据；通过目标检测算法对目标金具设备数据进行识别，以获取金具缺陷信息数据。

通过采用上述技术方案，无人机飞行巡检系统在采集电力杆塔各部位的图像后，通过交换设备传输网络将采集到的图像输入到设置在总控室的网络文件存储与安全备份系统，在前端操作的用户通过网络数据共享的方式使 GPU计算集群模块请求并共享数据文件并进行智能分析与计算处理。通过深度学习目标检测算法cascade-rcnn，使用经过提前训练好的权重文件进行目标金具锈蚀的位置判定与置信度计算，从而输出高置信度的金具缺陷判定结果。在本方案中，智能分析系统通过目标检测算法对机巡图像信息数据进行识别，确定目标金具设备数据，根据识别出的目标金具设备数据再一次使用目标检测算法Cascade R-CNN将目标金具设备数据内的金具缺陷检测出来，同时，目标检测算法CascadeR-CNN检测算法会计算出目标金具设备在原图像数据(机巡图像信息数据)中的原始坐标(位置信息数据)和置信度信息。

本发明的进一步设置，一种输电线路金具锈蚀检测系统，包括应用有如一种输电线路金具锈蚀检测方法的无人机飞行巡检系统和智能分析系统，所述无人机飞行巡检系统与智能分析系统通讯连接；所述智能分析系统用于设定目标金具检测模型，所述无人机飞行巡检系统获取机巡图像信息数据并发送至智能分析系统进行分析处理，所述智能分析系统对影像信息数据输入至目标金具检测模型进行识别和计算，并对目标金具设备标识信息数据进行筛选，并将对应的所述目标金具设备置信度信息数据与总预置置度信息数据进行对比，判断所述目标金具设备标识信息数据是否属于总预置类别信息数据。

本发明的进一步设置，包括网络文件存储与安全备份系统和生产指挥系统，所述网络文件存储与安全备份系统分别与无人机飞行巡检系统、智能分析系统、以及生产指挥系统三者通讯连接。

本发明的进一步设置，所述智能分析系统包括GPU计算集群模块，所述 GPU计算集群模块与无人机飞行巡检系统通讯连接。

综上所述，本发明具有以下有益效果：

1、通过深度学习目标检测算法可以更精确定位到机巡图像内的目标金具设备的位置，这样能有效选出感兴趣目标再进行二次识别，两种模型的输入和输出具有层级关系关联；

2、对识别目标进行深度学习网络计算可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性；

3、本方案的深度学习目标检测技术具有鲁棒性高、适用性好等特点，能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性；

4、指挥人员无需到现场即可了解线路的运维情况与缺陷的位置、严重等级等情况，能够第一时间指挥与调度现场作业人员进行消缺作业，大大提高了电网运维班组的工作效率；

5、采用高精度的深度学习目标检测级联算法，根据数据特征使用不同检测网络的级联，从而创建针对该特征数据预测结果最优的算法网络结构；

总的来说本发明，通过深度学习目标检测算法可以更精确定位到机巡图像内的目标金具设备的位置，这样能有效选出感兴趣目标再进行二次识别，对识别目标进行深度学习网络计算可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性。

附图说明

图1是实施例一的其中一个工作流程图；

图2是实施例二的业务软件服务端的工作流程图；

图3是实施例二的GPU计算集群模块的工作流程图。

附图标记：11、业务软件服务端；12、GPU计算集群模块。

具体实施方式

以下结合附图对本发明作进一步详细说明。

实施例一：

一种输电线路金具锈蚀检测方法，如图1所示，包括如下步骤：

S1、预设有总预置类别信息数据和总预置置度信息数据；

S2、将影像信息数据输入至目标金具检测模型进行识别和计算，以获取目标金具设备标识信息数据、以及目标金具设备置信度信息数据；

S3、对目标金具设备标识信息数据进行筛选，并将与之对应的目标金具设备置信度信息数据与总预置置度信息数据进行对比；

S4、判断目标金具设备标识信息数据是否属于总预置类别信息数据；

S5、将S4中的判断结果发送至生产指挥系统。

目标金具设备置信度信息数据包括，因此本方案具有以下有益效果：1、通过深度学习目标检测算法可以更精确定位到机巡图像内的目标金具设备的位置，这样能有效选出感兴趣目标再进行二次识别，对识别目标进行深度学习网络计算可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性；2、本方案的深度学习目标检测技术具有鲁棒性高、适用性好等特点，能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性；3、指挥人员无需到现场即可了解线路的运维情况与缺陷的位置、严重等级等情况，能够第一时间指挥与调度现场作业人员进行消缺作业，大大提高了电网运维班组的工作效率；4、采用高精度的深度学习目标检测级联算法，根据数据特征使用不同检测网络的级联，从而创建针对该特征数据预测结果最优的算法网络结构。

本方案的关键点之一在于：在细粒度识别中，选取的目标特征、及其中涉及对特征检测的语义关系的判断，两种模型的输入和输出的层级关系关联。

实施例二：

基于实施例一的一种输电线路金具锈蚀检测方法，如图2至图3所示，本实施例提供其中具体的一种实施方式，在本方案中，金具缺陷信息数据与铁塔金具锈蚀相对应，但不仅限于此，还可以是其他简单特征的替换或叠加。

在本方案中，目标金具缺陷是指锈蚀缺陷。影像信息数据包括机巡图像信息数据，金具设备类别标识信息数据包括金具识别特征数据，预置标识类别置信度信息数据包括金具识别预置置信度阈值；具体地，总预置类别信息数据包括预置金具设备类别标识信息数据、以及预置金具缺陷标识信息数据，总预置置度信息数据包括预置标识类别置信度信息数据、以及金具缺陷预置置信度信息数据，目标金具检测模型包括金具设备识别模型、以及金具缺陷识别模型。金具缺陷信息数据包括目标金具的锈蚀、阴影、油漆等类别缺陷。目标金具设备置信度信息数据包括金具识别置信度和金具缺陷置信度。

智能分析系统用于目标金具检测模型的构建及运作，本方案中的金具设备识别模型、以及金具缺陷识别模型均是构建后训练成型后的，构建学习模型上采用的是经典目标检测算法，根据数据特征对超参数进行了调整，其骨干网络采用了resnetx101。

具体地，实施例二包括如下步骤：

S11、通过无人机飞行巡检系统获取机巡图像信息数据(输入整张原图)；

S12、从机巡图像信息数据中提取Proposal区域的金具识别特征数据；获取与金具识别特征数据对应的金具设备位置信息数据、金具识别预置置信度阈值，将金具识别特征数据输入金具设备识别模型进行置信度计算，以生成金具识别置信度值；

S13、对金具设备类别标识信息数据进行筛选，并将对应的标识类别置信度信息数据与预置标识类别置信度信息数据进行对比；

S14、判断金具设备类别标识信息数据是否属于预置金具设备类别标识信息数据；获取与金具识别特征数据对应的金具设备位置信息数据、金具识别预置置信度阈值，将金具识别特征数据输入金具设备识别模型进行置信度计算，以生成金具识别置信度值；将金具识别置信度值与金具识别预置置信度阈值进行对比，以判断金具识别特征数据是否属于金具设备。

其中，判断金具识别特征数据是否属于金具设备包括如下步骤：若金具识别置信度值大于金具识别预置置信度阈值，则判断金具识别特征数据属于金具设备，并将金具识别特征数据存储；若金具识别置信度值小于金具识别预置置信度阈值，则判断金具识别特征数据不属于金具设备，并将金具识别特征数据删除。

S15、生成金具识别判断结果，并输出金具识别结果和金具设备位置信息数据；

S16、若金具设备类别标识信息数据属于预置金具设备类别标识信息数据，则提取金具设备类别标识信息数据在影像信息数据中的局部影像数据；

S17、将局部影像数据输入至金具缺陷识别模型进行识别，以获取金具设备位置信息数据、金具缺陷信息数据、以及金具缺陷置信度信息数据；具体地，从局部影像数据中提取Proposal区域的金具缺陷信息数据；金具设备位置信息数据为金具设备在机巡图像信息数据(原图)中的坐标位置信息数据。

S18、获取与金具缺陷信息数据对应的金具缺陷位置信息数据，将金具缺陷信息数据输入金具缺陷识别模型中进行置信度计算，以生成金具缺陷置信度信息数据；

S19、将金具缺陷置信度与缺陷识别预置置信度阈值进行对比，以判断金具缺陷信息数据是否属于金具缺陷；判断缺陷识别特征数据是否属于金具缺陷包括如下步骤：若缺陷识别置信度值大于缺陷识别预置置信度阈值，则判断缺陷识别特征数据属于金具缺陷，并将缺陷识别特征数据存储；若缺陷识别置信度值小于缺陷识别预置置信度阈值，则判断缺陷识别特征数据不属于金具缺陷，并将缺陷识别特征数据删除。

S20、生成金具缺陷识别判断结果，并输出金具缺陷识别判断结果和金具缺陷位置信息数据至生产指挥系统。

本发明能够通过深度学习目标检测技术，结合无人机飞行巡检系统、通过GPU计算集群模块12管理调度技术、网络文件NFS共享系统等技术建立基于无人机影像的一整套快速分析判定金具锈蚀的数据处理方法与系统，相比于传统人工停电后上塔作业的检修方法，本方案大大提高了作业的效率与安全性；其次，本方案在与传统的无人机影像人工判断、传统的图像算法判读相比，本方案的深度学习目标检测技术具有鲁棒性高、适用性好等特点，能够利用深度学习网络对目标进行有效特征提取并通过前期建模数据精确判断目标所属类别，相比于传统的人工判读方法大大提高了判断的效率与可靠性。其次，结合本发明中使用的二次筛选分别判定目标金具设备与金具缺陷(锈蚀缺陷)的算法过程，使用判定目标金具设备的Proposal区域(区域图像) 作为金具缺陷(锈蚀缺陷)的初始数据，既能够大大提高算法的鲁棒性，还可大大降低了误判的可能性。

金具缺陷的识别过程，如图2至图3所示，详细过程为：

首先，现场作业人员或运维人员的用户端与网络文件存储与安全备份系统传输连接，并发送程序启动指令和任务指令至智能分析系统中的业务软件服务端11。

然后，业务软件服务端11接收任务指令后根据用户等级分为一般任务 (现场作业人员，即普通用户)和紧急任务(运维人员，即超级用户)，然后判断算力中心的任务情况；如果是一般任务且算力中心繁忙，则与任务列表中的已有任务随机排布；如果是紧急任务且算力中心繁忙，则将该紧急任务的排序位置提升至任务列表的顶部；否则，无论是一般任务还是紧急任务，都写入任务列表。

紧接着，业务软件服务端11发送信号至GPU计算集群模块12，以激活 agent读取任务列表，判断任务类型：(1)若任务类型为图像实时任务，则预加载创建计算图加载参数，并获得实时任务，通知服务器计算结果，计算后返回结果，并根据结果判断是否结束过程，数据库查询计算结果，并同步结果信息；(2)若任务类型为视频实时任务，则预加载创建计算图加载参数，并获得实时任务(rtsp流)，通知服务器计算结果，计算后返回结果，并根据结果判断是否结束过程，数据库查询计算结果，并同步结果信息；(3)若任务类型是图像批量任务，则按序列读取任务，紧接着启动本实施例一中的一种输电线路金具锈蚀检测方法进行识别，识别结束后通知服务器计算结果，数据库查询计算结果，并同步目标金具缺陷信息数据。

当现场作业人员或运维人员的用户端提交结束指令至业务软件服务端 11，业务软件服务端11获得结束指令后，发送控制指令至GPU计算集群模块 12。

本方案提供了一种基于无人机影像与深度学习图像检测技术，可克服现有技术对铁塔金具锈蚀检测需要大量人力物力以及现阶段类似技术效率低的缺点。

传统使用Gamma变换的锈蚀检测图像判定方法中需要考虑背景明亮度对图像腐蚀、膨胀、去噪等算法过程影响，适用场景单一，算法鲁棒性较差，受天气、飞行时光照、传感器cmos设备类型、噪声污染等条件影响的图像明暗度变化时对算法的影响较大。而本方案则通过深度学习目标检测算法可以更精确定位到机巡图像信息数据内的目标金具设备的位置，这样能有效选出感兴趣目标再进行二次识别，对识别目标进行深度学习网络计算可以有效的规避因光照带来外界影响，大大提高系统的可靠性、抗干扰性。

在本方案中包括如下有益效果：1、采用高精度的深度学习目标检测级联算法，根据数据特征使用不同检测网络的级联，从而创建针对该特征数据预测结果最优的算法网络结构。

2、算法组合上采用二次筛选分别判定目标金具设备与目标金具缺陷(锈蚀缺陷)的算法过程，使用判定目标金具设备的Proposal区域(区域图像) 作金具缺陷(锈蚀缺陷)的初始数据，极大地提高了系统的可靠性。

3、智能分析系统基于GPU计算集群模块12调度技术和容器技术以及NFS 文件管理技术进行开发设计，提高了GPU硬件的运算效率，基于运维业务班组的作业过程开发的前端软件便于运维人员快速地浏览智能识别结果进行二次人工确认，提高了电力系统日常运维效率。

同时智能分析系统将截图图像(金具识别特征数据)以及结果通过生成电网规定格式的巡检报告(巡检报告信息数据)，由运维人员上传到电网内部的生产指挥系统。本方案同时作为与生产指挥系统对接的数据处理系统，通过数据判定，生成巡检报告信息数据后提交生产指挥系统，提交的数据中结合了电网公司台账等信息，使运维人员能够快速地将识别的结果与现有的系统对接，系统能够及时识别并报告缺陷识别情况；使指挥人员及时获得巡检线路的数据判定情况，进行现场消缺任务安排与施工人员调度，运维与指挥人员无需到输电线路机巡作业一线即可快速、及时的进行线路杆塔连接金具状况的监控，使具备电力技术知识与经验的飞行班组作业人员投入更多的人力与精力在线路巡检上，提升巡检的密度和频次，进而提高电力巡线日常运行管理维护的效率，降低发生事故的概率。

其次，运维人员可通过图像进行人工二次确认，进而提高电力线路日常运行管理维护的效率，降低发生事故的概率。指挥人员无需到现场即可了解线路的运维情况与缺陷的位置、严重等级等情况，能够第一时间指挥与调度现场作业人员进行消缺作业，大大提高了电网运维班组的工作效率。

本方案通过目标检测算法对机巡图像信息数据进行识别，以获取目标金具设备数据；通过目标检测算法对目标金具设备数据进行识别，以获取金具缺陷信息数据。

在本方案中，智能分析系统通过目标检测算法对机巡图像信息数据进行识别，确定目标金具设备数据，根据识别出的目标金具设备数据再一次使用目标检测算法CascadeR-CNN将目标金具设备数据内的金具锈蚀(目标金具缺陷数据)检测出来，同时，目标检测算法Cascade R-CNN检测算法会计算出目标金具设备在原图像数据(机巡图像信息数据)中的原始坐标(位置信息数据)和置信度信息。

实施例三：

一种输电线路金具锈蚀检测系统，包括应用有如实施例一所述的一种输电线路金具锈蚀检测方法的无人机飞行巡检系统和智能分析系统，无人机飞行巡检系统与智能分析系统通讯连接；智能分析系统用于设定目标金具检测模型，无人机飞行巡检系统获取机巡图像信息数据并发送至智能分析系统进行分析处理，智能分析系统对影像信息数据输入至目标金具检测模型进行识别和计算，并对目标金具设备标识信息数据进行筛选，并将对应的目标金具设备置信度信息数据与总预置置度信息数据进行对比，判断目标金具设备标识信息数据是否属于总预置类别信息数据。

本实施例还包括网络文件存储与安全备份系统和生产指挥系统，网络文件存储与安全备份系统分别与无人机飞行巡检系统、智能分析系统、以及生产指挥系统三者通讯连接。

无人机飞行巡检系统在采集电力杆塔各部位的图像后，通过交换设备传输网络将采集到的机巡图像输入到设置在总控室(生产指挥系统)的网络文件存储与安全备份系统，在前端操作的用户通过网络数据共享的方式使通过深度学习目标检测算法cascade-rcnn，使用经过提前训练好的权重文件进行目标金具锈蚀的位置判定与置信度计算，从而输出高置信度的金具锈蚀(目标金具缺陷)判定结果。

智能分析系统包括GPU计算集群模块12，GPU计算集群模块12与无人机飞行巡检系统通讯连接。GPU计算集群模块12请求并共享数据文件并进行智能分析与计算处理。

本具体实施例仅仅是对本发明的解释，其并不是对本发明的限制，本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改，但只要在本发明的权利要求范围内都受到专利法的保护。

Claims (10)

1.一种输电线路金具锈蚀检测方法，其特征在于，包括如下步骤：预设有总预置类别信息数据和总预置置度信息数据；将影像信息数据输入至目标金具检测模型进行识别和计算，以获取目标金具设备标识信息数据、以及目标金具设备置信度信息数据；对目标金具设备标识信息数据进行筛选，并将对应的所述目标金具设备置信度信息数据与总预置置度信息数据进行对比，判断所述目标金具设备标识信息数据是否属于总预置类别信息数据。

2.根据权利要求1所述的一种输电线路金具锈蚀检测方法，其特征在于，所述总预置类别信息数据包括预置金具设备类别标识信息数据，所述总预置置度信息数据包括预置标识类别置信度信息数据，所述目标金具检测模型包括金具设备识别模型，所述目标金具设备置信度信息数据包括金具设备类别标识信息数据；将所述影像信息数据输入至金具设备识别模型进行识别和计算，以获取金具设备位置信息数据、金具设备类别标识信息数据、以及标识类别置信度信息数据；对所述金具设备类别标识信息数据进行筛选，并将对应的所述标识类别置信度信息数据与预置标识类别置信度信息数据进行对比，判断所述金具设备类别标识信息数据是否属于预置金具设备类别标识信息数据，以生成金具识别判断结果，并输出所述金具识别结果和金具设备位置信息数据。

3.根据权利要求2所述的一种输电线路金具锈蚀检测方法，其特征在于，所述总预置类别信息数据包括预置金具缺陷标识信息数据，所述预置标识类别置信度信息数据包括金具缺陷预置置信度信息数据，所述目标金具检测模型包括金具缺陷识别模型；若所述金具设备类别标识信息数据属于预置金具设备类别标识信息数据，则提取所述金具设备类别标识信息数据在所述影像信息数据中的局部影像数据，将所述局部影像数据输入至金具缺陷识别模型进行识别，以获取金具设备位置信息数据、金具缺陷信息数据、以及金具缺陷置信度信息数据；对所述金具缺陷信息数据进行筛选，并将对应的所述金具缺陷置信度信息数据与金具缺陷预置置信度信息数据进行对比，判断所述金具缺陷信息数据是否属于预置金具缺陷标识信息数据。

4.根据权利要求3所述的一种输电线路金具锈蚀检测方法，其特征在于，所述目标金具检测模型包括金具缺陷识别模型，所述金具缺陷预置置信度信息数据包括缺陷识别预置置信度阈值，所述目标金具设备置信度信息数据包括金具缺陷置信度；从所述局部影像数据中提取Proposal区域的金具缺陷信息数据；获取与所述金具缺陷信息数据对应的金具缺陷位置信息数据，将所述金具缺陷信息数据输入所述金具缺陷识别模型中进行置信度计算，以生成金具缺陷置信度信息数据；将所述金具缺陷置信度与缺陷识别预置置信度阈值进行对比，以判断所述金具缺陷信息数据是否属于金具缺陷，以生成金具缺陷识别判断结果，并输出所述金具缺陷识别判断结果和金具缺陷位置信息数据。

5.根据权利要求4所述的一种输电线路金具锈蚀检测方法，其特征在于，判断所述金具缺陷信息数据是否属于金具缺陷包括如下步骤：若所述金具缺陷置信度大于缺陷识别预置置信度阈值，则判断所述金具缺陷信息数据属于金具缺陷，并将所述金具缺陷信息数据存储；若所述金具缺陷置信度小于缺陷识别预置置信度阈值，则判断所述金具缺陷信息数据不属于金具缺陷，并将所述金具缺陷信息数据删除。

6.根据权利要求2所述的一种输电线路金具锈蚀检测方法，其特征在于，所述影像信息数据包括机巡图像信息数据，所述金具设备类别标识信息数据包括金具识别特征数据，所述预置标识类别置信度信息数据包括金具识别预置置信度阈值，所述目标金具设备置信度信息数据包括金具识别置信度；获取所述机巡图像信息数据，从所述机巡图像信息数据中提取Proposal区域的金具识别特征数据；获取与所述金具识别特征数据对应的金具设备位置信息数据、金具识别预置置信度阈值，将所述金具识别特征数据输入所述金具设备识别模型进行置信度计算，以生成金具识别置信度值；将所述金具识别置信度值与金具识别预置置信度阈值进行对比，以判断所述金具识别特征数据是否属于金具设备。

7.根据权利要求4所述的一种输电线路金具锈蚀检测方法，其特征在于，判断所述金具识别特征数据是否属于金具设备包括如下步骤：若所述金具识别置信度值大于金具识别预置置信度阈值，则判断所述金具识别特征数据属于金具设备，并将所述金具识别特征数据存储；若所述金具识别置信度值小于金具识别预置置信度阈值，则判断所述金具识别特征数据不属于金具设备，并将所述金具识别特征数据删除。

8.一种输电线路金具锈蚀检测系统，包括应用有如权利要求1至7任一所述的一种输电线路金具锈蚀检测方法的无人机飞行巡检系统和智能分析系统，所述无人机飞行巡检系统与智能分析系统通讯连接；所述智能分析系统用于设定目标金具检测模型，所述无人机飞行巡检系统获取机巡图像信息数据并发送至智能分析系统进行分析处理，所述智能分析系统对影像信息数据输入至目标金具检测模型进行识别和计算，并对目标金具设备标识信息数据进行筛选，并将对应的所述目标金具设备置信度信息数据与总预置置度信息数据进行对比，判断所述目标金具设备标识信息数据是否属于总预置类别信息数据。

9.根据权利要求8所述的一种输电线路金具锈蚀检测系统，其特征在于，包括网络文件存储与安全备份系统和生产指挥系统，所述网络文件存储与安全备份系统分别与无人机飞行巡检系统、智能分析系统、以及生产指挥系统三者通讯连接。

10.根据权利要求8所述的一种输电线路金具锈蚀检测系统，其特征在于，所述智能分析系统包括GPU计算集群模块，所述GPU计算集群模块与无人机飞行巡检系统通讯连接。

Images