CN113076672A - 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 - Google Patents
基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 Download PDFInfo
- Publication number
- CN113076672A CN113076672A CN202110375858.6A CN202110375858A CN113076672A CN 113076672 A CN113076672 A CN 113076672A CN 202110375858 A CN202110375858 A CN 202110375858A CN 113076672 A CN113076672 A CN 113076672A
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- bird pecking
- defect
- image
- electric field
- 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.)
- Granted
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 170
- 239000002131 composite material Substances 0.000 title claims abstract description 162
- 230000007547 defect Effects 0.000 title claims abstract description 115
- 238000011156 evaluation Methods 0.000 title abstract description 8
- 230000005684 electric field Effects 0.000 claims abstract description 45
- 238000004088 simulation Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000013528 artificial neural network Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 238000013135 deep learning Methods 0.000 claims abstract description 10
- 238000013210 evaluation model Methods 0.000 claims abstract description 9
- 230000006378 damage Effects 0.000 claims description 57
- 238000009826 distribution Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 13
- 230000005686 electrostatic field Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 10
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000013526 transfer learning Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000003902 lesion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,首先,根据实际拍摄复合绝缘子鸟啄缺陷图像,建立三维电场仿真模型,分析不同位置、不同程度缺陷下,复合绝缘子电场强度变化规律;其次,采用图像增强技术结合生成对抗式网络扩充数据库样本;然后,使用图像数据标签工具,建立复合绝缘子电场强度和图像数据库对应关系,生成图像标签库;然后,在SSD神经网络深度学习算法中引入多感受野模块,形成改进的SSD神经网络模型;最后,基于标签数据库训练复合绝缘子鸟啄缺陷风险等级评估模型。本发明采用深度学习算法,并引入多感受野模块,提高复合绝缘子鸟啄缺损风险等级评估准确性、适用性,更符合工程实际应用。
Description
技术领域
本发明涉及复合绝缘子风险评估技术领域,具体涉及一种基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法。
背景技术
绝缘子在输电线路中起到均匀电场的作用,复合绝缘子质量轻、易于维护,在我国的电力系统中得到了广泛的应用。由于复合绝缘子护套和伞裙材料都是硅橡胶,且大多都安装在室外,容易受到鸟类啄食导致损伤。绝缘子局部破损会造成局部场强升高,空气的临界起晕场强为4.5×105V/m,当局部场强大于临界值时,会产生电晕,甚至在空气湿度较大的气象条件下,有可能进一步引发空气放电现象,会对线路造成极大隐患,因此,对于破损程度较大且易引发上述安全问题的缺损绝缘子进行更换处理。故绝缘子的风险等级评估已成为需要重视的问题。
传统的图像识别方法,通常采用背景去除或图形简化等方式,其原因是实际应用中,背景复杂性、光线明暗度等都会影响识别精度,对于复合绝缘子缺陷识别问题,只能通过理论分析,简化为单片、多片边界跟踪问题或大范围掉串识别问题,不符合工程实际。伴随着深度学习的不断发展,图像识别检测技术的研究为工程实际应用提供了更多的可能性。
发明内容
本发明目的在于提供一种基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,利用基于改进的SSD(Single Shot MultiBox Detector)目标检测算法结合复合绝缘子电场分布规律,能够快速准确地定位复杂背景下鸟啄缺陷的复合绝缘子,并对复合绝缘子鸟啄破损风险等级进行有效判断,为复合绝缘子的运行维护提供可靠指导。
为达到上述目的,本发明所采用的技术方案是:
本发明提供一种基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,包括:
获得实际工况下复合绝缘子鸟啄缺陷图像建立原始图像库,并对复合绝缘子鸟啄缺陷进行分类;
建立复合绝缘子三维电场仿真模型,得到不同复合绝缘子鸟啄缺陷下复合绝缘子电场强度变化规律;并根据复合绝缘子电场强度划分鸟啄缺陷风险等级;
对原始图像库进行扩充,得到扩大后的图像库;
对图像库中图像根据电场强度和鸟啄缺陷风险等级进行标注,生成图像标签库,并将图像标签库划分为学习集、测试集和验证集;
采用学习集和验证集训练改进的SSD神经网络模型,得到复合绝缘子鸟啄缺陷风险等级评估模型;
将测试集中的图像输入到训练好的复合绝缘子鸟啄缺陷风险等级评估模型,得到复合绝缘子鸟啄缺陷风险等级和位置。
进一步的,通过无人机获取输电线路中实际工况下复合绝缘子鸟啄缺陷图像,并将图像尺寸调整至相同,建立复合绝缘子原始图像库,包含复合绝缘子护套鸟啄缺陷图像和复合绝缘子伞裙鸟啄缺陷图像。
进一步的,所述复合绝缘子鸟啄缺陷分类如下:
伞裙损伤包括伞裙损伤程度和位置,伞裙损伤程度包括:伞裙损伤片数和单片绝缘子损伤数量,伞裙损伤位置包括:高压端、低压端和中间位置;护套损伤包括护套损伤程度和位置,护套损伤程度包括:损伤面积和损伤深度,护套损伤位置包括:高压端和低压端。
进一步的,所述建立复合绝缘子三维电场仿真模型,得到不同复合绝缘子鸟啄缺陷下复合绝缘子电场强度变化规律,包括:
按照杆塔、复合绝缘子、导线的实际尺寸,建立完好的复合绝缘子三维仿真模型,通过静电场控制方程进行有限元计算,得到完好复合绝缘子的电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子伞裙,建立不同位置的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同位置伞裙缺陷复合绝缘子电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子伞裙,建立不同损伤程度的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同损伤程度伞裙缺陷复合绝缘子电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子护套,建立不同位置的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同位置护套缺陷复合绝缘子电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子护套,建立不同损伤程度的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同损伤程度护套缺陷复合绝缘子电场分布规律。
进一步的,所述根据复合绝缘子电场强度划分鸟啄缺陷风险等级,包括:
根据不同复合绝缘子鸟啄缺陷下的复合绝缘子电场强度分布规律,确认风险等级范围,将复合绝缘子临界起晕场强的50%以下划分为安全级,临界起晕场强的50%至90%划分为隐患级,临界起晕场强的90%以上划分为危险级。
进一步的,所述对原始图像库进行扩充,包括:
采用角度旋转和随机缩放操作将原始图像库中的图像扩充一倍;
将扩充后图像库中的图像输入至生成对抗式网络模型,输出新生成的复合绝缘子鸟啄缺陷图像,得到相较于原始图像库扩大两倍后的新图像库。
进一步的,
采用数据标注软件对图像库中的图像根据临界起晕场强所划分的鸟啄缺陷风险等级进行标注,生成图像标签库,标签包含缺陷位置坐标和风险等级;
将图像标签库按照8:1:1随机分为互斥的训练集,验证集和测试集。
进一步的,所述采用学习集和验证集训练改进的SSD神经网络模型,包括,
在SSD神经网络深度学习算法中引入多感受野模块,形成改进的SSD神经网络模型;
将图像标签库划分后的训练集作为输入,以复合绝缘子鸟啄缺陷风险等级作为输出,修改训练配置文件,调整超参数;
在改进后的SSD神经网络模型加载预训练权重后,进行迁移学习,当迭代次数达到设定值或者网络损失值小于设定值时,完成改进的SSD神经网络模型训练;
采用验证集作为输入,验证所训练的SSD神经网络模型,不断调整网络参数,得到最终的复合绝缘子鸟啄缺陷风险等级评估模型。
本发明的有益效果为:
1)、本发明根据实际运行工况下复合绝缘子鸟啄缺陷图像,对复合绝缘子进行实际损伤分析,为复合绝缘子进一步分析提供更可靠的依据。
2)、本发明采用深度学习算法,提高复合绝缘子鸟啄缺损风险等级评估准确性、适用性,更符合工程实际应用。
3)、本发明采用改进的SSD神经网络算法,引入多感受野模块(RFB),增大模型对复合绝缘子鸟啄缺陷图像的映射区域,增强复合绝缘子缺陷的特征提取能力。
附图说明
图1是本发明的复合绝缘子鸟啄缺陷风险等级评估方法流程图。
图2是本发明中复合绝缘子鸟啄缺陷分类图。
图3是本发明中完好复合绝缘子三维仿真模型图。
图4是本发明中完好复合绝缘子电场分布图。
图5是本发明中复合绝缘子伞裙不同位置鸟啄缺陷三维仿真模型图;图5(a)为伞裙一个位置损伤三维仿真模型;图5(b)为伞裙另一个位置损伤三维仿真模型;
图6是本发明中复合绝缘子伞裙不同程度鸟啄缺陷三维仿真模型图;图6(a)为伞裙一种损伤三维仿真模型;图6(b)为伞裙另一种损伤三维仿真模型;
图7是本发明中复合绝缘子护套不同位置鸟啄缺陷三维仿真模型图;图7(a)为护套一个位置损伤三维仿真模型;图7(b)为护套另一个位置损伤三维仿真模型;
图8是本发明中复合绝缘子护套不同程度鸟啄缺陷三维仿真模型图;图8(a)为护套一种损伤三维仿真模型;图8(b)为护套另一种损伤三维仿真模型;
图9是本发明中复合绝缘子伞裙不同鸟啄缺陷电场分布图。
图10是本发明中数据增强示意图;图10(a)为原始图像样本;图10(b)为数据增强后图像样本。
图11是本发明的改进的SSD神经网络模型。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
本发明提供一种基于改进SSD算法的复合绝缘子鸟啄缺陷风险等级评估方法,参见图1,包括以下步骤:
获得实际工况下的复合绝缘子鸟啄缺陷图像形成样本库,并对复合绝缘子鸟啄缺陷进行分类;
建立三维电场仿真模型,得到不同复合绝缘子鸟啄缺陷下,复合绝缘子电场强度变化规律;
根据样本图像建立数据库,考虑到实际样本较少,采用图像增强技术结合生成对抗式网络(GAN)扩充数据库样本;
利用图像数据标签工具,建立复合绝缘子电场强度和风险等级对应关系,生成图像标签库作为深度学习样本,并按一定比例划分为学习集、测试集和验证集;
在传统SSD神经网络深度学习算法中,引入多感受野模块(RFB),增大模型对复合绝缘子鸟啄缺陷图像的映射区域,增强复合绝缘子缺陷的特征提取能力,形成改进的SSD神经网络模型;
采用标签数据库中学习集和验证集作为改进的SSD神经网络输入,训练复合绝缘子鸟啄缺陷风险等级评估模型;
将测试集中的图片输入到训练好的复合绝缘子鸟啄缺陷风险等级评估模型,得到复合绝缘子鸟啄缺陷风险等级。
本发明实施例中,通过无人机获取输电线路中复合绝缘子图像,并将图像尺寸调整至相同,建立复合绝缘子原始图像库,包含复合绝缘子护套鸟啄缺陷图像和复合绝缘子伞裙鸟啄缺陷图像。本实施例采用1000张实际复合绝缘子缺损图像样本建立原始图像数据库。
根据原始图像数据库,分析复合绝缘子鸟啄缺陷分类,如图2所示,伞裙损伤包括伞裙损伤程度和位置,伞裙损伤程度包括:伞裙损伤片数和单片绝缘子损伤数量,伞裙损伤位置包括:高压端、低压端和中间位置。护套损伤包括护套损伤程度和位置,护套损伤程度包括:损伤面积和损伤深度,护套损伤位置包括:高压端和低压端。
本发明实施例中,建立三维电场仿真模型,包括:
按照杆塔、复合绝缘子、导线的实际尺寸,建立完好的复合绝缘子三维仿真模型,参见图3,利用有限元软件通过静电场控制方程(1)-(3)进行数值计算,得到完好复合绝缘子的电场分布,参见图4,
D=εE (3)
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子伞裙,建立不同位置的鸟啄缺陷三维仿真模型,如图5(a)和图5(b)所示。通过公式(1)-(3)进行有限元计算,得到不同位置伞裙缺陷复合绝缘子电场分布规律,如图9所示。
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子伞裙,建立不同损伤程度的鸟啄缺陷三维仿真模型,如图6(a)和图6(b)所示。通过公式(1)-(3)进行有限元计算,得到不同损伤程度伞裙缺陷复合绝缘子电场分布规律,如图9所示。
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子护套,建立不同位置的鸟啄缺陷三维仿真模型,如图7(a)和图7(b)所示。通过公式(1)-(3)进行有限元计算,得到不同位置护套缺陷复合绝缘子电场分布规律。
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子护套,建立不同损伤程度的鸟啄缺陷三维仿真模型,如图8(a)和图8(b)所示。通过公式(1)-(3)进行有限元计算,得到不同损伤程度护套缺陷复合绝缘子电场分布规律。
本发明实施例中,采用上述无人机获取的样本图像建立数据库,考虑到实际样本较少,首先通过角度旋转、随机缩放等形态学操作进行数据增强技术,如图10所示,将图10(a)缩小并拉伸,进而获得图10(b)新样本,由此,图像数据库中的图像扩充了一倍。再将扩充后数据库中的图像输入至生成对抗式网络模型(GAN),输出新生成的复合绝缘子鸟啄缺陷图像,得到数据个数相较于原始数据库扩大两倍后的新数据库。本实施例中,将原始图像数据库中的1000张图像,通过角度旋转、随机缩放等形态学操作进行数据增强,扩充至2000张,再将2000张图像输入到生成式对抗网络(GAN)进行训练,最终获得扩充后的4000张图像,形成新的图像数据库。
本发明实施例中,利用图像数据标签工具,建立复合绝缘子电场强度和风险等级对应关系,生成与复合绝缘子鸟啄缺陷损伤对应的图像标签库,包括:
根据得到的不同鸟啄缺陷情况下的电场分布规律,将复合绝缘子临界起晕场强的50%以下划分为安全级,临界起晕场强的50%至90%划分为隐患级,临界起晕场强的90%以上划分为危险级;
采用数据标注软件(labelimg)对图像数据库中的图像根据临界起晕场强所划分的风险等级进行标注,生成对应的图像标签库,标签文件中包含目标的坐标和风险等级类别信息;
将图像标签库按照8:1:1随机分为互斥的训练集,验证集和测试集。
本发明实施例中,在传统SSD神经网络深度学习算法中,引入多感受野模块(RFB),增大模型对复合绝缘子鸟啄缺陷图像的映射区域,增强复合绝缘子缺陷的特征提取能力,形成改进的SSD神经网络模型,如图11所示。
将图像标签库划分后的训练集作为输入,以复合绝缘子风险等级分类作为输出,修改训练配置文件,调整超参数,在改进后的SSD加载预训练权重后,进行迁移学习,当迭代次数达到设定值或者网络损失值小于设定值时,完成改进的SSD神经网络训练,不断调整网络参数,优化损失函数(loss)达到最小,通过准确率、召回率等评估指标选取最佳模型,完成改进的SSD神经网络验证。
训练集训练模型复合绝缘子鸟啄缺陷损伤等级分类能力,验证集作为神经网络分类预测准确性评判标准。
本发明实施例中,将图像标签库测试集中的图片输入到已训练好的改进的SSD神经网络模型中,返回绝缘子鸟啄缺陷位置与风险等级类别,完成复合绝缘子风险等级评估。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,包括:
获得实际工况下复合绝缘子鸟啄缺陷图像建立原始图像库,并对复合绝缘子鸟啄缺陷进行分类;
建立复合绝缘子三维电场仿真模型,得到不同复合绝缘子鸟啄缺陷下复合绝缘子电场强度变化规律;并根据复合绝缘子电场强度划分鸟啄缺陷风险等级;
对原始图像库进行扩充,得到扩大后的图像库;
对图像库中图像根据电场强度和鸟啄缺陷风险等级进行标注,生成图像标签库,并将图像标签库划分为学习集、测试集和验证集;
采用学习集和验证集训练改进的SSD神经网络模型,得到复合绝缘子鸟啄缺陷风险等级评估模型;
将测试集中的图像输入到训练好的复合绝缘子鸟啄缺陷风险等级评估模型,得到复合绝缘子鸟啄缺陷风险等级和位置。
2.根据权利要求1所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,通过无人机获取输电线路中实际工况下复合绝缘子鸟啄缺陷图像,并将图像尺寸调整至相同,建立复合绝缘子原始图像库,包含复合绝缘子护套鸟啄缺陷图像和复合绝缘子伞裙鸟啄缺陷图像。
3.根据权利要求2所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,复合绝缘子鸟啄缺陷分类如下:
伞裙损伤包括伞裙损伤程度和位置,伞裙损伤程度包括:伞裙损伤片数和单片绝缘子损伤数量,伞裙损伤位置包括:高压端、低压端和中间位置;护套损伤包括护套损伤程度和位置,护套损伤程度包括:损伤面积和损伤深度,护套损伤位置包括:高压端和低压端。
4.根据权利要求3所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,所述建立复合绝缘子三维电场仿真模型,得到不同复合绝缘子鸟啄缺陷下复合绝缘子电场强度变化规律,包括:
按照杆塔、复合绝缘子、导线的实际尺寸,建立完好的复合绝缘子三维仿真模型,通过静电场控制方程进行有限元计算,得到完好复合绝缘子的电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子伞裙,建立不同位置的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同位置伞裙缺陷复合绝缘子电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子伞裙,建立不同损伤程度的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同损伤程度伞裙缺陷复合绝缘子电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子护套,建立不同位置的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同位置护套缺陷复合绝缘子电场分布规律;
按照杆塔、复合绝缘子、导线的实际尺寸,针对复合绝缘子护套,建立不同损伤程度的鸟啄缺陷三维仿真模型,通过静电场控制方程进行有限元计算,得到不同损伤程度护套缺陷复合绝缘子电场分布规律。
5.根据权利要求1所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,所述根据复合绝缘子电场强度划分鸟啄缺陷风险等级,包括:
根据不同复合绝缘子鸟啄缺陷下的复合绝缘子电场强度分布规律,确认风险等级范围,将复合绝缘子临界起晕场强的50%以下划分为安全级,临界起晕场强的50%至90%划分为隐患级,临界起晕场强的90%以上划分为危险级。
6.根据权利要求1所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,所述对原始图像库进行扩充,包括:
采用角度旋转和随机缩放操作将原始图像库中的图像扩充一倍;
将扩充后图像库中的图像输入至生成对抗式网络模型,输出新生成的复合绝缘子鸟啄缺陷图像,得到相较于原始图像库扩大两倍后的新图像库。
7.根据权利要求1所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,
采用数据标注软件对图像库中的图像根据临界起晕场强所划分的风险等级进行标注,生成图像标签库,标签包含缺陷位置坐标和鸟啄缺陷风险等级;
将图像标签库按照8:1:1随机分为互斥的训练集,验证集和测试集。
8.根据权利要求1所述的基于改进SSD的复合绝缘子鸟啄缺陷风险等级评估方法,其特征在于,所述采用学习集和验证集训练改进的SSD神经网络模型,包括,
在SSD神经网络深度学习算法中引入多感受野模块,形成改进的SSD神经网络模型;
将图像标签库划分后的训练集作为输入,以复合绝缘子鸟啄缺陷风险等级作为输出,修改训练配置文件,调整超参数;
在改进后的SSD神经网络模型加载预训练权重后,进行迁移学习,当迭代次数达到设定值或者网络损失值小于设定值时,完成改进的SSD神经网络模型训练;
采用验证集作为输入,验证所训练的SSD神经网络模型,不断调整网络参数,得到最终的复合绝缘子鸟啄缺陷风险等级评估模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375858.6A CN113076672B (zh) | 2021-04-08 | 2021-04-08 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110375858.6A CN113076672B (zh) | 2021-04-08 | 2021-04-08 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076672A true CN113076672A (zh) | 2021-07-06 |
CN113076672B CN113076672B (zh) | 2024-02-02 |
Family
ID=76615459
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110375858.6A Active CN113076672B (zh) | 2021-04-08 | 2021-04-08 | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076672B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116124903A (zh) * | 2023-04-13 | 2023-05-16 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
CN109829881A (zh) * | 2018-12-17 | 2019-05-31 | 广东电网有限责任公司 | 基于深度学习的鸟巢检测方法及系统 |
CN109902443A (zh) * | 2019-03-29 | 2019-06-18 | 国网河北省电力有限公司电力科学研究院 | 一种基于comsol的复合绝缘子内部缺陷研究方法 |
CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN112184746A (zh) * | 2020-08-27 | 2021-01-05 | 西北工业大学 | 一种输电线绝缘子缺陷分析方法 |
KR20210037199A (ko) * | 2019-09-27 | 2021-04-06 | 한국전력공사 | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 |
-
2021
- 2021-04-08 CN CN202110375858.6A patent/CN113076672B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108596886A (zh) * | 2018-04-17 | 2018-09-28 | 福州大学 | 基于深度学习的航拍图像绝缘子掉片故障快速检测方法 |
CN109829881A (zh) * | 2018-12-17 | 2019-05-31 | 广东电网有限责任公司 | 基于深度学习的鸟巢检测方法及系统 |
CN109902443A (zh) * | 2019-03-29 | 2019-06-18 | 国网河北省电力有限公司电力科学研究院 | 一种基于comsol的复合绝缘子内部缺陷研究方法 |
CN110598726A (zh) * | 2019-07-16 | 2019-12-20 | 广东工业大学 | 一种基于随机森林的输电杆塔鸟害风险预测方法 |
KR20210037199A (ko) * | 2019-09-27 | 2021-04-06 | 한국전력공사 | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 |
CN110827251A (zh) * | 2019-10-30 | 2020-02-21 | 江苏方天电力技术有限公司 | 一种基于航拍图像的输电线路锁紧销缺陷检测方法 |
CN112184746A (zh) * | 2020-08-27 | 2021-01-05 | 西北工业大学 | 一种输电线绝缘子缺陷分析方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116124903A (zh) * | 2023-04-13 | 2023-05-16 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 |
CN116124903B (zh) * | 2023-04-13 | 2023-08-15 | 广东电网有限责任公司揭阳供电局 | 一种绝缘子的缺陷预警方法、装置、系统、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113076672B (zh) | 2024-02-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Souza et al. | Hybrid-YOLO for classification of insulators defects in transmission lines based on UAV | |
CN109118479B (zh) | 基于胶囊网络的绝缘子缺陷识别定位装置及方法 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
Zheng et al. | Infrared image detection of substation insulators using an improved fusion single shot multibox detector | |
Li et al. | Sewer pipe defect detection via deep learning with local and global feature fusion | |
CN111242144B (zh) | 电网设备异常的检测方法和装置 | |
CN109815800A (zh) | 基于回归算法的目标检测方法及系统 | |
CN116229380A (zh) | 一种变电站涉鸟故障相关鸟种识别方法 | |
CN112036450B (zh) | 一种基于迁移学习的高压电缆局放模式识别方法及系统 | |
CN106951863B (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN117033912B (zh) | 一种设备故障预测方法、装置、可读存储介质及电子设备 | |
CN111882554A (zh) | 一种基于SK-YOLOv3的电力线故障智能检测方法 | |
CN115205256A (zh) | 一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统 | |
CN108241662A (zh) | 数据标注的优化方法及装置 | |
Xu et al. | Detection method of insulator based on single shot multibox detector | |
Satheeswari et al. | Recognition of bird's nest in high voltage power line using SSD | |
CN113076672B (zh) | 基于改进ssd的复合绝缘子鸟啄缺陷风险等级评估方法 | |
CN115757369A (zh) | 一种激光点云数据的自动检查方法及系统 | |
Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
CN114839492A (zh) | 一种基于mobilenetv3的gis局部放电类型识别方法及装置 | |
CN108537792B (zh) | 一种基于卷积神经网络的电力缺陷图像识别方法 | |
Zu et al. | Detection of common foreign objects on power grid lines based on Faster R-CNN algorithm and data augmentation method | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN113129279B (zh) | 一种复合绝缘子鸟啄损伤风险等级评估方法 | |
Fangrong et al. | [Retracted] Insulator and Burst Fault Detection Using an Improved Yolov3 Algorithm |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 211102 No. 280 Heyan Road, Nanjing, Jiangsu Applicant after: JIANGSU POWER TRANSMISSION AND DISTRIBUTION Co.,Ltd. Address before: No.58-5, Suyuan Avenue, Nanjing, Jiangsu, 211102 Applicant before: JIANGSU POWER TRANSMISSION AND DISTRIBUTION Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |