CN113129279B - 一种复合绝缘子鸟啄损伤风险等级评估方法 - Google Patents
一种复合绝缘子鸟啄损伤风险等级评估方法 Download PDFInfo
- Publication number
- CN113129279B CN113129279B CN202110378524.4A CN202110378524A CN113129279B CN 113129279 B CN113129279 B CN 113129279B CN 202110378524 A CN202110378524 A CN 202110378524A CN 113129279 B CN113129279 B CN 113129279B
- Authority
- CN
- China
- Prior art keywords
- composite insulator
- image
- damage
- electric field
- bird pecking
- 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
Links
- 239000012212 insulator Substances 0.000 title claims abstract description 228
- 239000002131 composite material Substances 0.000 title claims abstract description 195
- 230000006378 damage Effects 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000005684 electric field Effects 0.000 claims abstract description 77
- 230000007547 defect Effects 0.000 claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000004088 simulation Methods 0.000 claims abstract description 29
- 238000013135 deep learning Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000005516 engineering process Methods 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000003860 storage Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 10
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 230000005686 electrostatic field Effects 0.000 claims description 4
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 claims 3
- 208000014674 injury Diseases 0.000 claims 3
- 238000002372 labelling Methods 0.000 claims 2
- 230000009897 systematic effect Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000007689 inspection Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 239000012855 volatile organic compound Substances 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000013526 transfer learning Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229920002379 silicone rubber Polymers 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
Classifications
-
- 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
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Insulators (AREA)
Abstract
本发明公布了一种复合绝缘子鸟啄损伤风险等级评估方法,方法包括:获取实际绝缘子尺寸参数与技术要求,建立完好的三维电场仿真模型,并由此建立存在损伤的三维电场仿真模型,进而通过相对应的电场计算,获取复合绝缘子电场强度变化规律;其次,采集实际复合绝缘子损伤图像,结合图像增强技术扩展为图像数据库;接着,结合复合绝缘子鸟啄损伤电场强度变化规律,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,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;最后,在YOLOv3神经网络深度学习算法中,使用标签数据库训练复合绝缘子鸟啄缺陷风险等级评估模型,形成一套系统性的复合绝缘子鸟啄损伤风险等级评估方案。
Description
技术领域
本发明涉及一种复合绝缘子鸟啄损伤风险等级评估方法,属于图像识别技术领域。
背景技术
输电线路中,绝缘子扮演着导线与杆塔绝缘安全的关键角色,其中复合绝缘子,由其质量轻、易于维护等特点,在我国的电力系统中得到了广泛的应用。由于输电线路跨越各种复杂的地理环境,且复合绝缘子主要由护套和伞裙材料等包含硅橡胶的材料组成,故容易受到鸟类啄食导致损伤造成局部场强升高问题,当局部场强大于临界值(起晕场强为4.5×105V/m)时,会产生电晕放电,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,定期对线路绝缘子的健康状况进行检测,及时发现和更换破损的绝缘子是必要的。
针对复合绝缘子的研究,主要从外部损伤和内部缺陷两个方向进行,常见的绝缘子缺损检测方法有人工巡检、超声波检测、紫外线法、无人机巡检等,一般针对鸟啄外部损伤进行分析与研究,故采用无人机巡检实现。无人机巡检主要通过图像识别的方式进行,图像识别方法主要针对绝缘子串边缘形态和图像处理后的色彩进行区分,但是,现有方法存在以下技术问题:复合绝缘子缺陷类别正样本非常少,很难构建有效的样本库,因为数据集过小而引起的过拟合现象,准确性和实用性都不高。
发明内容
本发明的目的在于克服现有技术中的不足,提供一种复合绝缘子鸟啄损伤风险等级评估方法,能够实现自动判别复合绝缘子鸟啄损伤的风险等级,提高输电线路巡检效率。
为达到上述目的,本发明是采用下述技术方案实现的:
第一方面,本发明提供了一种复合绝缘子鸟啄损伤风险等级评估方法,包括以下步骤:
获取复合绝缘子损伤图像;
将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果。
进一步的,所述复合绝缘子鸟啄缺陷风险等级评估模型的构建方法包括以下步骤:
获取实际绝缘子尺寸参数与技术要求,并根据所述实际绝缘子尺寸参数与技术要求建立完好的三维电场仿真模型;
根据所述完好的三维电场仿真模型建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律;
获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库;
根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库;
基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型。
进一步的,根据所述实际绝缘子尺寸参数建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律的方法包括以下步骤:
根据实际线路复合绝缘子尺寸参数,针对复合绝缘子伞裙,建立不同损伤类别的鸟啄损伤三维仿真电场计算模型;针对复合绝缘子护套,建立不同损伤类别的鸟啄损伤三维仿真电场计算模型;所述实际绝缘子尺寸参数包括杆塔、导线、均压环的实际尺寸;
利用有限元软件通过静电场控制方程(1)-(3)进行计算,得到复合绝缘子电场分布规律;
D=εE (6)
式中,为梯度算子;D为电位移;E为电场强度;ε为电介质介电常数;ρ为空间电荷密度。
进一步的,获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库的方法包括:
获取实际复合绝缘子鸟啄损伤图像,并将所述实际复合绝缘子鸟啄损伤图像的图像尺寸调整至统一像素大小,建立复合绝缘子鸟啄损伤图像库,所述复合绝缘子鸟啄损伤图像库包含复合绝缘子护套鸟啄损伤图像和复合绝缘子伞裙鸟啄损伤图像;
通过数据增强技术将所述复合绝缘子鸟啄损伤图像库中的图像扩充,输出新生成的复合绝缘子鸟啄损伤图像,扩充数据库,得到图像数据库;所述数据增强技术包括旋转,翻转,随机缩放。
进一步的,根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库的方法包括:
根据所述复合绝缘子电场强度变化规律,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%为隐患级,临界起晕场强的90%以上为危险级;
采用数据标注软件对所述复合绝缘子电场强度和所述图像数据库的对应关系进行标注,生成对应标准的PASCAL VOC标签文件,所述标签文件中包含目标的坐标和风险等级类别信息。
进一步的,基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型的方法包括:
将所述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YOLOv3神经网络深度学习算法中,通过K-means聚类算法,提高复合绝缘子鸟啄损伤定位精度;
将图像标签库中的验证集、训练集作为网络输入,所述训练集用于训练模型复合绝缘子鸟啄损伤等级分类能力,所述验证集用于作为神经网络分类预测准确性评判标准;
采用多阶段模型迁移训练,冻结多尺度特征融合前卷积层的预训练参数,在所述图像数据库上训练部分卷积层,得到绝缘子鸟啄缺陷风险等级评估模型。
第二方面,本发明还提供了一种复合绝缘子鸟啄损伤风险等级评估装置,所述装置包括:
图像获取模块:用于获取复合绝缘子损伤图像;
风险评估模块:用于将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果。
第三方面,本发明提供一种复合绝缘子鸟啄损伤风险等级评估装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行上述方法的步骤。
第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述方法的步骤。
与现有技术相比,本发明所达到的有益效果:
1、根据实际运行工况下,复合绝缘子鸟啄损伤图像,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、采用深度学习算法,提高复合绝缘子鸟啄损伤风险等级评估准确性、适用性,更符合工程实际应用;
3、由于复合绝缘子鸟啄损伤实际样片数量较少,但深度学习所需样本数量较大,为增大复合绝缘子损伤深度学习预测准确性,首先通过图像裁剪、翻转、旋转等数据增强技术增大小样本数据量;
4、复合绝缘子数据集,与原先验框大小不匹配,不利于复合绝缘子鸟啄损伤定位,采用YOLOv3深度学习算法,使用K-means聚类算法重新聚类先验框,提高复合绝缘子鸟啄损伤定位能力;
5、采用多阶段迁移学习技术进行网络模型训练,可共享部分网络模型参数,并根据不同的任务需求更新学习模型,可以有效减少因为数据集过小而引起的过拟合现象。
附图说明
图1是复合绝缘子鸟啄损伤风险等级评估系统流程图;
图2是完好复合绝缘子三维仿真模型图;
图3(a)是复合绝缘子的伞裙不同损伤三维仿真模型图;
图3(b)是复合绝缘子的护套不同损伤三维仿真模型图;
图4(a)是完好复合绝缘子电场分布曲线图;
图4(b)是破损复合绝缘子电场分布曲线图;
图5是不同损伤复合绝缘子电场分布规律图。
图6是数据增强技术示意图。
图7是YOLOv3网络结构图。
图8是迁移学习流程图。
具体实施方式
下面结合附图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。
实施例一:
本实施例提供一种基于深度学习的复合绝缘子鸟啄损伤风险等级评估方法,包括以下步骤:
获取复合绝缘子损伤图像;
将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果。
所述复合绝缘子鸟啄缺陷风险等级评估模型的构建方法包括以下步骤:
获取实际绝缘子尺寸参数与技术要求,并根据所述实际绝缘子尺寸参数与技术要求建立完好的三维电场仿真模型;
根据所述完好的三维电场仿真模型建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律;
获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库;
根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库;
基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型。
所述复合绝缘子鸟啄缺陷风险等级评估模型的构建方法具体包括以下步骤:
步骤1:根据实际输电线路中棒形悬式复合绝缘子FXBW-1000-300的尺寸参数及相关技术要求,并按照杆塔、导线、均压环等实际尺寸,建立完好的复合绝缘子三维仿真环境模型,如图2所示。
步骤2:建立复合绝缘子的鸟啄损伤三维仿真模型,如图3所示,复合绝缘子鸟啄缺陷分类主要分为不同伞裙类型的鸟啄损伤和不同护套类型的鸟啄损伤。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。
步骤3:利用有限元软件通过电场控制方程(1)-(3)进行数值计算,得到完好绝缘子与鸟啄损伤绝缘子沿面电场分布曲线对比图,如图4所示,通过多组鸟啄损伤复合绝缘子电场仿真计算,得到不同类型下损伤复合绝缘子电场分布规律图,如图5所示。利用有限元软件通过静电场控制方程(1)-(3)进行计算,得到复合绝缘子电场分布规律;
D=εE (9)
式中,为梯度算子;D为电位移;E为电场强度;ε为电介质介电常数;ρ为空间电荷密度。
步骤4:通过无人机获取输电线路中复合绝缘子图像,建立复合绝缘子图像库A,包含复合绝缘子护套鸟啄损伤图像和复合绝缘子伞裙鸟啄损伤图像,将图像尺寸调整至统一像素(416*416)大小,建立原始图像数据库。本实施例采用1000张实际复合绝缘子损伤图像样本建立原始图像数据库A。
步骤5:进行数据库扩充,通过角度旋转、随机缩放等形态学操作进行数据增强,如图6所示,将左图缩小并拉伸,进而获得右图新样本,由此,图像数据库中的图像扩充了一倍。
具体做法是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,形成新的图像数据库B。
步骤6:建立与复合绝缘子鸟啄损伤对应的图像标签库,根据步骤3得到的不同鸟啄损伤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%为隐患级,临界起晕场强的90%以上为危险级,将图像标签库分为验证集、训练集和测试集。
具体做法是对所有样本采用数据标注软件(labelimg)对复合绝缘子鸟啄损伤,生成对应标准的PASCAL VOC标签文件,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。
步骤7:基于Yolov3深度学习算法,网络结构图如图7所示,使用K-means聚类算法重新聚类先验框,提高复合绝缘子鸟啄损伤定位能力,将图像标签库中的验证集、训练集作为网络输入,训练集用于训练模型复合绝缘子鸟啄损伤等级分类的能力,以验证集评判神经网络分类预测准确性。
步骤8:建立复合绝缘子鸟啄缺陷风险等级评估模型,采用多阶段模型迁移训练,冻结多尺度特征融合前卷积层的预训练参数,在扩充后的复合绝缘子鸟啄损伤数据库B上训练部分卷积层,得到新训练好的复合绝缘子鸟啄缺陷风险等级评估模型,如图8所示。
具体做法是首先使用K-means聚类算法重新聚类先验框,以适应复合绝缘子此目标的识别,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,在预训练完成的VOC数据集基础上冻结多尺度融合前卷积层,在扩充后的复合绝缘子鸟啄损伤数据库B上训练部分卷积层,当迭代次数达到设定值或者网络损失值小于设定值时,完成复合绝缘子鸟啄缺陷风险等级评估模型训练,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,完成复合绝缘子鸟啄缺陷风险等级评估模型验证。
所述复合绝缘子鸟啄缺陷风险等级评估模型构建完毕后,将图像标签库中的测试集,输入训练好的复合绝缘子鸟啄损伤等级分类神经网络模型,输出即为复合绝缘子鸟啄缺陷风险等级。
具体做法是输入待诊断的图像标签库测试集中的绝缘子串图片到已训练好的复合绝缘子鸟啄缺陷风险等级评估模型中,通过计算返回绝缘子串位置与风险等级类别,完成复合绝缘子风险等级评估。
实施例二:
本实施例提供一种复合绝缘子鸟啄损伤风险等级评估装置,所述装置包括:
图像获取模块:用于获取复合绝缘子损伤图像;
风险评估模块:用于将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果。
实施例三:
本发明实施例还提供了一种复合绝缘子鸟啄损伤风险等级评估装置,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行下述方法的步骤:
获取复合绝缘子损伤图像;
将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果。
实施例四:
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现下述方法的步骤:
获取复合绝缘子损伤图像;
将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果。
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。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (4)
1.一种复合绝缘子鸟啄损伤风险等级评估方法,其特征在于,包括以下步骤:
获取复合绝缘子损伤图像;
将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果;
所述复合绝缘子鸟啄缺陷风险等级评估模型的构建方法包括以下步骤:
获取实际绝缘子尺寸参数与技术要求,并根据所述实际绝缘子尺寸参数与技术要求建立完好的三维电场仿真模型;
根据所述完好的三维电场仿真模型建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律;
获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库;
根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库;
基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型;
根据所述实际绝缘子尺寸参数建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律的方法包括:
根据实际线路复合绝缘子尺寸参数,针对复合绝缘子伞裙,建立不同损伤类别的鸟啄损伤三维仿真电场计算模型;针对复合绝缘子护套,建立不同损伤类别的鸟啄损伤三维仿真电场计算模型;所述实际绝缘子尺寸参数包括杆塔、导线、均压环的实际尺寸;
利用有限元软件通过静电场控制方程(1)-(3)进行计算,得到复合绝缘子电场分布规律;
▽·D=ρ (1)▽×E=0 (2)
D=εE (3)
式中,▽为梯度算子;D为电位移;E为电场强度;ε为电介质介电常数;ρ为空间电荷密度;
获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库的方法包括:
获取实际复合绝缘子鸟啄损伤图像,并将所述实际复合绝缘子鸟啄损伤图像的图像尺寸调整至统一像素大小,建立复合绝缘子鸟啄损伤图像库,所述复合绝缘子鸟啄损伤图像库包含复合绝缘子护套鸟啄损伤图像和复合绝缘子伞裙鸟啄损伤图像;
数据库扩充,通过数据增强技术将所述复合绝缘子鸟啄损伤图像库中的图像扩充,输出新生成的复合绝缘子鸟啄损伤图像,得到图像数据库;所述数据增强技术包括旋转,翻转,随机缩放;
根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库的方法包括:
根据所述复合绝缘子电场强度变化规律,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%为隐患级,临界起晕场强的90%以上为危险级;
采用数据标注软件对所述复合绝缘子电场强度和所述图像数据库的对应关系进行标注,生成对应标准的PASCALVOC标签文件,所述标签文件中包含目标的坐标和风险等级类别信息;
基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型的方法包括:
将所述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YOLOv3神经网络深度学习算法中,通过K-means聚类算法重新聚类先验框;
将图像标签库中的验证集、训练集作为网络输入,所述训练集用于训练模型复合绝缘子鸟啄损伤等级分类能力,所述验证集用于作为神经网络分类预测准确性评判标准;
采用多阶段模型迁移训练,冻结多尺度特征融合前卷积层的预训练参数,在所述图像数据库上训练部分卷积层,得到复合绝缘子鸟啄缺陷风险等级评估模型。
2.一种复合绝缘子鸟啄损伤风险等级评估装置,其特征在于,所述装置包括:
图像获取模块:用于获取复合绝缘子损伤图像;
风险评估模块:用于将所述绝缘子损伤图像输入复合绝缘子鸟啄缺陷风险等级评估模型,获得复合绝缘子鸟啄破损风险等级评估结果;
所述复合绝缘子鸟啄缺陷风险等级评估模型的构建方法包括以下步骤:
获取实际绝缘子尺寸参数与技术要求,并根据所述实际绝缘子尺寸参数与技术要求建立完好的三维电场仿真模型;
根据所述完好的三维电场仿真模型建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律;
获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库;
根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库;
基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型;
根据所述实际绝缘子尺寸参数建立伞裙与护套存在损伤的三维电场仿真模型,并通过相对应的电场计算,获取复合绝缘子电场强度变化规律的方法包括:
根据实际线路复合绝缘子尺寸参数,针对复合绝缘子伞裙,建立不同损伤类别的鸟啄损伤三维仿真电场计算模型;针对复合绝缘子护套,建立不同损伤类别的鸟啄损伤三维仿真电场计算模型;所述实际绝缘子尺寸参数包括杆塔、导线、均压环的实际尺寸;
利用有限元软件通过静电场控制方程(1)-(3)进行计算,得到复合绝缘子电场分布规律;
D=εE (3)
式中,为梯度算子;D为电位移;E为电场强度;ε为电介质介电常数;ρ为空间电荷密度;
获取实际复合绝缘子损伤图像,并通过图像增强技术扩展为图像数据库的方法包括:
获取实际复合绝缘子鸟啄损伤图像,并将所述实际复合绝缘子鸟啄损伤图像的图像尺寸调整至统一像素大小,建立复合绝缘子鸟啄损伤图像库,所述复合绝缘子鸟啄损伤图像库包含复合绝缘子护套鸟啄损伤图像和复合绝缘子伞裙鸟啄损伤图像;
数据库扩充,通过数据增强技术将所述复合绝缘子鸟啄损伤图像库中的图像扩充,输出新生成的复合绝缘子鸟啄损伤图像,得到图像数据库;所述数据增强技术包括旋转,翻转,随机缩放;
根据所述复合绝缘子鸟啄损伤电场强度变化规律,建立所述复合绝缘子电场强度和所述图像数据库对应关系,生成图像标签库的方法包括:
根据所述复合绝缘子电场强度变化规律,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%为隐患级,临界起晕场强的90%以上为危险级;
采用数据标注软件对所述复合绝缘子电场强度和所述图像数据库的对应关系进行标注,生成对应标准的PASCALVOC标签文件,所述标签文件中包含目标的坐标和风险等级类别信息;
基于YOLOv3神经网络深度学习算法,根据所述图像标签库,建立复合绝缘子鸟啄缺陷风险等级评估模型的方法包括:
将所述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YOLOv3神经网络深度学习算法中,通过K-means聚类算法重新聚类先验框;
将图像标签库中的验证集、训练集作为网络输入,所述训练集用于训练模型复合绝缘子鸟啄损伤等级分类能力,所述验证集用于作为神经网络分类预测准确性评判标准;
采用多阶段模型迁移训练,冻结多尺度特征融合前卷积层的预训练参数,在所述图像数据库上训练部分卷积层,得到复合绝缘子鸟啄缺陷风险等级评估模型。
3.一种复合绝缘子鸟啄损伤风险等级评估装置,其特征在于,包括处理器及存储介质;
所述存储介质用于存储指令;
所述处理器用于根据所述指令进行操作以执行根据权利要求1任一项所述方法的步骤。
4.计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378524.4A CN113129279B (zh) | 2021-04-08 | 2021-04-08 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378524.4A CN113129279B (zh) | 2021-04-08 | 2021-04-08 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129279A CN113129279A (zh) | 2021-07-16 |
CN113129279B true CN113129279B (zh) | 2024-04-30 |
Family
ID=76775454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378524.4A Active CN113129279B (zh) | 2021-04-08 | 2021-04-08 | 一种复合绝缘子鸟啄损伤风险等级评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129279B (zh) |
Citations (4)
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 |
CN111239073A (zh) * | 2020-01-17 | 2020-06-05 | 西南交通大学 | 一种基于高光谱技术的复合绝缘子老化程度检测方法 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
-
2021
- 2021-04-08 CN CN202110378524.4A patent/CN113129279B/zh active Active
Patent Citations (4)
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 |
WO2020164278A1 (zh) * | 2019-02-14 | 2020-08-20 | 平安科技(深圳)有限公司 | 一种图像处理方法、装置、电子设备和可读存储介质 |
CN111239073A (zh) * | 2020-01-17 | 2020-06-05 | 西南交通大学 | 一种基于高光谱技术的复合绝缘子老化程度检测方法 |
CN111855500A (zh) * | 2020-07-30 | 2020-10-30 | 华北电力大学(保定) | 一种基于深度学习的复合绝缘子老化程度智能检测方法 |
Non-Patent Citations (3)
Title |
---|
复合绝缘子伞裙破损的电场分布仿真分析;贾伯岩等;科学技术与工程;第1-5页 * |
复合绝缘子防鸟害关键因素分析及防范措施;李俊防;;电气技术(第11期);全文 * |
鸟啄复合绝缘子护套场强电位分布研究;李如锋;王成江;胡帅;马飞林;刘应龙;;陕西电力(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113129279A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
Souza et al. | Hybrid-YOLO for classification of insulators defects in transmission lines based on UAV | |
Mokhtari et al. | Comparison of supervised classification techniques for vision-based pavement crack detection | |
CN111179249A (zh) | 一种基于深度卷积神经网络的电力设备检测方法和装置 | |
CN110838112A (zh) | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 | |
CN112132014B (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
CN112766170B (zh) | 基于簇类无人机图像的自适应分割检测方法及装置 | |
CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
CN111126820A (zh) | 反窃电方法及系统 | |
CN111369526A (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN114898097A (zh) | 图像识别方法及系统 | |
CN113496221B (zh) | 基于深度双边滤波的点监督遥感图像语义分割方法及系统 | |
Bai et al. | Insulator fault recognition based on spatial pyramid pooling networks with transfer learning (match 2018) | |
CN111160087A (zh) | 一种红外图像中瓷绝缘子铁帽和盘面自动识别方法、系统及存储介质 | |
Gonçalves et al. | Inspection of power line insulators: state of the art, challenges, and open issues | |
CN114298144A (zh) | 一种基于深度卷积神经网络的水电站设备漏油识别方法 | |
CN113129279B (zh) | 一种复合绝缘子鸟啄损伤风险等级评估方法 | |
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 | |
CN117152528A (zh) | 绝缘子状态识别方法、装置、设备、存储介质和程序产品 | |
CN110543675A (zh) | 一种输电线路故障识别方法 | |
CN116071299A (zh) | 一种绝缘子rtv喷涂缺陷检测方法及系统 | |
CN115841608A (zh) | 一种基于改进yolox的多腔室避雷器识别方法 | |
Shaotong et al. | Location and identification of insulator and bushing based on YOLOv3-spp algorithm | |
CN115761268A (zh) | 一种基于局部纹理增强网络的杆塔关键部件缺陷识别方法 | |
CN114565581A (zh) | 一种配电线路低值绝缘子的检测方法、记录媒体及系统 |
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 |