CN113269678A - 接触网输电线路的故障点定位方法 - Google Patents

接触网输电线路的故障点定位方法 Download PDF

Info

Publication number
CN113269678A
CN113269678A CN202110714141.XA CN202110714141A CN113269678A CN 113269678 A CN113269678 A CN 113269678A CN 202110714141 A CN202110714141 A CN 202110714141A CN 113269678 A CN113269678 A CN 113269678A
Authority
CN
China
Prior art keywords
fault point
fault
transmission line
model
image
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.)
Pending
Application number
CN202110714141.XA
Other languages
English (en)
Inventor
余志强
张明
杨轶轩
孙晓云
何朝峰
冯涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shijiazhuang Tiedao University
Original Assignee
Shijiazhuang Tiedao University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shijiazhuang Tiedao University filed Critical Shijiazhuang Tiedao University
Priority to CN202110714141.XA priority Critical patent/CN113269678A/zh
Publication of CN113269678A publication Critical patent/CN113269678A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4046—Scaling of whole images or parts thereof, e.g. expanding or contracting using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
    • 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
    • G06T2207/20—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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Locating Faults (AREA)

Abstract

本发明适用于图像处理技术领域，提供了一种接触网输电线路的故障点定位方法，该方法包括：获取待测试的接触网输电线路故障图像；将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口；对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口。本发明采用超分辨率网络模型和故障点定位模型确定目标故障点窗口，提高了计算精确度，同时节省了计算时间。

Description

接触网输电线路的故障点定位方法
技术领域
本发明属于图像处理技术领域，尤其涉及一种接触网输电线路的故障点定位方法。
背景技术
由于我国现在电网电力运输的不断发展进步，因此对于接触网输电线路的安全性提出了更高的要求。为了应对日益复杂的变化和保障电力安全运输，需要提升对于接触网输电线路的故障点的检测能力。
对于当前的检测方式主要是以深度学习来对故障点进行检测，根据深度学习模型大致可以分为两类：第一类属于两阶段目标检测算法(two-stage)，如R-CN、 SPP-Net、Fast-RCNN、Faster-RCNN等，这类算法首先从目标图像的区域候选框(RPN)中提取故障点，然后利用检测网络对候选框中的故障点进行位置的预测以及类别的识别；第二类属于一阶段(one-stage)故障点检测算法，如SSD、 YOLO等，这类算法不需要建立RPN网络，而是直接在图像上进行故障点的预测以及类别的识别。
但是对于上述故障点检测算法都存在着对于小尺度的故障缺陷难识别的问题。
发明内容
有鉴于此，本发明实施例提供了一种接触网输电线路的故障点定位方法，以解决现有技术中对于小尺度的故障缺陷难识别的问题。
本发明实施例的第一方面提供了一种接触网输电线路的故障点定位方法，包括：
获取待测试的接触网输电线路故障图像；
将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，其中，已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数；
对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口。
本发明实施例的第二方面提供了一种利用接触网输电线路的故障点定位方法的装置，包括：
主控制器、多级联故障定位模型和数据通信模块，多级联故障定位模型包括已建立的超分辨率网络模型和已建立的故障点定位模型；
数据通信模块，用于采集待测试的接触网输电线路故障图像；
主控制器，与数据通信模块、多级联故障定位模型进行通信，用于获取数据通信模块传输的待测试的接触网输电线路故障图像，并将待测试的接触网输电线路故障图像传输至多级联故障定位模型，以及接收多级联故障定位模型反馈的至少一个目标故障点窗口；
多级联故障定位模型，用于接收待测试的接触网输电线路故障图像，将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，并对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口，其中，已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例首先获取待测试的接触网输电线路故障图像；然后将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，其中，已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数；最后对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口。本发明采用超分辨率网络模型和故障点定位模型确定目标故障点窗口，提高了计算精确度，同时节省了计算时间。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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是本发明实施例提供的一种接触网输电线路的故障点定位方法的实现流程示意图；
图2是本发明实施例中超分辨率网络模型的结构示意图；
图3是本发明实施例中AvgIoU随着m值的变化曲线示意图；
图4是本发明实施例中改进RPN网络的结构示意图；
图5是本发明实施例中故障点定位模型的结构示意图；
图6是本发明实施例提供的一种利用接触网输电线路的故障点定位方法的装置的结构示意图；
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
我国一般采用无人机对电网进行巡线搜集待检测的接触网输电线路图像，而在采集待检测图像时由于绝缘子复杂多样的特性及拍摄条件的限制，对于所待检测的图像经常出现分辨率低下的问题，因此对于某些故障点容易造成漏检错检。因此提出接触网输电线路的故障点定位方法。
为了说明本发明的技术方案，下面通过具体实施例来进行说明。
图1是本发明一实施例提供的一种接触网输电线路的故障点定位方法的实现流程示意图。如图1所示，该实施例的一种接触网输电线路的故障点定位方法包括：
步骤S101：获取待测试的接触网输电线路故障图像；
步骤S102：将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，其中，已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数；
步骤S103：对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口。
在一实施例中，本申请主要采用多级联检测网络来对接触网输电线路进行故障点的定位。该方法采用的是多级联的网络对接触网输电线路故障进行故障点的定位，首先第一级网络是采用SRCNN网络(即超分辨率网络模型)来对检测图像进行超分辨率重建，使原始检测图像更加清晰，网络输出的图像信息作为第二级网络的输入数据。第二级网络采用Faster RCNN作为网络基础，并且在此基础上进行改进，通过训练得到最优的网络模型(即故障点定位模型)，并通过该网络模型对接触网输电线路的故障点进行定位，其中，故障点窗口指待测试的接触网输电线路故障图像上包含故障点的图像。
进一步地，将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，之后从多个候选故障点窗口进行选择。其中，选择方式为基于衰减得分的非极大值抑制，也就是说，在多个候选故障点窗口中进行搜索，将冗余的候选故障点窗口进行剔除，得到至少一个目标故障点窗口。其中，采用基于衰减得分的非极大值抑制的算法是由于传统的NMS的计算方法是当IoU大于阈值时直接把其置信度设置为0，这样当两个检测框距离非常近的时候，其中分数较低的框很可能因为与当前得分最高的框之间的IoU高于阈值而被抑制，其置信度直接为0，这样就容易造成漏检问题。因此采用衰减函数或者高斯函数来衰减检测框的得分，代替了传统NMS直接置为0，这样以来即便两个检测框的IoU值较大，得分也不会直接置为0，因此在NMS的基础上用一个与IoU值成反比的函数来衰减得分，具体公式如下所示：
Figure BDA0003134151920000051
其中，Si表示锚点框得分，M表示得分最高的锚点框，bi表示去除锚点框M 之后所有检测出的锚点框。因此，基于衰减得分的非极大值抑制操作流程包括：首先将所有的锚点框的分类得分进行排序，保留置信度最高的锚点框到列表中，然后对所保留的锚点框分别计算其每个的边界框面积，计算最高置信度的锚点框与其他候选框的IoU，利用衰减系数降低那些IoU大于设定阈值的边界框的得分，最后再设定最终的阈值，将得分Si小于阈值的去掉。
此外，本申请的改进点在于：一、采用两级网络模型同时参与，对接触网输电线路进行故障点定位。二、对于第二级网络的改进方式主要包含以下三点： 1、对传统的K-means算法进行改进，用来对实验数据进行聚类分析，得出最优于该训练集的锚点框尺寸比例，使得预设置的锚点框尺寸比例更加适合接触网输电线路故障的尺寸；2、对ROI区域进行改进，防止在训练时出现正负样本不均衡的问题，提高网络的精确度；3、对NMS基于一种衰减得分进行改进，防止对于正确分类锚点框的误删除造成的漏检问题；4、对于第二级网络的损失函数采用双损失联合的方法。其中，锚点框指在待训练的接触网输电线路故障图像上的故障点类别以及故障点位置信息。
本发明实施例首先获取待测试的接触网输电线路故障图像；然后将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，其中，已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数；最后对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口。本发明采用超分辨率网络模型和故障点定位模型确定目标故障点窗口，提高了计算精确度，同时节省了计算时间。
在一实施例中，步骤S102包括：
步骤S201：将待测试的接触网输电线路故障图像输入已建立的超分辨率网络模型，得到高分辨率的待测试的接触网输电线路故障图像；
步骤S202：将高分辨率的待测试的接触网输电线路故障图像输入已建立的故障点定位模型，得到多个候选故障点窗口。
在一实施例中，本申请中的超分辨率网络模型是为了提高待测试的接触网输电线路故障图像的分辨率，这样在后期输入故障点定位模型后，可提高故障点窗口的定位以及提高定位的精度。
在一实施例中，步骤S201之前，还包括：
步骤S301：建立超分辨率网络模型；
步骤S301包括：
步骤S401：获取高分辨率的待训练图像；
步骤S402：将高分辨率的待训练图像作为第一训练样本，并将多个第一训练样本进行合并，得到第一训练样本集。
步骤S403：获取第一训练样本集，其中，第一训练样本集中包括多个第一训练样本；
步骤S404：依次利用多个第一训练样本中的每个第一训练样本训练卷积神经网络模型，得到超分辨率网络模型。
在一实施例中，构建超分辨率网络模型之前，首先将待训练图像先通过双三次插值把其转换成相应大小的待训练图像，该待训练图像记作Z。
建立超分辨率网络模型的步骤具体包括：
将待训练图像Z通过卷积神经网络模型的各种不同卷积核的卷积层进行特征提取操作，得到低分辨率待训练图像Z的特征图，具体操作公式如下所示：
F1(Z)＝max(0,W1·Z+B1)
其中，W1和B1分别对应着进行该步骤的特征提取的卷积核参数以及对应的偏置量。在所选用的卷积核尺寸大小一般为c×f1×f1×n1，在该尺寸中c表示通道数，由于在卷积神经网络中需要将RBG图像转换为灰度图像，因此只对待训练图像保留其灰度通道，即c设置为1，最终输出n1个特征图。并且在激活函数方面为保证其简洁性以及能让网络加快收敛速度，因此选择ReLU函数作为其激活函数。公式如下所示：
Figure BDA0003134151920000071
将提取的n1维度的特征图映射成为n2维度的特征图，随后再经过卷积操作，得到一个新的n2维特征图。由此完成由低分辨率特征到高分辨率特征的映射。
具体操作公式如下所示：
F2(Z)＝max(0,W2·F1(Z)+B2)
其中，W2和B2分别对应着进行该步骤的特征提取的卷积核参数以及对应的偏置量。
之后需要对特征图像进行重建，所得到的新的n2维特征图做均值滤波处理得到最终的HR图像(即高分辨率的待训练图像)。该步骤的具体操作公式如下：
F3(Z)＝W3·F2(Z)+B3
其中，W3和B3分别对应着进行该步骤的特征提取的卷积核参数以及对应的偏置量。损失函数采用均方误差MSE损失：
Figure BDA0003134151920000081
其中，Xi表示高分辨率的待训练图像，F(Yi；θ)为重建后的高分辨率的待训练图像。
最终将高分辨率的待训练图像输入进卷积神经网络模型中，训练后得到最优的超分辨网络模型，超分辨网络模型的结构如图2所示。
在一实施例中，步骤S202之前，还包括：
步骤S501：建立故障点定位模型；
步骤S501包括：
步骤S601：获取待训练的接触网输电线路故障图像；
步骤S602：对待训练的接触网输电线路故障图像依次进行图像增强、故障点标注和聚类分析，得到包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像，并将包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像作为第二训练样本；
步骤S603：将多个第二训练样本进行合并，得到第二训练样本集。
步骤S604：获取第二训练样本集，其中，第二训练样本集中包括多个第二训练样本；
步骤S605：依次利用多个第二训练样本中的每个第二训练样本训练卷积神经网络模型，得到故障点定位模型。
在一实施例中，将收集到的待训练的接触网输电线路故障数据图像利用旋转、裁剪、增加对比度等数据增强的方法对数据集进行扩充，数据增强方式具体参数如表1所示。利用LabelImg软件对得到的数据集进行人工标注，将其制作成可供检测网络训练的VOC格式，随机选定80％的图像数据作为训练集优化网络模型、20％作为测试集评定模型效果。
表1数据增强方式
Mode Number
Rotation_range 30
Width_shift_range 0.1
Height_shift_range 0.2
Shear range 0.2
Horizaontal_flip true
传统的K-means算法是使用欧几里得度量来计算距离，即从所标定的数据对象中任意选择m个作为聚类操作的初始聚类中心，将剩余的数据按照其与聚类中心的距离将其归于最相近的聚类：
Figure BDA0003134151920000091
计算每个所得的新聚类中心：
Figure BDA0003134151920000092
循环式(6)步骤，直到收敛为止。
但是欧几里得距离体现的是空间方向的位置距离，并不能体现出锚点框之间的位置关系。因此，本申请中的聚类分析是将K-means算法中的欧氏距离改换为当前预测中的交并比IoU(Intersection over Union)，计算公式如下所示：
S(box,cen)＝1-IoU(box,cen)
其中，box表示锚点框，cen表示簇类中心，数据需要对簇类中心的距离达到收敛，即锚点框与预测框交并比存在最大的时候。
选取m＝1～9，对数据集中的参数信息进行聚类分析，实验结果所得出的平均交并比AvgIoU即该类的IoU计算之后进行累加，再取平均得到的结果。AvgIoU 随着m值的变化曲线如图3所示。从图2中可以看出，在m＝3之前，AvgIoU在缓慢上升然后逐渐达到最高值，随着m的继续不断增大AvgIoU逐渐趋于稳定。因此，选取m＝3最佳。最终得到最适合该数据集的预设锚点框尺寸比例。
在一实施例中，步骤S605包括：
步骤S701：获取包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像；
步骤S702：利用主干神经网络提取包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像的特征图，得到不同卷积层对应的特征图；
步骤S703：将不同卷积层对应的特征图进行融合处理得到目标特征图；
步骤S704：将目标特征图输入区域生成网络，生成标识有多个建议框的目标特征图；
步骤S705：将标识有多个建议框的目标特征图输入感兴趣区网络，以训练卷积神经网络模型来确定故障点定位模型。
在一实施例中，对于检测网络的主干神经网络选用ResNet50，结构图如表 2所示：
表2 Resnet 50网络结构
Figure BDA0003134151920000101
Figure BDA0003134151920000111
首先输入的包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像经过一个64维的7x7卷积，卷积核的步长为2，然后经过卷积核尺寸为3x3步长为2的最大池化进行下采样，最后经过一系列残差块之后。对特征图做全局平均池化和1000维度的全连接层，并输出到softmax分类器进行分类处理。
将通过主干神经网络提取出feature map(特征图)和所有ROI输入到改进的ROI网络中进行前向传播，根据损失函数计算出损失值，并将其进行排序，取损失值(loss)最大的B/N(实际中一般N取2，B取38)个样本进行反向传播，因此在反向传播是只选择loss值较大的ROI用于更新故障点定位模型，所以使得参数量大幅度减少，运算速度增加。
对于改进的ROI网络是在Faster RCNN的ROI Pooling层之后设计两个具有同样架构的ROI网络，不同的是将其区分为(a)只读层和(b)可-读写层。对于只读层，只对所有ROI作前向运算，而可读写层既要对可读层筛选出的难例 ROI做前向运算也要进行反向传播，这一个整体作为一次迭代。在原始ROI网络中进行只进行分类和回归运算并将损失度按照高低进行排序，将较高的损失作为输入值输入到新增的ROI网络分支中，继续进行分类回归运算并且进行反向传播更新网络权重。
最后采用基于衰减得分的非极大值抑制对ROI进行去重复，过滤掉交叠区域较大的ROI。例如，在一张图像中，若每个ROI之间的交叠区域越大，那么两者的loss值也就越相似，由于在经过多层卷积之后得到的feature map，其分辨率不高，交叠区域较大的ROI投射到feature map上可能为同一个区域，会导致loss重复计算。
此外，对于改进的Faster RCNN(即故障点定位模型)的损失函数采用Center loss与focal loss联合来进行改进。其中，Center loss具体操作步骤如下：
Figure BDA0003134151920000121
其中：xi表示在所有样本中第i个所提取出来的特征信息，
Figure BDA0003134151920000122
表示对应的第i个样本所对应的该样本的全部特征信息的平均特征，m表示该训练网络中所有的样本种类数量，即在训练参数中mini-batch的值，λ表示调节系数。
对于
Figure BDA0003134151920000123
迭代更新公式为：
Figure BDA0003134151920000124
其中，当yi的类别与cj的类别不相同的时候，cj将不会更新，δ(yi＝j)将返回为0，反之，如果是同一类别则返回数值1。
因此，基于focal loss以及Center loss融合改进的Faster RCNN的损失函数具体计算公式如下所示：
Figure BDA0003134151920000125
其中：
ti∈{tx,ty,tw,th}；
Figure BDA0003134151920000131
Figure BDA0003134151920000132
Figure BDA0003134151920000133
其中，i表示对应着第i个锚点框，pi表示该锚点框中对应的类别的置信度，
Figure BDA0003134151920000134
表示在锚点框中所对应的类别若是正样本则置为1，反之，负样本则置为0，ti表示所给出的预测框的四个坐标信息。改进的Faster RCNN网络模型结构图如图5所示。
具体地，训练过程中采用梯度下降对反向传播阶段进行优化，训练的批量大小batch-size设置为16，采用动量值为0.9，权重衰减设置为0.0005，设置学习率初始值为0.001，且逐步递减，但最后不小于0.0006。epoch设置为1100，每400个epoch保存一次模型并且保存最后一次模型，最终选取loss最低的模型用于检测。具体初始超参数设置如表3所示：
表3超参数设置
参数 数值 含义
Base_Ir 0.001 基础学习率
Ir_policy Step 学习率衰减方式
Momentum 0.9 梯度更新权重
Weight_decay 0.0005 权重衰减项
iteration 1100 训练次数
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
在一个实施例中，如图6所示，提供了利用接触网输电线路的故障点定位方法的装置，包括：
主控制器610、多级联故障定位模型620和数据通信模块630，多级联故障定位模型620包括已建立的超分辨率网络模型6201和已建立的故障点定位模型 6202；
数据通信模块630，用于采集待测试的接触网输电线路故障图像；其中，数据通信模块630，主要包含4G/5G通讯模块、以太网通讯模式、I2C接口、 USB模式。其中，4G/5G通讯模块主要功能是用作与监督控制中心进互联通讯；以太网通讯模式的主要工作是对于摄像机的调控，控制其对于接触网输电线路的故障图像采集，并且将该原始数据通过以太网传输给主要主控制器210；I2C 接口的主要作用是对于整个系统的电源管理；USB接口主要的功能是预留接口，以方便后续的调整；
主控制器610，与数据通信模块630、多级联故障定位模型620进行通信，用于获取数据通信模块630传输的待测试的接触网输电线路故障图像，并将待测试的接触网输电线路故障图像传输至多级联故障定位模型620，以及接收多级联故障定位模型620反馈的至少一个目标故障点窗口；
多级联故障定位模型620，用于接收待测试的接触网输电线路故障图像，将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型 6201和已建立的故障点定位模型6202，得到多个候选故障点窗口，并对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口，其中，已建立的故障点定位模型6202设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型6202采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数。
此外，采用本申请上述设计的超分辨率网络模型6201作为检测网络，对于采集的接触网输电线路的顾故障图像数据进行超分辨率重建，使后续输入故障点定位模型6202的数据具有更高的分辨率，随后对接触网输电线路的故障图像进行特征提取，并且做分类和回归运算，标记发生缺陷故障的准确位置。
在一个实施例中，还包括：
故障报警模块640，与主控制器610进行通信，用于接收主控制器610传输的至少一个目标故障点窗口，并根据至少一个目标故障点窗口做出反应。
在一个实施例中，还包括：
安全加密模块650，与主控制器610进行通信，用于对主控制器610传输的待测试的接触网输电线路故障图像进行保护。
图7是本发明一实施例提供的终端设备的示意图。如图7所示，该实施例的终端设备7包括：处理器701、存储器702以及存储在存储器702中并可在处理器701上运行的计算机程序703。处理器701执行计算机程序703时实现上述各个场景缩减方法实施例中的步骤，例如图1所示的步骤101至103。或者，处理器701执行计算机程序703时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块610至630的功能。
示例性的，计算机程序703可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器702中，并由处理器701执行，以完成本发明。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序703在终端设备7中的执行过程。例如，计算机程序703可以被分割成主控制器、多级联故障定位模型和数据通信模块，多级联故障定位模型包括已建立的超分辨率网络模型和已建立的故障点定位模型；
数据通信模块，用于采集待测试的接触网输电线路故障图像；
主控制器，与数据通信模块、多级联故障定位模型进行通信，用于获取数据通信模块传输的待测试的接触网输电线路故障图像，并将待测试的接触网输电线路故障图像传输至多级联故障定位模型，以及接收多级联故障定位模型反馈的至少一个目标故障点窗口；
多级联故障定位模型，用于接收待测试的接触网输电线路故障图像，将待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，并对多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口，其中，已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及已建立的故障点定位模型采用联合损失函数计算损失值，其中，联合损失函数包括焦点损失函数和中心损失函数。
终端设备7可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。7终端设备可包括，但不仅限于，处理器701、存储器702。本领域技术人员可以理解，图7仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器701可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器702可以是终端设备7的内部存储单元，例如终端设备7的硬盘或内存。存储器702也可以是终端设备7的外部存储设备，例如终端设备7上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器702还可以既包括终端设备7的内部存储单元也包括外部存储设备。存储器702用于存储计算机程序以及终端设备所需的其他程序和数据。存储器702还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种接触网输电线路的故障点定位方法，其特征在于，包括：
获取待测试的接触网输电线路故障图像；
将所述待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，其中，所述已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及所述已建立的故障点定位模型采用联合损失函数计算损失值，其中，所述联合损失函数包括焦点损失函数和中心损失函数；
对所述多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口。
2.如权利要求1所述的接触网输电线路的故障点定位方法，其特征在于，所述将所述待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，包括：
将所述待测试的接触网输电线路故障图像输入所述已建立的超分辨率网络模型，得到高分辨率的待测试的接触网输电线路故障图像；
将所述高分辨率的待测试的接触网输电线路故障图像输入所述已建立的故障点定位模型，得到所述多个候选故障点窗口。
3.如权利要求2所述的接触网输电线路的故障点定位方法，其特征在于，所述将所述待测试的接触网输电线路故障图像输入所述已建立的超分辨率网络模型，得到高分辨率的待测试的接触网输电线路故障图像之前，还包括：
建立超分辨率网络模型；
所述建立超分辨率网络模型，包括：
获取第一训练样本集，其中，所述第一训练样本集中包括多个第一训练样本；
依次利用所述多个第一训练样本中的每个第一训练样本训练所述卷积神经网络模型，得到所述超分辨率网络模型。
4.如权利要求3所述的接触网输电线路的故障点定位方法，其特征在于，所述获取第一训练样本集之前，还包括：
获取高分辨率的待训练图像；
将所述高分辨率的待训练图像作为所述第一训练样本，并将多个所述第一训练样本进行合并，得到所述第一训练样本集。
5.如权利要求2所述的接触网输电线路的故障点定位方法，其特征在于，所述将所述高分辨率的待测试的接触网输电线路故障图像输入所述已建立的故障点定位模型，得到所述多个候选故障点窗口之前，还包括：
建立故障点定位模型；
所述建立故障点定位模型，包括：
获取第二训练样本集，其中，所述第二训练样本集中包括多个第二训练样本；
依次利用所述多个第二训练样本中的每个第二训练样本训练所述卷积神经网络模型，得到所述故障点定位模型。
6.如权利要求5所述的接触网输电线路的故障点定位方法，其特征在于，所述获取第二训练样本集之前，还包括：
获取待训练的接触网输电线路故障图像；
对所述待训练的接触网输电线路故障图像依次进行图像增强、故障点标注和聚类分析，得到包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像，并将所述包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像作为所述第二训练样本；
将多个所述第二训练样本进行合并，得到所述第二训练样本集。
7.如权利要求6所述的接触网输电线路的故障点定位方法，其特征在于，所述依次利用所述多个第二训练样本中的每个第二训练样本训练所述卷积神经网络模型，得到所述故障点定位模型，包括：
获取所述包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像；
利用主干神经网络提取所述包含故障点类别以及故障点位置信息的待训练的接触网输电线路故障图像的特征图，得到不同卷积层对应的特征图；
将所述不同卷积层对应的特征图进行融合处理得到目标特征图；
将所述目标特征图输入区域生成网络，生成标识有多个建议框的目标特征图；
将所述标识有多个建议框的目标特征图输入所述感兴趣区网络，以训练所述卷积神经网络模型来确定所述故障点定位模型。
8.一种利用接触网输电线路的故障点定位方法的装置，其特征在于，包括：
主控制器、多级联故障定位模型和数据通信模块，所述多级联故障定位模型包括已建立的超分辨率网络模型和已建立的故障点定位模型；
所述数据通信模块，用于采集待测试的接触网输电线路故障图像；
所述主控制器，与所述数据通信模块、多级联故障定位模型进行通信，用于获取所述数据通信模块传输的待测试的接触网输电线路故障图像，并将所述待测试的接触网输电线路故障图像传输至所述多级联故障定位模型，以及接收所述多级联故障定位模型反馈的至少一个目标故障点窗口；
所述多级联故障定位模型，用于接收所述待测试的接触网输电线路故障图像，将所述待测试的接触网输电线路故障图像依次输入已建立的超分辨率网络模型和已建立的故障点定位模型，得到多个候选故障点窗口，并对所述多个候选故障点窗口采用基于衰减得分的非极大值抑制对冗余候选框进行剔除，得到至少一个目标故障点窗口，其中，所述已建立的故障点定位模型设置有包括只读层和可读写层的感兴趣区网络，以及所述已建立的故障点定位模型采用联合损失函数计算损失值，其中，所述联合损失函数包括焦点损失函数和中心损失函数。
9.如权利要求8所述的利用接触网输电线路的故障点定位方法的装置，其特征在于，还包括：
故障报警模块，与所述主控制器进行通信，用于接收所述主控制器传输的所述至少一个目标故障点窗口，并根据所述至少一个目标故障点窗口做出反应。
10.如权利要求8所述的利用接触网输电线路的故障点定位方法的装置，其特征在于，还包括：
安全加密模块，与所述主控制器进行通信，用于对所述主控制器传输的所述待测试的接触网输电线路故障图像进行保护。
CN202110714141.XA 2021-06-25 2021-06-25 接触网输电线路的故障点定位方法 Pending CN113269678A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110714141.XA CN113269678A (zh) 2021-06-25 2021-06-25 接触网输电线路的故障点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110714141.XA CN113269678A (zh) 2021-06-25 2021-06-25 接触网输电线路的故障点定位方法

Publications (1)

Publication Number Publication Date
CN113269678A true CN113269678A (zh) 2021-08-17

Family

ID=77236090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110714141.XA Pending CN113269678A (zh) 2021-06-25 2021-06-25 接触网输电线路的故障点定位方法

Country Status (1)

Country Link
CN (1) CN113269678A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993669A (zh) * 2022-04-20 2022-09-02 燕山大学 多传感器信息融合的传动系统故障诊断方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800795A (zh) * 2018-12-29 2019-05-24 广州市贺氏办公设备有限公司 一种果蔬识别方法及系统
CN110188807A (zh) * 2019-05-21 2019-08-30 重庆大学 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN111382766A (zh) * 2018-12-29 2020-07-07 中国科学院沈阳计算技术研究所有限公司 一种基于Faster R-CNN的设备故障检测方法
CN112001922A (zh) * 2020-10-29 2020-11-27 飞础科智慧科技(上海)有限公司 带电设备的缺陷诊断方法及设备
CN112241715A (zh) * 2020-10-23 2021-01-19 北京百度网讯科技有限公司 模型训练方法、表情识别方法、装置、设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109800795A (zh) * 2018-12-29 2019-05-24 广州市贺氏办公设备有限公司 一种果蔬识别方法及系统
CN111382766A (zh) * 2018-12-29 2020-07-07 中国科学院沈阳计算技术研究所有限公司 一种基于Faster R-CNN的设备故障检测方法
CN110188807A (zh) * 2019-05-21 2019-08-30 重庆大学 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法
CN112241715A (zh) * 2020-10-23 2021-01-19 北京百度网讯科技有限公司 模型训练方法、表情识别方法、装置、设备及存储介质
CN112001922A (zh) * 2020-10-29 2020-11-27 飞础科智慧科技(上海)有限公司 带电设备的缺陷诊断方法及设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
ABHINAV SHRIVASTAVA ET AL: "Training Region-based Object Detectors with Online Hard Example Mining", 《ARXIV:1604.03540V1》 *
NAVANEETH BODLA ET AL: "Improving Object DetectionWith One Line of Code", 《ARXIV:1704.04503V2》 *
施非等: "基于可变权重损失函数和难例挖掘模块的Faster R-CNN改进算法", 《计算机与现代化》 *
汪洋等: "《海洋智能无人系统技术》", 31 October 2020 *
董洪义: "《深度学习之PyTorch物体检测实战》", 31 January 2020 *
陈飞和章东平: "基于多尺度特征融合的Faster-RCNN道路目标检测", 《中国计量大学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114993669A (zh) * 2022-04-20 2022-09-02 燕山大学 多传感器信息融合的传动系统故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN110321910B (zh) 面向点云的特征提取方法、装置及设备
CN110991311B (zh) 一种基于密集连接深度网络的目标检测方法
CN111353413A (zh) 一种输电设备低漏报率缺陷识别方法
CN111222395A (zh) 目标检测方法、装置与电子设备
CN109492596B (zh) 一种基于K-means聚类和区域推荐网络的行人检测方法及系统
CN111291825A (zh) 病灶分类模型训练方法、装置、计算机设备和存储介质
CN112364721A (zh) 一种道面异物检测方法
CN115439694A (zh) 一种基于深度学习的高精度点云补全方法及装置
CN110443279B (zh) 一种基于轻量级神经网络的无人机图像车辆检测方法
CN113283485A (zh) 目标检测方法及其模型的训练方法和相关装置及介质
CN111126278A (zh) 针对少类别场景的目标检测模型优化与加速的方法
CN113706472B (zh) 公路路面病害检测方法、装置、设备及存储介质
CN110852327A (zh) 图像处理方法、装置、电子设备及存储介质
CN112101114B (zh) 一种视频目标检测方法、装置、设备以及存储介质
CN112395953A (zh) 一种道面异物检测系统
CN112380985A (zh) 变电站入侵异物实时检测方法
CN117495891B (zh) 点云边缘检测方法、装置和电子设备
JP7059889B2 (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
CN114639102A (zh) 基于关键点与尺寸回归的细胞分割方法和装置
CN113269678A (zh) 接触网输电线路的故障点定位方法
CN114445615A (zh) 基于尺度不变特征金字塔结构的旋转绝缘子目标检测方法
CN113689383A (zh) 一种图像处理方法、装置、设备及存储介质
CN112132207A (zh) 基于多分支特征映射目标检测神经网络构建方法
CN111144422A (zh) 一种飞机部件的定位识别方法和系统
CN111104965A (zh) 车辆目标识别的方法及装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210817

RJ01 Rejection of invention patent application after publication