CN115761644A - 基于深度学习和帧差法的输电导线异物检测方法 - Google Patents

Abstract

基于深度学习和帧差法的输电导线异物检测方法，包括：获得场景图像以及导线区域图像坐标；利用标注异物隐患的场景图像训练得到目标检测模型；裁剪得到标准场景图像；利用所述目标检测模型检测得到异物第一候选区域；利用帧差法得到差分图像作为异物第二候选区域；合并异物第一和第二候选区域；通过非极大值抑制算法去除冗余数据，输出异物检测区域；在参考场景图像中获取标准导线图像；提取第一、第二局部轮廓；利用皮尔森距离进行相似性度量，判定所述第一局部轮廓和第二局部轮廓的差异值是否满足预设条件；若满足，去除所述异物检测区域；若不满足，输出导线异物检测结果。本发明可以提高异物检测的检测精度。

Description

基于深度学习和帧差法的输电导线异物检测方法

技术领域

本发明属于输电线路智能运检领域，尤其涉及一种基于深度学习和帧差法的输电导线异物检测方法。

背景技术

输电线路作为我国重要的基础设施之一，其正常运行保证了各地区的正常电力供给。随着计算机计算性能的提高和数字图像处理技术的发展，基于图像处理的智能检测技术得到极大发展，已被逐渐应用于输电线路巡检领域。输电线路的异物附着是输电线路常见的隐患之一，是导致输电线路故障的重要原因，应及早发现输电线隐患，及时排除。输电线路上悬挂的异物会导致输电导线间的电气安全间距缩短，在极端情况下附着异物会导致输电线路互相放电，造成大范围重大停电事故。因此，对输电线路的异常情况采用基于图像处理的智能分析检测技术进行自动检测是非常必要的。

由于异物的形状、颜色没有统一规律，再加上其它环境因素的干扰使得异物的检测难度提升，又因为目前难以收集大量的隐患样本，基于深度学习的检测算法难以达到较高的精度，而传统的处理方法很难适应于复杂的场景变化，会产生大量的误报，反而影响运检效率，因此需要通过多元融合的方式提高综合检测能力。

中国专利申请（申请公布号CN114723678A）公开一种基于视频图像的高压电线异物检测方法及检测系统，检测两帧图像并进行交并比的衡量，但单纯依赖于模型识别，本身异物的特征不一且需要大量的样本数据，背景信息复杂，很难达到较好的识别效果。中国专利申请（申请公布号CN107742292A）公开一种高压输电线路上的异物巡检系统，通过对多帧图像进行差分处理，并根据形态学处理方式去除干扰，尽管引入了器件外径作为辅助参数，但对复杂的输电场景仍然避免不了背景信息的干扰，缺少鲁棒性。

本背景技术所公开的上述信息仅仅用于增加对本申请背景技术的理解，因此，其可能包括不构成本领域普通技术人员已知的现有技术。

发明内容

本发明针对现有技术中单纯依赖于模型识别，很难达到较好的识别效果，以及在应对复杂的输电场景时无法避免背景信息的干扰，缺少鲁棒性的问题，设计并提供一种基于深度学习和帧差法的输电导线异物检测方法。

为实现上述发明目的，本发明采用下述技术方案予以实现：

基于深度学习和帧差法的输电导线异物检测方法，包括以下步骤：

通过输电线路监拍设备拍摄输电线路视频，按帧抽取图像以获得场景图像以及场景图像中的导线区域图像坐标；

将获取的场景图像中的导线区域图像坐标存储入设备信息表中；

对所存储的场景图像进行异物隐患标注，将标注异物隐患的场景图像作为训练数据集；

采用训练数据集训练YOLO7检测模型得到目标检测模型；

将每一帧场景图像按照导线区域图像坐标进行裁剪得到标准场景图像；

利用所述目标检测模型检测第i帧标准场景图像，得到异物第一候选区域；

利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像，得到差分图像作为异物第二候选区域,其中k为自然数；

合并异物第一候选区域和异物第二候选区域；

通过非极大值抑制算法去除冗余数据，输出异物检测区域；

在参考场景图像中获取与所述异物检测区域对应的标准导线图像，所述参考场景图像为输电线路监拍设备拍摄的、不存在导线异物的标准场景图像；

提取所述异物检测区域的局部轮廓，作为第一局部轮廓；

提取所述标准导线图像的局部轮廓，作为第二局部轮廓；

利用皮尔森距离进行所述第一局部轮廓和第二局部轮廓的相似性度量，判定所述第一局部轮廓和第二局部轮廓的差异值是否满足预设条件；

在所述第一局部轮廓和第二局部轮廓的差异值满足预设条件时，去除所述异物检测区域；在所述第一局部轮廓和第二局部轮廓的差异值不满足预设条件时，输出导线异物检测结果。

在本申请一些可选的实施方式中，所述利用帧差法处理第i-k帧标准场景图像和i+k帧标准场景图像，得到差分图像作为异物第二候选区域的步骤包括：利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像得到差分图像；利用自适应二值化算法对所述差分图像进行阈值过滤得到二值化图像；利用腐蚀膨胀操作去除所述二值化图像中的噪点和背景干扰，得到前景轮廓；求解所述前景轮廓的最大内接矩形框；将所述最大内接矩形框作为异物第二候选区域。

在本申请一些可选的实施方式中，所述获取异物检测区域的标准导线图像的步骤包括：存储异物检测区域的坐标；根据所述异物检测区域坐标在参考场景图像中框选得到标准导线图像。

在本申请一些可选的实施方式中，所述提取异物检测区域的局部轮廓，作为第一局部轮廓的步骤包括：利用Canny算法提取所述异物检测区域的局部轮廓，作为第一局部轮廓。

在本申请一些可选的实施方式中，所述提取标准导线图像的局部轮廓，作为第二局部轮廓的步骤包括：利用Canny算法提取所述标准导线图像的局部轮廓，作为第二局部轮廓。

在本申请一些可选的实施方式中，在所述第一局部轮廓和第二局部轮廓的差异值小于设定阈值时，判定为差异值满足预设条件，所述设定阈值为0.2-0.3。

在本申请一些可选的实施方式中，获取输电线路监拍设备所在位置的天气参数；在满足天气参数符合干预参数的条件下，将执行基于深度学习和帧差法的输电导线异物检测方法的频率自设定频率提高至干预频率。

在本申请一些可选的实施方式中，存储设定周期内输出导线异物检测结果的次数；在满足天气参数不符合干预参数的条件且设定周期内输出导线异物检测结果的次数高于预设次数的条件下，保持执行基于深度学习和帧差法的输电导线异物检测方法的频率为干预频率。

在本申请一些可选的实施方式中，在满足天气参数不符合干预参数的条件且设定周期内输出导线异物检测结果的次数低于预设次数的条件下，将执行基于深度学习和帧差法的输电导线异物检测方法的频率自干预频率降低至设定频率。

在本申请一些可选的实施方式中，所述天气参数包括：风力等级、降雨概率和/或降雪概率。

与现有技术相比，本发明的优点和积极效果是：

本申请所提供的基于深度学习和帧差法的输电导线异物检测方法，采用目标检测模型和帧差法识别输电线路中的异线异物，并利用局部相似性度量减少无效告警，实现异线异物的精准识别，有效避免因异线异物隐患引起的输电线路事故，提高线路运检效率；利用异线异物的位置特性，裁剪导线局部区域进行检测，减少了背景信息冗余，提高了导线异物的检测精度。

结合附图阅读本发明的具体实施方式后，本发明的其他特点和优点将变得更加清楚。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。

图1为本申请一些实施方式中所提供的基于深度学习和帧差法的输电导线异物检测方法的流程图；

图2为场景图像的一个示例；

图3为导线区域图像的一个示例；

图4为异物第一候选区域的一个示例；

图5为异物第二候选区域的一个示例；

图6为异线异物检测结果的一个示例。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下将结合附图和实施例，对本发明作进一步详细说明。

需要说明的是，在本发明的描述中，术语“上”、“下”、“左”、“右”、“竖”、“横”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。

针对现有技术中单纯依赖于模型识别，很难达到较好的识别效果，以及在应对复杂的输电场景时，无法避免背景信息的干扰，缺少鲁棒性的问题，本申请的一些实施方式提供一种基于深度学习和帧差法的输电导线异物检测方法。基于深度学习和帧差法的输电导线异物检测方法包括如图1所示的多个步骤。

步骤S100：通过输电线路监拍设备拍摄输电线路视频，按帧抽取图像以获得场景图像以及场景图像中的导线区域图像坐标。在本申请一些可选的实施方式中，以一帧场景图像中的导线末端为图像边缘上的点构建的矩形图像为场景图像对应的导线区域图像，图2给出场景图像的一个示例；图3为导线区域图像的一个示例。

步骤S102：将获取的场景图像中的导线区域图像坐标存储入设备信息表中。

步骤S104：对所存储的场景图像进行异物隐患标注，将标注异物隐患的场景图像作为训练数据集。

步骤S106：采用训练数据集训练YOLO7检测模型得到目标检测模型。

YOLO7检测模型的训练过程可以选用现有技术中公开的算法，在此不再重复介绍。

步骤S108：将每一帧场景图像按照导线区域图像坐标进行裁剪得到标准场景图像。

步骤S110：利用目标检测模型检测第i帧标准场景图像，得到异物第一候选区域，图4中的矩形框选为异物第一候选区域的一个示例。

步骤S112：利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像，得到差分图像作为异物第二候选区域，其中k为自然数，图5中的矩形框选为异物第二候选区域的一个示例。

具体来说，利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像，得到差分图像具体包括：采集第i-k帧标准场景图像，对其进行灰度化处理；采集第i+k帧标准场景图像，对其进行灰度化处理；将灰度化处理后的两帧图像做差取绝对值，得到差分图像。

在本申请一些可选的实施方式中，利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像，得到差分图像作为异物第二候选区域还包括以下步骤：

在得到差分图像后，利用自适应二值化算法对差分图像进行阈值过滤得到二值化图像。

利用腐蚀膨胀操作去除二值化图像中的噪点和背景干扰，得到前景轮廓。

求解前景轮廓的最大内接矩形框。

将最大内接矩形框作为异物第二候选区域。

步骤S114：合并异物第一候选区域和异物第二候选区域。

步骤S116：通过非极大值抑制算法去除冗余数据，输出异物检测区域。

步骤S118：在参考场景图像中获取与异物检测区域对应的标准导线图像，参考场景图像为输电线路监拍设备拍摄的、不存在导线异物的标准场景图像。参考场景图像可以提前设定裁剪并存储入设备信息表中。

步骤S118具体包括，在输出异物检测区域之后，记录并存储异物检测区域的坐标，根据异物检测区域坐标在标准场景图像中框选得到标准导线图像。

步骤S120：提取异物检测区域的局部轮廓，作为第一局部轮廓。

步骤S120具体包括：利用Canny算法提取异物检测区域的局部轮廓，作为第一局部轮廓。

步骤S122：提取标准导线图像的局部轮廓，作为第二局部轮廓。

步骤S122具体包括：利用Canny算法提取标准导线图像的局部轮廓，作为第二局部轮廓。

步骤S124：利用皮尔森距离进行第一局部轮廓和第二局部轮廓的相似性度量，判定第一局部轮廓和第二局部轮廓的差异值是否满足预设条件。

步骤S126：在第一局部轮廓和第二局部轮廓的差异值满足预设条件时，去除异物检测区域。在第一局部轮廓和第二局部轮廓的差异值不满足预设条件时，输出导线异物检测结果。

步骤S126具体包括，在第一局部轮廓和第二局部轮廓的差异值小于设定阈值时，判定为第一局部轮廓和第二局部轮廓的差异值满足预设条件，去除异物检测区域；在第一局部轮廓和第二局部轮廓的差异值大于等于设定阈值时，判定为第一局部轮廓和第二局部轮廓额差异值不满足预设条件，输出导线异物检测结果。设定阈值可选的设为0.2至0.3。

本申请所提供的基于深度学习和帧差法的输电导线异物检测方法，采用目标检测模型和帧差法识别输电线路中的异线异物，并利用局部相似性度量减少无效告警，实现异线异物的精准识别，有效避免因异线异物隐患引起的输电线路事故，提高线路运检效率；利用异线异物的位置特性，裁剪导线局部区域进行检测，减少了背景信息冗余，提高了导线异物的检测精度。

在本申请一些可选的实施方式中，基于深度学习和帧差法的输电导线异物检测方法由可视化远程巡视系统实现。可视化远程巡视系统为计算机系统，也称主站系统，可以接入输电设备状态监测信息，并进行集中存储、同一处理和应用。输电线路监拍设备可以时视频监控设备，也可以是具有视频拍摄共嫩的图像监控设备，其可以采样杆塔、杆塔基础、导线、导地线、绝缘子串、接地装置和附属设施的视频。导线异物检测结果可以以图像的方式在可视化远程巡视系统上显示，图6中给出了一个示例。

在本申请一些可选的实施方式中，输电线路监拍设备由电池或者太阳能供电，为了增加输电线路监拍设备的待机时间，还特别设计有以下步骤：

获取输电线路监拍设备所在位置的天气参数。

在满足天气参数符合干预参数的条件下，将执行基于深度学习和帧差法的输电导线异物检测方法的频率自设定频率提高至干预频率。

天气参数可以通过远程通讯自互联网获得，也可以通过设置在输电线路监拍设备上的传感器获得，天气参数包括风力等级、降雨概率和/或降雪概率，对应的干预参数包括设定风力等级、设定降雨概率和设定降雪概率。在风力等级较高、降雨概率和降雪概率较高的条件下，导线异物出现的概率较高，在此种条件下，将执行上述实施方式所提供的检测方法的概率提高，提高检测精度。设定频率可以是一个较低的检测频率，例如以日为单位进行检测，干预频率则是一个较高的检测频率，例如设定为一日两次或多次，这样，在风险较低的情况下，可以以较低的频率执行检测方法，减少调用图像的次数，提高监拍设备的待机时间。

在本申请另一些可选的实施方式中，还可以根据异物是否已经得到清除调整检测方法的执行频率，具体来说：

存储设定周期内输出导线异物检测结果的次数。

在满足天气参数不符合干预参数的条件且设定周期内输出导线异物检测结果的次数高于预设次数的条件下，保持执行基于深度学习和帧差法的输电导线异物检测方法的频率为干预频率。

在天气参数好转，不符合干预参数的条件下，很可能导线上的异物尚未得到清除，例如轻质的塑料等材质发生了缠绕等情况，需要人工干预。因此，基于设定周期内输出导线异物检测结果的次数高于预设次数的判定结果，保持执行基于深度学习和帧差法的输电导线异物检测方法的频率为干预频率。设定周期可以设定为以日为单位，预设次数可以设定为1-2次。

在满足天气参数不符合干预参数的条件且设定周期内输出导线异物检测结果的次数低于预设次数的条件下，将执行基于深度学习和帧差法的输电导线异物检测方法的频率自干预频率降低至设定频率。当设定周期内输出导线异物检测结果的次数低于预设次数时，导线上的异物已得到清除，例如已在风力的作用下清除，此时可以以较低的频率执行检测方法，减少调用图像的次数，提高监拍设备的待机时间。

在上述实施方式中未详细描述的求解最大内接矩形框、非极大值抑制算法、Canny算法和皮尔森距离算法的算法本身均为现有技术中所公知的，例如可在OpenCV软件库中调用，不是本申请的保护重点，在此不再赘述。

以上实施例仅用以说明本发明的技术方案，而非对其进行限制；尽管参照前述实施例对本发明进行了详细的说明，对于本领域的普通技术人员来说，依然可以对前述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；而这些修改或替换，并不使相应技术方案的本质脱离本发明所要求保护的技术方案的精神和范围。

Claims (10)

1.基于深度学习和帧差法的输电导线异物检测方法，其特征在于，包括以下步骤：

通过输电线路监拍设备拍摄输电线路视频，按帧抽取图像以获得场景图像以及场景图像中的导线区域图像坐标；

将获取的场景图像中的导线区域图像坐标存储入设备信息表中；

对所存储的场景图像进行异物隐患标注，将标注异物隐患的场景图像作为训练数据集；

采用训练数据集训练YOLO7检测模型得到目标检测模型；

将每一帧场景图像按照导线区域图像坐标进行裁剪得到标准场景图像；

利用所述目标检测模型检测第i帧标准场景图像，得到异物第一候选区域；

利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像，得到差分图像作为异物第二候选区域,其中k为自然数；

合并异物第一候选区域和异物第二候选区域；

通过非极大值抑制算法去除冗余数据，输出异物检测区域；

在参考场景图像中获取与所述异物检测区域对应的标准导线图像，所述参考场景图像为输电线路监拍设备拍摄的、不存在导线异物的标准场景图像；

提取所述异物检测区域的局部轮廓，作为第一局部轮廓；

提取所述标准导线图像的局部轮廓，作为第二局部轮廓；

利用皮尔森距离进行所述第一局部轮廓和第二局部轮廓的相似性度量，判定所述第一局部轮廓和第二局部轮廓的差异值是否满足预设条件；

在所述第一局部轮廓和第二局部轮廓的差异值满足预设条件时，去除所述异物检测区域；在所述第一局部轮廓和第二局部轮廓的差异值不满足预设条件时，输出导线异物检测结果。

2.根据权利要求1所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

所述利用帧差法处理第i-k帧标准场景图像和i+k帧标准场景图像，得到差分图像作为异物第二候选区域的步骤包括：

利用帧差法处理第i-k帧标准场景图像和第i+k帧标准场景图像得到差分图像；

利用自适应二值化算法对所述差分图像进行阈值过滤得到二值化图像；

利用腐蚀膨胀操作去除所述二值化图像中的噪点和背景干扰，得到前景轮廓；

求解所述前景轮廓的最大内接矩形框；

将所述最大内接矩形框作为异物第二候选区域。

3.根据权利要求1所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

所述获取异物检测区域的标准导线图像的步骤包括：

存储异物检测区域的坐标；

根据所述异物检测区域坐标在参考场景图像中框选得到标准导线图像。

4.根据权利要求1所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

所述提取异物检测区域的局部轮廓，作为第一局部轮廓的步骤包括：

利用Canny算法提取所述异物检测区域的局部轮廓，作为第一局部轮廓。

5.根据权利要求1所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

所述提取标准导线图像的局部轮廓，作为第二局部轮廓的步骤包括：

利用Canny算法提取所述标准导线图像的局部轮廓，作为第二局部轮廓。

6.根据权利要求1所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

在所述第一局部轮廓和第二局部轮廓的差异值小于设定阈值时，判定为差异值满足预设条件，所述设定阈值为0.2-0.3。

7.根据权利要求1至6任一项所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

获取输电线路监拍设备所在位置的天气参数；

在满足天气参数符合干预参数的条件下，将执行基于深度学习和帧差法的输电导线异物检测方法的频率自设定频率提高至干预频率。

8.根据权利要求7所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

存储设定周期内输出导线异物检测结果的次数；

在满足天气参数不符合干预参数的条件且设定周期内输出导线异物检测结果的次数高于预设次数的条件下，保持执行基于深度学习和帧差法的输电导线异物检测方法的频率为干预频率。

9.根据权利要求8所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

在满足天气参数不符合干预参数的条件且设定周期内输出导线异物检测结果的次数低于预设次数的条件下，将执行基于深度学习和帧差法的输电导线异物检测方法的频率自干预频率降低至设定频率。

10.根据权利要求7所述的基于深度学习和帧差法的输电导线异物检测方法，其特征在于：

所述天气参数包括：风力等级、降雨概率和/或降雪概率。

Images