CN115937079A - 一种基于YOLO v3的输电线路缺陷快速检测方法 - Google Patents
一种基于YOLO v3的输电线路缺陷快速检测方法 Download PDFInfo
- Publication number
- CN115937079A CN115937079A CN202211194257.6A CN202211194257A CN115937079A CN 115937079 A CN115937079 A CN 115937079A CN 202211194257 A CN202211194257 A CN 202211194257A CN 115937079 A CN115937079 A CN 115937079A
- Authority
- CN
- China
- Prior art keywords
- defect
- transmission line
- yolo
- power transmission
- 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
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Electric Cable Installation (AREA)
Abstract
本发明属于电力视觉的技术领域,公开了一种基于YOLO v3的输电线路缺陷快速检测方法,包括:基于输电线路常见缺陷图构建巡检图像缺陷检测模型;基于现有巡检图像数据构建巡检图像样本库;通过所述图像样本库对所述图像缺陷检测模型进行训练,并对识别效果进行评估。本发明可用于无人机巡检时满足输电线路巡检视频的自动缺陷识别的需求,实现输电线路设备异常状态的自动检测与识别,这对于提升电网智能化具有重要意义。
Description
技术领域
本发明涉及电力视觉的技术领域,尤其涉及一种基于YOLO v3的输电线路缺陷快速检测方法。
背景技术
近年来,电网规模正在逐渐扩大,针对巡线工作付出的人力和财力成本也随之提升。最重要的是,人工巡检存在一定的危险性。因此,国家电网、南方电网以及全国各个电力研究机构目前都致力于无人机电力智能巡检的研究。该研究主要包含如下几个方面:(1)无人机飞行控制技术即其飞行的路径规划问题;(2)针对输电线路巡检的航拍图像的目标检测及故障识别和图像重构等相关图像处理技术。采用无人机智能巡检技术可以降低人为操作的成本,能够节约大量的人力物力,具有高效率,适应强的优势。并且只需要针对采集到的输电线路的图像和视频进行处理,即可达到巡检的目的,大大的降低了人工巡检工作的难度和危险性,具有非常广阔的应用前景。除此之外,智能巡检技术发展,也是电网智能化进程的重要一环。基于深度学习与各种智能算法的缺陷和故障识别技术能同时对结构化和非结构化同时进行高效的分析。这对加速实现输电设备出现异常的智能化检测与识别,以及提升整个电网系统的智能化都有着深远的影响。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术中人工巡检成本高,无人机巡检技术不成熟的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于YOLO v3的输电线路缺陷快速检测方法,包括:
基于输电线路常见缺陷图构建巡检图像缺陷检测模型;
基于现有巡检图像数据构建巡检图像样本库;
通过所述图像样本库对所述图像缺陷检测模型进行训练,并对识别效果进行评估。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:对图像缺陷检测模型初始化,包括:
对所有图像数据进行一个统一的预处理,即划分统一大小,并统一划分为 S×S个区域,使图像数据适用于模型的输入,以及特征提取。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:基于卷积神经网络对巡检图像多尺度进行特征提取,包括:
通过多个卷积层提取图片缺陷特征;
所述缺陷特征包括,架空线路缺陷、杆塔缺陷、绝缘子缺陷和金具缺陷。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:基于逻辑回归的缺陷类型进行位置预测,包括:
定义一个设备缺陷特征的检测区域,当图像数据输入后落入所述检测区域后,则把所述检测区域作为预测相应设备缺陷的专用区域;
经过多次预测后,基于回归算法对所述专用区域的中心位置和大小进行适当调整。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:基于非极大值抑制的重复检测目标消除,包括:
采用极大值抑制以去除重复的选框,最终预测得到巡检图片中实际包含的电力设备缺陷类型及位置。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:所述巡检图像样本库,包括:
基于无人机智能巡检图像构成一个训练样本库,将所述样本库的图像按照训练集和测试集为4:1的比例进行划分,并采用并采用Pascal VOC的标准方式进行标注;
针对输电线路的常见缺陷构建一个缺陷样本库。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:利用聚类算法得到缺陷的先验尺寸,包括:
针对电力设备的缺陷大小,运用K聚类算法获得9个聚类中心,将其作为所述检测模型的先验锚框的尺寸。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:构建所述检测模型的三维尺度损失函数,包括:
分别计算所述检测模型的坐标损失函数、类别损失函数和置信度损失函数,通过叠加三个函数获得整个检测模型的损失函数。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:评估训练后的所述检测模型,包括:
对缺陷样本进行分析,获得包含的故障类型与对应的数量。
作为本发明所述的基于YOLO v3的输电线路缺陷快速检测方法的一种优选方案,其中:分析所述检测模型的识别结果,包括:
采用查全率、平均精度、查准率三个指标来进行评估,最终采用交并比来分析模型的识别效果,当大于0.5时认为识别结果为准确。
本发明的有益效果:本发明提供的一种基于YOLO v3的输电线路缺陷快速检测方法,通过构建缺陷检测模型以及通过样本库对检测模型进行训练,使其达到更好的检测效果。本发明可用于无人机巡检时满足输电线路巡检视频的自动缺陷识别的需求,实现输电线路设备异常状态的自动检测与识别,这对于提升电网智能化具有重要意义。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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它的附图。其中:
图1为本发明一个实施例所述的基于YOLO v3的输电线路缺陷快速检测方法的整体框架图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的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、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,该实施例提供了一种基于YOLO v3 的输电线路缺陷快速检测方法,包括:
S1:基于输电线路常见缺陷图构建巡检图像缺陷检测模型;
更进一步的,对图像缺陷检测模型初始化,包括对所有图像数据进行一个统一的预处理,即划分统一大小,并统一划分为S×S个区域,使图像数据适用于模型的输入,以及特征提取。
更进一步的,基于卷积神经网络对巡检图像多尺度进行特征提取,包括通过多个卷积层提取图片缺陷特征;
应说明的是,缺陷特征包括,架空线路缺陷、杆塔缺陷、绝缘子缺陷和金具缺陷。
更进一步的,基于逻辑回归的缺陷类型进行位置预测,包括定义一个设备缺陷特征的检测区域,当图像数据输入后落入检测区域后,则把检测区域作为预测相应设备缺陷的专用区域;
经过多次预测后,基于回归算法对专用区域的中心位置和大小进行适当调整。
更进一步的,基于非极大值抑制的重复检测目标消除,包括采用极大值抑制以去除重复的选框,最终预测得到巡检图片中实际包含的电力设备缺陷类型及位置。
S2:基于现有巡检图像数据构建巡检图像样本库;
更进一步的,巡检图像样本库,包括基于无人机智能巡检图像构成一个训练样本库,将样本库的图像按照训练集和测试集为4:1的比例进行划分,并采用并采用Pascal VOC的标准方式进行标注;
针对输电线路的常见缺陷构建一个缺陷样本库。
更进一步的,利用聚类算法得到缺陷的先验尺寸,包括针对电力设备的缺陷大小,运用K聚类算法获得9个聚类中心,将其作为检测模型的先验锚框的尺寸。
更进一步的,构建检测模型的三维尺度损失函数,包括分别计算检测模型的坐标损失函数、类别损失函数和置信度损失函数,通过叠加三个函数获得整个检测模型的损失函数。
S3:通过所述图像样本库对所述图像缺陷检测模型进行训练,并对识别效果进行评估。
更进一步的,评估训练后的检测模型,包括对缺陷样本进行分析,获得包含的故障类型与对应的数量。
更进一步的,分析检测模型的识别结果,包括采用查全率、平均精度、查准率三个指标来进行评估,最终采用交并比来分析模型的识别效果,当大于0.5 时认为识别结果为准确。
实施例2
参照图1,为本发明的一个实施例,提供了一种一种基于YOLO v3的输电线路缺陷快速检测方法,为了验证本发明的有益效果,通过对比试验进行科学论证。
本实施例基于YOLO算法在输电线路巡检图像数据集上进行仿真试验,并SSD、Faster RCNN和未改进的YOLO v3的算法进行性能比较,验证改进 YOLO算法在输电线路巡检应用的优势。
本实施例样本集中四类故障所占的比例分别为33.29%、25.69%、21.90%、19.12%;测试集中,四类故障所占的比例分别为32.29%、27.27%、23.10%、17.34%,具体的缺陷样本以及各个模型算法的效果对比如下表所示。
表1缺陷样本分析示意
训练集 | 测试集 | |
金具 | 2496 | 611 |
杆塔 | 1926 | 516 |
绝缘子 | 1642 | 437 |
导地线 | 1434 | 328 |
总计 | 7498 | 1892 |
表2涉及各个模型算法的效果对比
由表2可知,本发明的改进后的YOLO v3输电线路缺陷快速检测方法相较于传统技术都有着很大的优势,对于提升电网智能化具有重要意义。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种基于YOLO v3的输电线路缺陷快速检测方法,其特征在于,包括:
基于输电线路常见缺陷图构建巡检图像缺陷检测模型;
基于现有巡检图像数据构建巡检图像样本库;
通过所述图像样本库对所述图像缺陷检测模型进行训练,并对识别效果进行评估。
2.如权利要求1所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:对图像缺陷检测模型初始化,包括:
对所有图像数据进行一个统一的预处理,即划分统一大小,并统一划分为S×S个区域,使图像数据适用于模型的输入,以及特征提取。
3.如权利要求2所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:基于卷积神经网络对巡检图像多尺度进行特征提取,包括:
通过多个卷积层提取图片缺陷特征。
4.如权利要求3所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:基于逻辑回归的缺陷类型进行位置预测,包括:
定义一个设备缺陷特征的检测区域,当图像数据输入后落入所述检测区域后,则把所述检测区域作为预测相应设备缺陷的专用区域;
经过多次预测后,基于回归算法对所述专用区域的中心位置和大小进行适当调整。
5.如权利要求4所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:基于非极大值抑制的重复检测目标消除,包括:
采用极大值抑制以去除重复的选框,最终预测得到巡检图片中实际包含的电力设备缺陷类型及位置。
6.如权利要求1所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:所述巡检图像样本库,包括:
基于无人机智能巡检图像构成一个训练样本库,将所述样本库的图像按照训练集和测试集为4:1的比例进行划分,并采用标准方式进行标注;
针对输电线路的常见缺陷构建一个缺陷样本库。
7.如权利要求6所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:利用聚类算法得到缺陷的先验尺寸,包括:
针对电力设备的缺陷大小,运用K聚类算法获得9个聚类中心,将其作为所述检测模型的先验锚框的尺寸。
8.如权利要求7所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:构建所述检测模型的三维尺度损失函数,包括:
分别计算所述检测模型的坐标损失函数、类别损失函数和置信度损失函数,通过叠加三个函数获得整个检测模型的损失函数。
9.如权利要求8所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:评估训练后的所述检测模型,包括:
对缺陷样本进行分析,获得包含的故障类型与对应的数量。
10.如权利要求8所述的基于YOLO v3的输电线路缺陷快速检测方法,其特征在于:分析所述检测模型的识别结果,包括:
采用查全率、平均精度、查准率三个指标来进行评估,最终采用交并比来分析模型的识别效果,当大于0.5时认为识别结果为准确。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194257.6A CN115937079A (zh) | 2022-09-28 | 2022-09-28 | 一种基于YOLO v3的输电线路缺陷快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211194257.6A CN115937079A (zh) | 2022-09-28 | 2022-09-28 | 一种基于YOLO v3的输电线路缺陷快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115937079A true CN115937079A (zh) | 2023-04-07 |
Family
ID=86649655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211194257.6A Pending CN115937079A (zh) | 2022-09-28 | 2022-09-28 | 一种基于YOLO v3的输电线路缺陷快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115937079A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309564A (zh) * | 2023-05-17 | 2023-06-23 | 厦门微图软件科技有限公司 | 基于人工智能图像识别的电芯外观缺陷检测方法及系统 |
-
2022
- 2022-09-28 CN CN202211194257.6A patent/CN115937079A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116309564A (zh) * | 2023-05-17 | 2023-06-23 | 厦门微图软件科技有限公司 | 基于人工智能图像识别的电芯外观缺陷检测方法及系统 |
CN116309564B (zh) * | 2023-05-17 | 2023-08-11 | 厦门微图软件科技有限公司 | 基于人工智能图像识别的电芯外观缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413B (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN112183667B (zh) | 一种协同深度学习的绝缘子故障检测方法 | |
CN111797890A (zh) | 一种用于检测输电线路设备缺陷的方法及系统 | |
CN110826684B (zh) | 卷积神经网络的压缩方法、装置、电子设备和介质 | |
CN111754498A (zh) | 一种基于YOLOv3的传送带托辊检测方法 | |
CN110838112A (zh) | 一种基于霍夫变换和YOLOv3网络的绝缘子缺损检测方法 | |
CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及系统 | |
CN112070134A (zh) | 电力设备图像分类方法、装置、电力设备及存储介质 | |
CN115187527A (zh) | 一种多源混合型特高频局部放电图谱的分离识别方法 | |
CN116612098B (zh) | 一种基于图像处理的绝缘子rtv喷涂质量评价方法和装置 | |
CN111079645A (zh) | 一种基于AlexNet网络的绝缘子自爆识别方法 | |
CN112419268A (zh) | 一种输电线路图像缺陷检测方法、装置、设备及介质 | |
CN110910360A (zh) | 电网图像的定位方法和图像定位模型的训练方法 | |
CN112070720A (zh) | 一种基于深度学习模型的变电站设备缺陷识别方法 | |
CN115937079A (zh) | 一种基于YOLO v3的输电线路缺陷快速检测方法 | |
Xu et al. | Detection method of insulator based on single shot multibox detector | |
CN111598854A (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
CN114897858A (zh) | 一种基于深度学习的快速绝缘子缺陷检测方法及其系统 | |
CN114663393A (zh) | 一种基于卷积神经网络的光伏组件间距不良缺陷检测方法 | |
Chen et al. | Improved YOLOv5s model for key components detection of power transmission lines. | |
CN113536944A (zh) | 基于图像识别的配电线路巡检数据识别及分析方法 | |
CN116204846B (zh) | 一种基于可见图的配电网传感器数据异常快速定位方法 | |
CN117350964A (zh) | 一种基于跨模态多层次特征融合的电力设备检测方法 | |
CN116385950A (zh) | 一种小样本条件下电力线路隐患目标检测方法 | |
CN115100546A (zh) | 一种基于mobilenet的电力设备小目标缺陷识别方法及系统 |
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 |