CN116152258A - 一种输电线路绝缘子缺陷检测方法、装置、设备及介质 - Google Patents

一种输电线路绝缘子缺陷检测方法、装置、设备及介质 Download PDF

Info

Publication number
CN116152258A
CN116152258A CN202310437250.0A CN202310437250A CN116152258A CN 116152258 A CN116152258 A CN 116152258A CN 202310437250 A CN202310437250 A CN 202310437250A CN 116152258 A CN116152258 A CN 116152258A
Authority
CN
China
Prior art keywords
insulator
trained
sample image
image
defect
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
Application number
CN202310437250.0A
Other languages
English (en)
Other versions
CN116152258B (zh
Inventor
许书平
罗向源
曾懿辉
杨毅
黄丰
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.)
Foshan Power Supply Bureau of Guangdong Power Grid Corp
Original Assignee
Foshan Power Supply Bureau of Guangdong Power Grid Corp
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 Foshan Power Supply Bureau of Guangdong Power Grid Corp filed Critical Foshan Power Supply Bureau of Guangdong Power Grid Corp
Priority to CN202310437250.0A priority Critical patent/CN116152258B/zh
Publication of CN116152258A publication Critical patent/CN116152258A/zh
Application granted granted Critical
Publication of CN116152258B publication Critical patent/CN116152258B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T2207/20112—Image segmentation details
    • G06T2207/20132—Image cropping
    • 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

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

Abstract

本发明涉及电网线路检测技术领域，公开了一种输电线路绝缘子缺陷检测方法、装置、设备及介质，其方法通过对绝缘子原始图像进行预处理，并特征筛选出特征明显的绝缘子样本图像，还对预训练的绝缘子样本图像分块处理和数据增强，构建绝缘子样本图像增强数据集，采用CVAT标注工具对绝缘子样本图像增强数据集进行目标标注，构建绝缘子样本训练数据集，采用绝缘子样本训练数据集进行训练，将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，构建单阶段FoveaBox网络目标检测模型进行数据训练，训练后的模型对待检测绝缘子进行缺陷检测，从而提高输电线路绝缘子缺陷检测方法的检测准确率。

Description

一种输电线路绝缘子缺陷检测方法、装置、设备及介质
技术领域
本发明涉及电网线路检测技术领域，尤其涉及一种输电线路绝缘子缺陷检测方法、装置、设备及介质。
背景技术
输电线路是能源电力可持续发展的重要环节,起着传输电能的作用，输电线路铁塔绝缘子设备进行维护、检修及测试已是必然。
玻璃绝缘子的主要功能是牢固地支持和固定载流导体，将载流导体与地之间形成良好的绝缘。安装在导体或导体与接地构件的能承受电压和机械应力的装置。在架空输电线路中起着支撑导线和防止电流返回地面的重要作用。
雷电冲击引起的闪络局部过热导致绝缘玻璃体爆裂，是户外运行的绝缘子时常发生的情况，绝缘子长期在强电场及机械负荷下，容易发生掉串，自爆，掉块等缺陷。绝缘子发生自爆缺失会影响整串绝缘子的性能。按广东电网公司目标要求，主要城市客户全年平均停电少于1小时，实现重要客户零错峰。需要保持输电线路稳定运行，确保输电杆塔稳定运行，绝缘子缺失掉串等多重故障，对电网安全构成严重威胁。
当正常绝缘子串出现某一绝缘子缺失的情况时，该绝缘子串会出现明显缺口，缺口长度约为平均绝缘子宽度的两倍。在航拍输电线路图像中，绝缘子缺失串部位存在体积过小，光线过暗，给绝缘子缺陷识别带来困难，这也导致传统的输电线路绝缘子缺陷检测方法的准确率较低。
发明内容
本发明提供了一种输电线路绝缘子缺陷检测方法、装置、设备及介质，解决了传统的输电线路绝缘子缺陷检测方法的准确率较低的技术问题。
有鉴于此，本发明第一方面提供了一种输电线路绝缘子缺陷检测方法，包括以下步骤：
获取绝缘子原始图像，并对所述绝缘子原始图像进行预处理；
对预处理后的绝缘子原始图像进行裁剪为多个相同尺寸的绝缘子小样本图像；
对多个所述绝缘子小样本图像进行特征筛选，得到预训练的绝缘子样本图像；
对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集；
采用CVAT标注工具对所述绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注，并添加目标边界框和缺陷类别标签，得到标注后的绝缘子样本图像，并构建绝缘子样本训练数据集；
构建卷积网络目标检测器，采用所述绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型；
将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，优化网络参数，构建单阶段FoveaBox网络目标检测模型；
将所述绝缘子样本训练数据集对所述单阶段FoveaBox网络目标检测模型进行知识蒸馏训练，得到训练好的单阶段FoveaBox网络目标检测模型；
通过训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，得到相应的缺陷检测结果。
优选地，获取绝缘子原始图像，并对所述绝缘子原始图像进行预处理的步骤具体包括：
获取绝缘子原始图像；
利用sobel边缘算子对所述绝缘子原始图像进行边缘检测，剔除边缘冗余信息，得到高分辨率的绝缘子图像；
对所述高分辨率的绝缘子图像进行锐化滤波；
对锐化滤波后的绝缘子图像进行数据扩容。
优选地，对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集的步骤具体包括：
对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，其中，每个绝缘子样本图像块至少包含一个特征点；
对每个绝缘子样本图像块进行数据增强，所述数据增强的方式包括水平翻转、垂直翻转、移位操作、图片翻转、随机裁剪、变形缩放、颜色变换和叠加高斯噪声。
优选地，本方法还包括：
通过下式进行权重分配为：
Figure SMS_1
；
式中，
Figure SMS_4
为常数值，/>
Figure SMS_5
为绝缘子样本数据，/>
Figure SMS_6
对应的单阶段网络特征的权重，/>
Figure SMS_7
为预测样本数据属于绝缘子的缺陷类别标签为1的类别概率，/>
Figure SMS_8
表示绝缘子样本数据/>
Figure SMS_9
实际属于类别标签1的概率，/>
Figure SMS_10
表示绝缘子样本数据/>
Figure SMS_2
实际属于类别标签0的概率值，/>
Figure SMS_3
为调制系数。
优选地，本方法还包括：
采用绝缘子样本图像测试数据集对所述训练好的单阶段FoveaBox网络目标检测模型进行训练，得到测试结果，并计算测试准确率；
将所述测试准确率与预设的准确率进行比较，若所述测试准确率小于所述预设的准确率，则迭代计算所述训练好的单阶段FoveaBox网络目标检测模型的网络参数直至所述测试准确率为所述预设的准确率以上。
第二方面，本发明还提供了一种输电线路绝缘子缺陷检测装置，包括：
预处理模块，用于获取绝缘子原始图像，并对所述绝缘子原始图像进行预处理；
裁剪模块，用于对预处理后的绝缘子原始图像进行裁剪为多个相同尺寸的绝缘子小样本图像；
特征筛选模块，用于对多个所述绝缘子小样本图像进行特征筛选，得到预训练的绝缘子样本图像；
数据增强模块，用于对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集；
标注模块，用于采用CVAT标注工具对所述绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注，并添加目标边界框和缺陷类别标签，得到标注后的绝缘子样本图像，并构建绝缘子样本训练数据集；
卷积训练模块，用于构建卷积网络目标检测器，采用所述绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型；
预测框融合模块，用于将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，优化网络参数，构建单阶段FoveaBox网络目标检测模型；
知识蒸馏训练模块，用于将所述绝缘子样本训练数据集对所述单阶段FoveaBox网络目标检测模型进行知识蒸馏训练，得到训练好的单阶段FoveaBox网络目标检测模型；
缺陷检测模块，用于通过训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，得到相应的缺陷检测结果。
第三方面，本发明提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上述第一方面的方法。
第四方面，本发明还提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如上述第一方面的方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过对绝缘子原始图像进行预处理，并裁剪为多个相同尺寸的绝缘子小样本图像，对多个绝缘子小样本图像进行特征筛选，筛选出特征明显的绝缘子样本图像，还对预训练的绝缘子样本图像分块处理和数据增强，构建绝缘子样本图像增强数据集，采用CVAT标注工具对绝缘子样本图像增强数据集进行目标标注，构建绝缘子样本训练数据集，采用绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型，将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，构建单阶段FoveaBox网络目标检测模型进行数据训练，得到训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，从而提高输电线路绝缘子缺陷检测方法的检测准确率。
附图说明
图1为本发明实施例提供的一种输电线路绝缘子缺陷检测方法的流程图；
图2为本发明实施例提供的一种输电线路绝缘子缺陷检测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术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，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明提供的一种输电线路绝缘子缺陷检测方法，包括以下步骤：
S1、获取绝缘子原始图像，并对绝缘子原始图像进行预处理。
在一个示例中，利用电力巡检的无人机航拍输电杆塔的绝缘子串部件，获得绝缘子原始图像。
S2、对预处理后的绝缘子原始图像进行裁剪为多个相同尺寸的绝缘子小样本图像。
在一个示例中，对绝缘子原始图像进行尺寸裁剪，裁成
Figure SMS_11
的尺寸大小，容量压缩为50kB以内。
S3、对多个绝缘子小样本图像进行特征筛选，得到预训练的绝缘子样本图像。
其中，对多个绝缘子小样本图像进行特征筛选，其是对具有绝缘子特征的小样本图像进行筛选，其可以通过卷积网络提取特征并筛选。
S4、对预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集。
其中，对预训练的绝缘子样本图像分块处理，可以选出缺失特征明显的分块图像。
S5、采用CVAT标注工具对绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注，并添加目标边界框和缺陷类别标签，得到标注后的绝缘子样本图像，并构建绝缘子样本训练数据集。
其中，CVAT（Computer Vision Annotation Tool）标注工具是一种用于注释数字图像和视频的开源工具。该应用程序的主要功能是为用户提供方便的注释工具。
可以理解的是，采用CVAT标注工具对绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注后，可以对缺陷类别进行分类，并添加对应的缺陷类别标签，通过边界框标注缺陷目标，标出缺失部件的坐标位置以及框的面积范围，使后续模型自动进行标注，标注目标误差小且准确性高。
S6、构建卷积网络目标检测器，采用绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型。
其中，绝缘子样本训练数据集送入卷积网络目标检测器进行模型训练，图像划分为n个输入向量，记为
Figure SMS_12
，在卷积网络中进行卷积操作：/>
Figure SMS_13
；
式中，
Figure SMS_14
为模型权重值，/>
Figure SMS_15
为相应模型训练时间序列。
卷积过后的特征值进行归一化处理，归一化作用是去除干扰，防止数值过小的特征被淹没，保证数据的有限性。
S7、将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，优化网络参数，构建单阶段FoveaBox网络目标检测模型；
其中，是将训练好的绝缘子缺陷目标检测模型的预测框头部进行改造，使用可变形的卷积网络，FPN 特征经过这层可变形的网络，生成垂直的特征分块。也即将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，其中，通过下式进行权重分配为：
Figure SMS_16
；
式中，
Figure SMS_18
为常数值，/>
Figure SMS_20
为绝缘子样本数据，/>
Figure SMS_21
对应的单阶段网络特征的权重，/>
Figure SMS_22
为预测样本数据属于绝缘子的缺陷类别标签为1的类别概率，/>
Figure SMS_23
表示绝缘子样本数据/>
Figure SMS_24
实际属于类别标签1的概率，/>
Figure SMS_25
表示绝缘子样本数据/>
Figure SMS_17
实际属于类别标签0的概率值，/>
Figure SMS_19
为调制系数。
S8、将绝缘子样本训练数据集对单阶段FoveaBox网络目标检测模型进行知识蒸馏训练，得到训练好的单阶段FoveaBox网络目标检测模型。
其中，知识蒸馏是将知识从一个复杂模型(Teacher)迁移到另一个轻量级模型(Student)上的方式来实现模型压缩，也即使用Teacher模型来训练Student模型。在训练出一个效果良好的Student模型后，这个Student模型就可以被用于实际部署了。
其中，单阶段FoveaBox目标检测模型 (Beyond Anchor-based ObjectDetector)：超越基于锚点的对象检测器，一种神经网络目标检测单阶段模型结构。模型引入了可调节的正负样本衰减机制增强了训练过程中正负样本之间的判别度从而避免重叠区域语义交叠的影响。单阶段卷积目标检测模型并非直接预测中心点与边界框各边的距离，而是从数据中学习所预测中心点与边界框各边的映射关系从而实现了更强的鲁棒性。
模型预测框重合比为：
Figure SMS_26
；
Figure SMS_27
用来衡量预测框与实际检测边界框重叠程度，/>
Figure SMS_28
表示真实标注的边界框集合，/>
Figure SMS_29
表示实际检测出来预测框的集合。
Figure SMS_30
表示第/>
Figure SMS_31
个真实标注框，/>
Figure SMS_32
表示第/>
Figure SMS_33
个检测出来的预测框。
同时，还设置服务器每隔半小时，保存一个检测结果值，若发生掉电中段或服务器故障，重启找到最近的中断点，然后继续训练下去。
S9、通过训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，得到相应的缺陷检测结果。
需要说明的是，本发明通过对绝缘子原始图像进行预处理，并裁剪为多个相同尺寸的绝缘子小样本图像，对多个绝缘子小样本图像进行特征筛选，筛选出特征明显的绝缘子样本图像，还对预训练的绝缘子样本图像分块处理和数据增强，构建绝缘子样本图像增强数据集，采用CVAT标注工具对绝缘子样本图像增强数据集进行目标标注，构建绝缘子样本训练数据集，采用绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型，将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，构建单阶段FoveaBox网络目标检测模型进行数据训练，得到训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，从而提高输电线路绝缘子缺陷检测方法的检测准确率。
在一个具体实施例中，步骤S1具体包括：
S101、获取绝缘子原始图像；
S102、利用sobel边缘算子对绝缘子原始图像进行边缘检测，剔除边缘冗余信息，得到高分辨率的绝缘子图像。
其中，sobel边缘算子为索贝尔算子，索贝尔算子主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差，在边缘处达到极值从而检测边缘。
其中，利用sobel边缘算子对绝缘子原始图像进行预处理，剔除边缘冗余的信息，按特定的需要突出一幅图像某些信息，同时削弱或去除某些不需要的信息，有目的强调整体或局部特性，将原来不清晰的图像变得清晰或强调某些感兴趣的特征。
具体地，是将图像中
Figure SMS_34
轴的像素值记为/>
Figure SMS_35
，/>
Figure SMS_36
轴的像素值记为
Figure SMS_37
。
一阶差分偏导计算梯度值和方向，
Figure SMS_38
近似计算一阶差分，通过sobel边缘算子计算/>
Figure SMS_39
，对梯度值不是极大值的地方进行抑制。把不是极值的点，全部置0，从而去掉大部分弱的边缘，使得边缘更加明显凸出。
S103、对高分辨率的绝缘子图像进行锐化滤波。
其中，通过对经过边缘算子处理的图像，再经过线性锐化滤波器进行过渡锐化，锐化滤波器提取出的边缘信息进行二次过滤，筛选过滤出来到图像信息接着进行标注。
二阶锐化偏微分的方法实现航拍的输电线路玻璃绝缘子的锐化处理，图像中
Figure SMS_40
轴的像素值，记为/>
Figure SMS_41
，/>
Figure SMS_42
。
Figure SMS_43
，/>
Figure SMS_44
图像中/>
Figure SMS_45
轴，/>
Figure SMS_46
轴像素值，则在/>
Figure SMS_47
轴，/>
Figure SMS_48
轴方向的偏微分/>
Figure SMS_49
为：
Figure SMS_50
（1）
通过锐化处理，使玻璃绝缘子的轮廓特征凸显，更易于系统检测。
S104、对锐化滤波后的绝缘子图像进行数据扩容。
在一个具体实施例中，步骤S4具体包括：
S401、对预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，其中，每个绝缘子样本图像块至少包含一个特征点；
S402、对每个绝缘子样本图像块进行数据增强，数据增强的方式包括水平翻转、垂直翻转、移位操作、图片翻转、随机裁剪、变形缩放、颜色变换和叠加高斯噪声。
其中，对筛选出的小样本图像数据，其中模糊、遮挡的开口销图像，记为
Figure SMS_51
，分块处理后的绝缘子样本图像块记为/>
Figure SMS_52
，分块处理，/>
Figure SMS_53
为不同图像块的特征点。
分块后的绝缘子样本图像块进行无监督和有监督的数据增强，通过水平翻转、垂直翻转、移位操作、图片翻转、随机裁剪、变形缩放、颜色变换和叠加高斯噪声，使得卷积神经网络可以看到任何角落。
在一个具体实施例中，本方法还包括：
S10、采用绝缘子样本图像测试数据集对训练好的单阶段FoveaBox网络目标检测模型进行训练，得到测试结果，并计算测试准确率；
S11、将测试准确率与预设的准确率进行比较，若测试准确率小于预设的准确率，则迭代计算训练好的单阶段FoveaBox网络目标检测模型的网络参数直至测试准确率为预设的准确率以上。
以上为本发明提供的一种输电线路绝缘子缺陷检测方法的实施例的详细描述，以下为本发明提供的一种输电线路绝缘子缺陷检测系统的实施例的详细描述。
为了便于理解，请参阅图2，本发明提供的一种输电线路绝缘子缺陷检测装置，包括：
预处理模块100，用于获取绝缘子原始图像，并对绝缘子原始图像进行预处理；
裁剪模块200，用于对预处理后的绝缘子原始图像进行裁剪为多个相同尺寸的绝缘子小样本图像；
特征筛选模块300，用于对多个绝缘子小样本图像进行特征筛选，得到预训练的绝缘子样本图像；
数据增强模块400，用于对预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集；
标注模块500，用于采用CVAT标注工具对绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注，并添加目标边界框和缺陷类别标签，得到标注后的绝缘子样本图像，并构建绝缘子样本训练数据集；
卷积训练模块600，用于构建卷积网络目标检测器，采用绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型；
预测框融合模块700，用于将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，优化网络参数，构建单阶段FoveaBox网络目标检测模型；
知识蒸馏训练模块800，用于将绝缘子样本训练数据集对单阶段FoveaBox网络目标检测模型进行知识蒸馏训练，得到训练好的单阶段FoveaBox网络目标检测模型；
缺陷检测模块900，用于通过训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，得到相应的缺陷检测结果。
在一个具体实施例中，预处理模块具体包括：
图像获取模块，用于获取绝缘子原始图像；
边缘检测模块，用于利用sobel边缘算子对绝缘子原始图像进行边缘检测，剔除边缘冗余信息，得到高分辨率的绝缘子图像；
锐化滤波模块，用于对高分辨率的绝缘子图像进行锐化滤波；
数据扩容模块，用于对锐化滤波后的绝缘子图像进行数据扩容。
在一个具体实施例中，数据增强模块具体包括：
分块处理模块，用于对预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，其中，每个绝缘子样本图像块至少包含一个特征点；
图像块增强模块，用于对每个绝缘子样本图像块进行数据增强，数据增强的方式包括水平翻转、垂直翻转、移位操作、图片翻转、随机裁剪、变形缩放、颜色变换和叠加高斯噪声。
在一个具体实施例中，本装置还包括：
权重分配模块，用于通过下式进行权重分配为：
Figure SMS_54
；
式中，
Figure SMS_56
为常数值，/>
Figure SMS_58
为绝缘子样本数据，/>
Figure SMS_59
对应的单阶段网络特征的权重，/>
Figure SMS_60
为预测样本数据属于绝缘子的缺陷类别标签为1的类别概率，/>
Figure SMS_61
表示绝缘子样本数据/>
Figure SMS_62
实际属于类别标签1的概率，/>
Figure SMS_63
表示绝缘子样本数据/>
Figure SMS_55
实际属于类别标签0的概率值，/>
Figure SMS_57
为调制系数。
在一个具体实施例中，本装置还包括：
测试训练模块，用于采用绝缘子样本图像测试数据集对训练好的单阶段FoveaBox网络目标检测模型进行训练，得到测试结果，并计算测试准确率；
网络参数调整模块，用于将测试准确率与预设的准确率进行比较，若测试准确率小于预设的准确率，则迭代计算训练好的单阶段FoveaBox网络目标检测模型的网络参数直至测试准确率为预设的准确率以上。
本发明还提供了一种电子设备，包括存储器和处理器，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如上述的方法。
本发明还提供了一种计算机可读存储介质，其上存储计算机程序指令，所述计算机程序指令在被处理器执行时实现如上述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、电子设备和计算机可读存储介质的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述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。
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。

Claims (8)

1.一种输电线路绝缘子缺陷检测方法，其特征在于，包括以下步骤：
获取绝缘子原始图像，并对所述绝缘子原始图像进行预处理；
对预处理后的绝缘子原始图像进行裁剪为多个相同尺寸的绝缘子小样本图像；
对多个所述绝缘子小样本图像进行特征筛选，得到预训练的绝缘子样本图像；
对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集；
采用CVAT标注工具对所述绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注，并添加目标边界框和缺陷类别标签，得到标注后的绝缘子样本图像，并构建绝缘子样本训练数据集；
构建卷积网络目标检测器，采用所述绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型；
将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，优化网络参数，构建单阶段FoveaBox网络目标检测模型；
将所述绝缘子样本训练数据集对所述单阶段FoveaBox网络目标检测模型进行知识蒸馏训练，得到训练好的单阶段FoveaBox网络目标检测模型；
通过训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，得到相应的缺陷检测结果。
2.根据权利要求1所述的输电线路绝缘子缺陷检测方法，其特征在于，获取绝缘子原始图像，并对所述绝缘子原始图像进行预处理的步骤具体包括：
获取绝缘子原始图像；
利用sobel边缘算子对所述绝缘子原始图像进行边缘检测，剔除边缘冗余信息，得到高分辨率的绝缘子图像；
对所述高分辨率的绝缘子图像进行锐化滤波；
对锐化滤波后的绝缘子图像进行数据扩容。
3.根据权利要求1所述的输电线路绝缘子缺陷检测方法，其特征在于，对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集的步骤具体包括：
对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，其中，每个绝缘子样本图像块至少包含一个特征点；
对每个绝缘子样本图像块进行数据增强，所述数据增强的方式包括水平翻转、垂直翻转、移位操作、图片翻转、随机裁剪、变形缩放、颜色变换和叠加高斯噪声。
4.根据权利要求1所述的输电线路绝缘子缺陷检测方法，其特征在于，还包括：
通过下式进行权重分配为：
Figure QLYQS_1
；
式中，
Figure QLYQS_3
为常数值，/>
Figure QLYQS_5
为绝缘子样本数据，/>
Figure QLYQS_6
对应的单阶段网络特征的权重，/>
Figure QLYQS_7
为预测样本数据属于绝缘子的缺陷类别标签为1的类别概率，/>
Figure QLYQS_8
表示绝缘子样本数据/>
Figure QLYQS_9
实际属于类别标签1的概率，/>
Figure QLYQS_10
表示绝缘子样本数据/>
Figure QLYQS_2
实际属于类别标签0的概率值，/>
Figure QLYQS_4
为调制系数。
5.根据权利要求1所述的输电线路绝缘子缺陷检测方法，其特征在于，还包括：
采用绝缘子样本图像测试数据集对所述训练好的单阶段FoveaBox网络目标检测模型进行训练，得到测试结果，并计算测试准确率；
将所述测试准确率与预设的准确率进行比较，若所述测试准确率小于所述预设的准确率，则迭代计算所述训练好的单阶段FoveaBox网络目标检测模型的网络参数直至所述测试准确率为所述预设的准确率以上。
6.一种输电线路绝缘子缺陷检测装置，其特征在于，包括：
预处理模块，用于获取绝缘子原始图像，并对所述绝缘子原始图像进行预处理；
裁剪模块，用于对预处理后的绝缘子原始图像进行裁剪为多个相同尺寸的绝缘子小样本图像；
特征筛选模块，用于对多个所述绝缘子小样本图像进行特征筛选，得到预训练的绝缘子样本图像；
数据增强模块，用于对所述预训练的绝缘子样本图像分块处理，得到多个绝缘子样本图像块，对每个绝缘子样本图像块进行数据增强，构建绝缘子样本图像增强数据集；
标注模块，用于采用CVAT标注工具对所述绝缘子样本图像增强数据集中每个绝缘子样本图像中的绝缘子自爆缺失部件进行目标标注，并添加目标边界框和缺陷类别标签，得到标注后的绝缘子样本图像，并构建绝缘子样本训练数据集；
卷积训练模块，用于构建卷积网络目标检测器，采用所述绝缘子样本训练数据集进行训练，得到训练好的绝缘子缺陷目标检测模型；
预测框融合模块，用于将训练好的绝缘子缺陷目标检测模型中各个卷积层分别加入预测框模型，并给予相应特征的权重分配，优化网络参数，构建单阶段FoveaBox网络目标检测模型；
知识蒸馏训练模块，用于将所述绝缘子样本训练数据集对所述单阶段FoveaBox网络目标检测模型进行知识蒸馏训练，得到训练好的单阶段FoveaBox网络目标检测模型；
缺陷检测模块，用于通过训练好的单阶段FoveaBox网络目标检测模型对待检测绝缘子进行缺陷检测，得到相应的缺陷检测结果。
7.一种电子设备，包括存储器和处理器，其特征在于，所述存储器用于存储一条或多条计算机程序指令，其中，所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1~5中任一项所述的方法。
8.一种计算机可读存储介质，其上存储计算机程序指令，其特征在于，所述计算机程序指令在被处理器执行时实现如权利要求1~5中任一项所述的方法。
CN202310437250.0A 2023-04-23 2023-04-23 一种输电线路绝缘子缺陷检测方法、装置、设备及介质 Active CN116152258B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310437250.0A CN116152258B (zh) 2023-04-23 2023-04-23 一种输电线路绝缘子缺陷检测方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310437250.0A CN116152258B (zh) 2023-04-23 2023-04-23 一种输电线路绝缘子缺陷检测方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN116152258A true CN116152258A (zh) 2023-05-23
CN116152258B CN116152258B (zh) 2023-07-04

Family

ID=86354735

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310437250.0A Active CN116152258B (zh) 2023-04-23 2023-04-23 一种输电线路绝缘子缺陷检测方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN116152258B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050110988A1 (en) * 2003-11-05 2005-05-26 Hidetoshi Nishiyama Method and apparatus for inspecting defects of patterns
CN110033026A (zh) * 2019-03-15 2019-07-19 深圳先进技术研究院 一种连续小样本图像的目标检测方法、装置及设备
CN111814889A (zh) * 2020-07-14 2020-10-23 大连理工大学人工智能大连研究院 一种使用无锚框模块和增强分类器的单阶段目标检测方法
CN112199993A (zh) * 2020-09-01 2021-01-08 广西大学 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN112837315A (zh) * 2021-03-05 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于深度学习的输电线路绝缘子缺陷检测方法
CN113435266A (zh) * 2021-06-09 2021-09-24 东莞理工学院 基于极值点特征增强的fcos智能目标检测方法
CN114998576A (zh) * 2022-08-08 2022-09-02 广东电网有限责任公司佛山供电局 一种输电线路开口销缺失检测方法、装置、设备和介质
CN115205256A (zh) * 2022-07-14 2022-10-18 华北电力大学（保定） 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
CN115439738A (zh) * 2022-09-01 2022-12-06 宽泛科技(盐城)有限公司 一种基于自监督协同重构的水下目标检测方法
CN115984226A (zh) * 2023-01-09 2023-04-18 长沙理工大学 绝缘子缺陷检测方法、设备、介质及程序产品
CN116188402A (zh) * 2023-01-16 2023-05-30 中国矿业大学 一种基于改进ssd算法的绝缘子缺陷识别方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050110988A1 (en) * 2003-11-05 2005-05-26 Hidetoshi Nishiyama Method and apparatus for inspecting defects of patterns
CN110033026A (zh) * 2019-03-15 2019-07-19 深圳先进技术研究院 一种连续小样本图像的目标检测方法、装置及设备
CN111814889A (zh) * 2020-07-14 2020-10-23 大连理工大学人工智能大连研究院 一种使用无锚框模块和增强分类器的单阶段目标检测方法
CN112199993A (zh) * 2020-09-01 2021-01-08 广西大学 基于人工智能识别任意方向变电站绝缘子红外图像检测模型的方法
CN112837315A (zh) * 2021-03-05 2021-05-25 云南电网有限责任公司电力科学研究院 一种基于深度学习的输电线路绝缘子缺陷检测方法
CN113435266A (zh) * 2021-06-09 2021-09-24 东莞理工学院 基于极值点特征增强的fcos智能目标检测方法
CN115205256A (zh) * 2022-07-14 2022-10-18 华北电力大学（保定） 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
CN114998576A (zh) * 2022-08-08 2022-09-02 广东电网有限责任公司佛山供电局 一种输电线路开口销缺失检测方法、装置、设备和介质
CN115439738A (zh) * 2022-09-01 2022-12-06 宽泛科技(盐城)有限公司 一种基于自监督协同重构的水下目标检测方法
CN115984226A (zh) * 2023-01-09 2023-04-18 长沙理工大学 绝缘子缺陷检测方法、设备、介质及程序产品
CN116188402A (zh) * 2023-01-16 2023-05-30 中国矿业大学 一种基于改进ssd算法的绝缘子缺陷识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
光睿智 等: ""基于无锚框网络的航拍航道船舶检测算法"", 《计算机工程与应用》, vol. 57, no. 15, pages 251 - 258 *
赵庆林 等: ""面向图像的绝缘子自爆缺陷检测算法综述"", 《智能计算机与应用》, vol. 12, no. 3, pages 33 - 39 *

Also Published As

Publication number Publication date
CN116152258B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN108846418B (zh) 一种电缆设备温度异常定位与识别方法
CN112379231B (zh) 一种基于多光谱图像的设备检测方法及装置
CN111428748B (zh) 一种基于hog特征和svm的红外图像绝缘子识别检测方法
Zheng et al. Component identification and defect detection in transmission lines based on deep learning
CN114842363B (zh) 一种数字孪生台区关键电力设备的识别方法及系统
Liao et al. Fusion of infrared-visible images in UE-IoT for fault point detection based on GAN
CN114187511A (zh) 一种输电全景大数据智能监控方法
CN115239646A (zh) 输电线路的缺陷检测方法、装置、电子设备及存储介质
CN106228172B (zh) 基于聚类分析的破损绝缘子图像提取方法
CN113012107B (zh) 电网缺陷检测方法及系统
CN112419243B (zh) 一种基于红外图像分析的配电房设备故障识别方法
CN116152258B (zh) 一种输电线路绝缘子缺陷检测方法、装置、设备及介质
CN115546568B (zh) 绝缘子缺陷检测方法、系统、设备及存储介质
CN106803290A (zh) 输配线路巡视记录方法和装置
Liu et al. Quality assessment for inspection images of power lines based on spatial and sharpness evaluation
CN115564709A (zh) 一种对抗场景下电力算法模型鲁棒性的评估方法和系统
CN115908295A (zh) 一种基于深度学习的电网绝缘子缺陷检测方法及系统
CN112581387B (zh) 一种配电室智能运维系统、装置及方法
CN115439319A (zh) 一种电滑线防护装置裸露检测方法
Rongrong et al. Fault diagnosis method of distribution equipment based on hybrid model of robot and deep learning
CN113450318A (zh) 基于无人机自主视觉的初级配电系统瓷绝缘子检测方法
CN113033489A (zh) 基于轻量级深度学习算法的输电线路绝缘子识别定位方法
CN112348085A (zh) 一种电力数据监测系统与方法
Gu et al. Object detection of overhead transmission lines based on improved YOLOv5s
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质

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