[發明專利]一種基于深度學習的絕緣子故障定位識別方法

有效

• 申請號: 201810757293.6
• 申請日: 2018-07-11
• 公開（公告）號: CN109166094B
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 田立斌;阮海清
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/73;G06N3/04;G06N3/08
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 李斌

本發明公開了一種基于深度學習的絕緣子故障定位識別方法，主要解決在電力運行過程中絕緣子發生故障肉眼識別率的問題，該方法主要包括下述步驟：采集絕緣子圖像并進行預處理，構建絕緣子圖像數據集；構建深度卷積神經網絡模型，該模型用于提取絕緣子的特征，并對絕緣子進行類別判定和目標定位；利用絕緣子圖像數據集對深度卷積神經網絡模型進行訓練；最后利用訓練完成的深度卷積神經網模型對待測絕緣子圖像進行故障定位與識別。本發明基于深度學習的絕緣子故障定位識別方法對絕緣子故障定位準確率高，速度快，實現了絕緣子故障定位的實時檢測。

技術領域

本發明屬于圖像目標檢測識別和計算機視覺領域，主要涉及高壓運輸線上的電力小部件的絕緣子的故障定位識別實時檢測方法，具體為：一種基于深度學習的絕緣子故障定位識別方法。

背景技術

絕緣子作為電力運輸中的常見電力小部件，對電網的安全運行起著不可替代的作用，絕緣子常年暴露在外，時間的累積和惡劣的天氣會使絕緣子的遭到性能的破壞影響電力的運輸，所以需要及時的檢測出有故障的絕緣子并進行更換至關重要，目前人工的對絕緣子進行人工分析和處理，工作量龐大且效率低下，存在由工作人員經驗和個人素質引起的偏差。因此，急需一種可靠的絕緣子故障識別的方法。

目前，針對絕緣子故障識別方法的研究，基于普通卷積神經網絡的絕緣子識別研究中，是以絕緣子整個圖像作為網絡的輸入，這種以整個圖像作為網絡的輸入不能很好的結合絕緣子的背景信息，不能在復雜的環境下準確的識別出絕緣子并進行故障診斷。

發明內容

本發明的目的在于克服現有技術中的缺點與不足，提出一種基于深度學習的絕緣子故障定位識別方法，提高檢測準確率，大大縮短檢測的時間，達到實時檢測。

為實現以上目的，本發明采取如下技術方案：

一種基于深度學習的絕緣子故障定位識別方法，包括下述步驟：

(1)采集絕緣子圖像并進行預處理，構建絕緣子圖像數據集；

(2)構建深度卷積神經網絡模型，該模型提取絕緣子的圖像特征信息，采用選擇性搜索和多尺度滑動窗口的方式來生成區域建議框，并對生成的區域建議框進行分類，進而對絕緣子進行類別判定和目標定位；

(3)利用絕緣子圖像數據集對構建的深度卷積神經網絡模型進行訓練，具體是采用區域建議框生成網絡和目標檢測網絡交替訓練，并結合梯度下降法進行迭代計算權值；

(4)對訓練完成的深度卷積神經網絡模型進行故障定位識別測試。

作為優選的技術方案，步驟(1)中，對絕緣子圖像進行預處理，構建絕緣子圖像數據集，具體為：

對所述絕緣子圖像的大小進行歸一化，然后對歸一化后的絕緣子圖像進行擴增處理；所述擴增處理的方式包括對圖像進行旋轉、剪裁、平移、鏡像、清晰化和去噪操作。

然后采用Bbox-label-tools對擴增后的絕緣子圖像進行絕緣子的位置和類別標注，并將類別標簽分為三類，分別是絕緣子，絕緣子故障，背景。

作為優選的技術方案，所述步驟(2)中的深度卷積神經網絡模型，該模型架構包括：輸入圖片層、共享卷積層、區域建議框生成層、ROI池化層、區域建議框判定層、兩個全連接層和最后用于類別判定與位置回歸的兩個優化目標層；

輸入圖片由輸入圖片層進入共享卷積層，共享卷積層作為特征提取層來提取輸入圖片的底層特征圖，所述底層特征圖經過區域建議框生成層生成區域建議框，使用非極大值抑制算法消除多余的區域建議框，未消除的區域建議框進入ROI池化層，ROI池化層是一個pooling層，提取區域建議框的特征圖，然后輸出到區域建議框判定層并對特征圖進行類別判定，隨后經過所述兩個全連接層，最后進行絕緣子的分類和目標定位。

作為優選的技術方案，所述共享卷積層包括多層結構，每層結構由卷積層、RELU層或池化層組成。