[發明專利]一種用于檢測輸電線路設備缺陷的方法及系統

在審

• 申請號: 202010419950.3
• 申請日: 2020-05-18
• 公開（公告）號: CN111797890A
• 公開（公告）日: 2020-10-20
• 發明（設計）人: 談家英;蔡煥青;李程啟;邵瑰瑋;付晶;劉壯;周立瑋;文志科;胡霽;陳怡;曾云飛;姚金霞;周超
• 申請（專利權）人: 中國電力科學研究院有限公司;國網山東省電力公司電力科學研究院;國家電網有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46;G06N3/04;G06N3/08;G07C1/20;G01N21/88
• 代理公司: 北京工信聯合知識產權代理有限公司 11266
• 代理人: 姜麗樓

本發明公開了一種用于檢測輸電線路設備缺陷的方法及系統，屬于輸電線路巡檢技術領域。本發明方法，包括：以設備圖像作為訓練集，進行訓練，獲取一次缺陷檢測模型；以生成缺陷識別結果數據作為訓練集，進行訓練，獲取二次缺陷檢測模型；獲取目標輸電線路的巡檢圖像作為輸入數據，輸入至一次缺陷檢測模型，獲取目標輸電線路的設備圖像，以目標輸電線路的設備圖像作為二次輸入數據，輸入至二次缺陷檢測模型，獲取目標輸電線路的設備缺陷識別結果。本發明采用兩級檢測和增量式的檢測模型訓練方式，可以提升缺陷識別的準確率。

技術領域

本發明涉及輸電線路巡檢技術領域，并且更具體地，涉及一種用于檢測輸電線路設備缺陷的方法及系統。

背景技術

近年來，無人機被廣泛用于電力巡檢，可從多角度近距離采集輸電線路設備影像，較傳統的人工大幅提升了巡檢效率。目前行業內巡檢影像大部分依賴人工判讀尋找缺陷，限制了巡檢效率的進一步提升。

電力設備所在的背景紋理復雜，導致電力設備其特征點不易提取和區分，影響了識別效果。輸電線路上正常的設備占絕大多數，造成缺陷識別誤報率較高。目前，主流深度學習網絡模型的識別效果無法滿足行業應用要求。

傳統的圖像識別技術通過人工設計的匹配模板、函數等指標判斷設備缺陷，無法通過增量數據提升識別效果。深度學習模型的識別效果可以隨著訓練集數量的擴充而提升，但是目前人工標注巡檢圖像數據受到成本和效率的雙重制約，數據量難以發揮出現有深度學習網絡的理論檢測精度。

發明內容

針對上述問題，本發明一種用于檢測輸電線路設備缺陷的方法，所述方法包括：

使用初始一次設備檢測模型對輸電線路巡檢圖像進行分層重采樣處理，在尺度空間生成尺寸不同特征圖，建立特征金字塔，針對特征金字塔進行一次輸電設備的高維度設備特征提取，并根據提取的高維度設備特征在輸電線路巡檢圖像中定位的輸電線路設備位置，獲取輸電線路巡檢圖像的區域像素坐標及設備分類數據，生成設備圖像，以設備圖像作為訓練集，進行訓練，獲取一次設備檢測模型；

使用初始二次設備檢測模型對設備圖像，進行二次高維度特征缺陷提取，識別缺陷特征，生成缺陷識別結果數據，以生成的缺陷識別結果數據作為訓練集，進行訓練，獲取二次缺陷檢測模型；

獲取目標輸電線路的巡檢圖像作為輸入數據，輸入至一次設備檢測模型，獲取目標輸電線路的設備圖像，以目標輸電線路的設備圖像作為二次輸入數據，輸入至二次缺陷檢測模型，獲取目標輸電線路的設備缺陷識別結果。

可選的，高維度設備特征，包括：桿塔、絕緣子、導線、金具和銷釘螺母的幾何輪廓、結構、色彩或表面紋理。

可選的，高維度缺陷特征，包括：桿塔異物、桿塔銹蝕、絕緣子自爆、金具裂紋、導線斷股及散股和銷釘螺母裂紋及銹蝕的幾何輪廓、結構、色彩或表面紋理。

可選的，針對輸電線路巡檢圖像進行輸電設備的高維度設備特征提取，包括：

針對輸電線路巡檢特征圖像以預設參數進行逐層卷積的特征提取；

對提取的特征進行分類，并對每個設備或缺陷類別的特征出現的概率進行分類，獲取不同層的特征圖；

在不同層的特征圖上進行分類和位置回歸，根據高維度設備特征組合差異，從輸電線路巡檢圖像中提取輸電線路設備圖像區域并給出對應的設備分類信息。

可選的，根據權利要求1所述的方法，所述方法，還包括：對提取的設備圖像排除圖像的背景干擾，僅卷積處理一次設備模型識別出的設備圖像區域，縮小卷積運算的范圍，提升二次缺陷檢測模型運算時的計算效率，降低了誤報率。

可選的，進行二次高維度特征缺陷提取時，在設備圖像區域進行卷積運算，在不同層的特征圖上進行分類和位置回歸，根據高維度缺陷特征組合差異，從設備圖像中提取處對應設備缺陷區域并給出對應的缺陷分類信息。