[發明專利]一種基于深度學習模型的絕緣子自爆檢測方法

在審

• 申請號: 202011485662.4
• 申請日: 2020-12-16
• 公開（公告）號: CN112634216A
• 公開（公告）日: 2021-04-09
• 發明（設計）人: 王倩;王曄琳;李俊;何復興;朱龍輝;李寧;李賀
• 申請（專利權）人: 西安理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06N3/04;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 劉娜

本發明公開了一種基于深度學習模型的絕緣子自爆檢測方法，包括采集絕緣子圖像，將絕緣子圖像轉化為單通道標注圖，構建U?Net模型和CNN模型，用部分單通道標注圖訓練U?Net模型和CNN模型，通過訓練的U?Net模型提高其余部分單通道標注圖的像素精度，獲得最優像素的掩膜圖像，將掩膜圖像輸入訓練后的CNN模型中，若CNN模型輸出數值0.5，則認為所述絕緣子沒有發生自爆；否則，則認為所述絕緣子發生了自爆。采用本發明方法對絕緣子狀態進行檢測，可以有效減少人工工作量，提高識別效率和清晰度。

技術領域

本發明屬于電子元器件故障檢測技術領域，涉及一種基于深度學習模型的絕緣子自爆檢測方法。

背景技術

絕緣子串是高壓輸電線路中的重要元件，在電絕緣和機械支撐中起重要作用。絕緣子暴露于雨水，風或降雪等野生動植物和氣象條件下，這些組件很容易出現諸如破裂、污染，甚至會引起爆炸。絕緣子元件自爆會導致輸電線路嚴重斷電，對于電氣公司來說，絕緣子元件自爆危害巨大，影響深遠，及時對絕緣子狀態進行檢測，防止自爆的出現是非常必要的。

傳統絕緣子自爆檢測需要專業人員檢查視頻序列，以尋找電力傳輸線元件中的潛在缺陷，該過程非常耗時。基于傳統計算機視覺算法的自爆檢測策略可以在受控照明和背景條件下，在結構化圖像中提供適當的結果，以提高絕緣子識別效率。但是這個方法需要人為設定參數和調整，誤差較大。

發明內容

本發明的目的是提供一種基于深度學習模型的絕緣子自爆檢測方法，解決了現有絕緣子檢測方法需要人為設定參數和調整，誤差較大的問題。

本發明所采用的技術方案是，一種基于深度學習模型的絕緣子自爆檢測方法，其特征在于，包括采集絕緣子圖像，將絕緣子圖像轉化為單通道標注圖，構建U-Net模型和CNN模型，用部分單通道標注圖訓練U-Net模型和CNN模型，通過訓練的U-Net模型提高其余部分單通道標注圖的像素精度，獲得最優像素的掩膜圖像，將掩膜圖像輸入訓練后的CNN模型中，若CNN模型輸出數值0.5，則認為所述絕緣子沒有發生自爆；否則，則認為所述絕緣子發生了自爆。

本發明的技術特征還在于，

包括以下步驟：

步驟1，采集同一個絕緣子的多張絕緣子圖像，對采集的絕緣子圖像像素進行統一化調整；

步驟2，采用圖像標注工具對絕緣子圖像進行標注和格式轉化，得到單通道標注圖；

步驟3，構建U-Net模型，使特征圖在進行卷積操作前后圖像的像素一致；采用步驟2獲得的部分單通道標注圖訓練U-Net模型，以損失最小的訓練參數作為U-Net模型的最終參數，然后通過訓練后的U-Net模型提高其余部分單通道標注圖的像素精度，獲得最優像素的掩膜圖像；

步驟4，構建卷積神經網絡CNN模型，采用訓練U-Net模型的單通道標注圖來訓練卷積神經網絡CNN模型，以損失最小的訓練參數作為CNN模型的最終參數，即獲得訓練后的CNN模型；

步驟5，將步驟3獲得的掩膜圖像輸入訓練后的CNN模型中，若CNN模型輸出的數值0.5，則認為所述絕緣子圖像完整，即絕緣子沒有發生自爆；否則，則認為所述絕緣子圖像有缺失，即絕緣子發生了自爆。

步驟1中，利用無人機、鋼絲滾動機器人或攀爬機器人采集絕緣子圖像。

步驟2的具體操作過程如下：

步驟2.1，采用圖像標注工具對絕緣子圖像進行標注，將絕緣件標注為disc，將連接件標注為ca；

步驟2.2，將標注好的圖像保存為Json格式，得到三通道標注圖；

步驟2.3，利用MATLAB將三通道標注圖進行圖像格式轉化，得到單通道標注圖。

步驟3具體包括以下步驟：