[发明专利]一种基于神经网络的导线开股识别方法及系统

说明书

一种基于神经网络的导线开股识别的方法及系统。该方法涉及图像识别技术、机器学习技术领域，包括：建立缺陷样本系统，包含导线开股故障图片，导线故障图片检测结果；利用人工标注故障图片生成标签文件，转换标签文件生成数据训练集和测试集；利用SSD目标检测算法与故障图片标注信息对候选框进行分类回归，利用MobileNet网络与数据集，调整超参数训练导线开股故障检测模型；将导线开股故障检测模型装入导线开股缺陷识别智能设备；导线开股缺陷识别智能设备将检测的导线开股图片传输到服务器，扩充缺陷样本库。

技术领域

本发明涉及图像识别技术、机器学习技术领域，具体涉及一种基于神经网络的导线开股识别的方法及系统。

背景技术

随着电网规模的不断扩大，电网运行的安全可靠问题引起了广泛关注。输电线路是连接国家电力网络的主要电力部件。由于输电线路跨越不同的复杂地形，导线长期暴露在各种环境下，极易发生开股等故障，输电线路一旦发生故障将严重影响电网系统的安全可靠运行。因此，对于输电线路的故障检测是国家电力网络运检维护的必要程序之一。

传统电网设备监控系统只有视频监控和录像功能，不能对监控目标进行智能化的主动识别分析，需要操作员时刻观察分析图像，对于复杂地形，更是需要操作员手持设备亲身去检查电网设备是否故障。增加了操作员的工作负担。人眼易疲劳和人工判断的主观性，严重影响了输电线路状态监测的准确度和自动化程度。将数据运回运检维护中心增加了操作员的压力，也延长了故障的修复时间。

近年来，随着计算机硬件的发展及深度学习的快速发展，图像识准确率和计算时间有所提高，但现有方法多采用Faster R-CNN算法与VGG16等复杂网络，将设备监控视频和无人机拍摄图像传输到服务器上对设备故障进行模型训练与故障识别，大型网络与复杂算法需要昂贵硬件的支持，不利于设备故障识别方法的推广。将故障识别任务上传到服务器上进行识别，一方面加重了数据传输的负载，另外也加重了服务器的计算能力，传统的服务器无法满足图像识别计算能力。传统方法不能满足输电线路故障检测的实时性需求。

发明内容

本发明的目的在于提供一种基于神经网络的导线开股识别的方法及系统，通过监控设备利用深度学习的目标检测技术实时而准确地识别出输电线路导线开股等故障，其检测速度满足实时监测的要求，帮助操作员完成导线故障监测的初步分析，提高操作员的工作效率，并进一步提高电网设备监控系统的智能化、自动化。具体包括：

1.建立缺陷样本库系统，其中图像来源为前期操作员手持设备现场拍摄、无人机航拍及监控设备定点拍摄和后期导线缺陷智能识别设备提交到后台服务器，系统包含操作员交互界面用于确认提交和管理缺陷图像。

2.训练深度学习模型，通过人工对导线故障图像进行标注，生成标准训练集和测试集数据，在现有模型基础上针对导线故障特征进行训练，得到导线开股检测模型，其中基础网络采用适合移动端和嵌入式端的MobileNet网络，目标检测算法采用速度较快、使用单阶段训练(one-stage)方法的SSD(Single Shot MultiBox Detector)算法。

3.对模型进行测试，将待检测图像输入到导线开股检测模型，用矩形边框在原有图像上标注出模型检测到的故障区域，以及置信度得分。

4.将训练的导线故障识别模型在嵌入式板上进行部署，与传统电池电源、数据通信模块、摄像头、硬盘等设备进行装箱整合，部署到各个线路上进行实时监控。对监控视频进行每秒20张图像提取，在嵌入式板上的监测系统对图像进行本地实时设备故障检测识别，将识别结果置信度高的图像通过数据通信模块传输到后台服务器，通知操作员进行二次验证和存入缺陷样本库操作，利用新增样本图像对模型进行优化。