[发明专利]一种输变电线路设备的故障数据库半自动化建立方法

说明书

本发明公开了一种输变电线路设备的故障数据库半自动化建立方法，包括以下步骤：采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库。本发明所述的一种输变电线路设备的故障数据库半自动化建立方法，首先解决了输变电线路设备及故障数据库的自动分类、检测和存储问题，完成输变电线路设备及故障数据库半自动化建立工作，其次将模型训练‑智能分类‑智能测试‑模型优化等工作一体化，形成完整闭环，构造出一个可自主优化的数据库系统，最后可以快速、高效的建立适用于深度学习的输变电线路关键设备及故障数据集，解决了数据集构造难的问题，带来更好的使用前景。

技术领域

本发明涉及电力系统和计算机视觉领域，特别涉及一种输变电线路设备的故障数据库半自动化建立方法。

背景技术

输变电线路作为电力行业的重要基础设施，是电网的重要组成部分，输电线路关键部件主要包括绝缘子、金具及杆塔等，若部件出现问题，则会危及整个电网运行的稳定性，深度学习自2006年以来，在某种程度上可以说是引领了一场大数据时代下的科技革命，2012年，更是在图像识别与目标检测中取得了非常好的效果，目前，深度学习在人脸识别、特定种类的目标检测上，大大优于传统方法，识别效果非常好，但在具体工程应用：例如输变电线路设备及故障检测上，识别效果就相差甚远。

其根本原因在于，缺乏输变电线路关键设备及故障数据集，目前，国际公开的PASCAL VOC、ImageNet、MS-COCO、Open Images Dataset、Sun等数据集中，没有公开的输变电线路关键设备及故障数据集，这一问题给该领域的研究造成了极大的困难，而在制作数据集过程中，还存在以下两点问题：

1.人工分类数据，耗时耗力，数据采集后，数据格式，一般为照片或视频，采集过程中无法保证拍摄内容的高质量，需要人工进行初步质量筛选，其次，数据采集内容为多个部件，而人工在对单目标部件寻找故障时，需要先对所有数据进行人工分类，再针对特定目标部件进行故障寻找工作，整个过程消耗大量人力、物力和财力，严重拖延了工作进度；

2.标记工作量大，针对单个部件或故障数据集，没有一个完备的数据分析方法，导致数据集中存在大量对模型影响小的数据，从而使得需要标记的图片数量大，加大了标记工作的工作量，延长数据集准备时间，浪费大量人力；

3.针对模型优化工作，还存在模型测试结果利用难的问题，模型优化工作，是深度学习目标检测的根本，从模型测试结果入手，分析未检测到的图像，以模型和数据集重构两个方向进一步推进，才能完成模型优化工作，而在数据集重构过程中，需要分析得到未检测到的图像特征，从所有数据集中重新寻找数据，预处理后，按比例重构数据集，从而优化模型，此过程，需要深入分析图像特征，并且重复数据寻找和标记工作，给模型优化工作加大了难度。

因此，发明一种基于深度学习的输变电线路设备及故障数据库半自动化建立方法，具有非常重要的实用价值，对输变电线路故障巡检工作智能化的提升有重要意义。

发明内容

本发明的主要目的在于提供一种输变电线路设备的故障数据库半自动化建立方法，可以有效解决背景技术中的问题。

为实现上述目的，本发明采取的技术方案为：

一种输变电线路设备的故障数据库半自动化建立方法，包括以下步骤：

(1)、采集数据：先利用数据采集装置采集输变电线路设备的相关数据，并且对数据进行筛选，建立未分类的数据库；

(2)、数据分析：分析获取目标部件的特征信息，挑选出特征信息明显且图片质量高的部分数据，进行目标部件标注工作，标注文件与图片名一一对应；

(3)、数据分类：基于深度学习目标检测原理，将标注好的数据集，按照8:2的比例，随机分为训练集和测试集，进行模型训练工作；