[发明专利]一种适用于输电导线检测装置的快速检测方法

说明书

本发明公开了一种适用于输电导线检测装置的快速检测方法，针对目前的导线检测算法精确度不高、泛化能力差等问题提出一种基于语义分割技术的导线检测算法，利用全卷积网络对导线特征进行提取。该算法对细节和位置信息敏感，能够实现导线的自动检测，且分割精度较高；针对检测结果中出现的导线断裂的问题，提出一种改进的最小点对法，实现断裂导线的连接，同时采用长度阈值法去除背景噪声。实验证明，该方法能够自动实现导线的准确检测，具有较强的实用意义。

技术领域

本发明涉及一种适用于输电导线检测装置的快速检测方法。

背景技术

随着高压输电工程的快速发展，输电线路运行状态对电网的影响日益突出。通过在线监测装置获取输电线路状态参量，对输电设备的状态评估、维修策略及维修计划具有重要意义。目前，输电线路在线监测装置在电网中已得到了初步应用，与输电线路状态检修相关的静态数据及定期检测获得的测试数据大部分已实现计算机管理。然而，随着电网规模的不断扩大，目前的输电线路监测装置存在分散配置、管理困难，互不关联、信息无法整合、系统庞大及资源浪费等问题，对输电线路实时运行状态的监测越来越困难。同时，输电线路的运行状态和故障信息随着环境和输电线路的运行状况不断的变化，而输电线路大多位于通信能力较弱的地域，无法将监测数据实时送回主站，导致输电线路运行状态和故障隐患的不可预知性与大电网安全稳定运行的矛盾日趋突出。

一些研究采用传统的数字图像处理方法来实现导线检测。传统的方法利用导线的灰度值、边缘轮廓等浅层特征对图像像素进行处理，并结合Hough变换等提取导线。但往往由于户外图像背景复杂，树枝、栅栏、建筑物边缘的轮廓和灰度值与导线相似，会对导线检测结果产生干扰，使得检测结果变差，难以广泛应用。近年来，以深度卷积神经网络 (DCNN)为代表的人工智能方法快速发展，在图像分类和识别等方面取得很大的成果。 DCNN可以自动提取特征，适应复杂多变的场景，目前已经用于许多电力设备的识别与故障检测，如杆塔、绝缘子等。由于图像中导线细长的特点，基于DCNN的导线检测算法相当于对导线进行语义分割，实现像素级别的分类。

目前，语义分割算法被用于许多图像处理领域，如遥感图像分割、裂缝识别、烟雾区域分割等方面。已经有学者将语义分割网络应用于导线检测中，因其能够挖掘更深层次的目标特征，在导线检测上取得了良好的效果。最新的语义分割网络DeepLab系列网络结合DCNN和概率图模型DenseCRFs，取得了比DCNN更好的检测精度。随后，谷歌公司采用解码器进一步改进DeepLab v3，并在空间金字塔池化结构和解码器部分引入深度可分离卷积降低网络的计算复杂度，获得目前效果最好的语义分割网络DeepLab v3+网络。

发明内容

本文将语义分割算法应用于输电导线检测，基于全卷积网络设计实现了一种输电导线自动检测方法，该方法对目标的位置和细节信息敏感，能够实现输电导线的初步分割。本发明的实现步骤包括：

1.1基于全卷积网络的导线提取

本文采用全卷积网络提取输电导线，在深度特征上采样阶段融合膨胀卷积，并进行多尺度融合，减少池化层带来的信息丢失，并加入条件随机场对目标边缘像素进行判别，优化分割效果，提升分割精度。