[发明专利]基于序列状态编码的绝缘子串异常定位识别方法

说明书

本发明涉及一种基于序列状态编码的绝缘子串异常定位识别方法，包含：采集电网绝缘子图像数据并通过处理来获取样本数据；利用样本数据对神经网络进行卷积训练，提取并融合不同尺度的特征向量来获取绝缘子串位置和倾斜角度信息；通过仿射变换将倾斜绝缘子串转换成水平绝缘子串，对绝缘子串图像数据加注标签生成序列状态编码；利用CNN网络提取绝缘子串编码特征向量，利用双向长短记忆BiLSTM网络对特征向量进行识别，获取每列特征的label序列和预测序列，通过优化两者之间的误差来训练模型；利用模型获取绝缘子串识别序列状态编码，通过反向操作获取绝缘子串分块识别结果并通过合并对绝缘子异常定位识别。本发明可适用于复杂场景下的绝缘子串异常定位和判别。

技术领域

本发明属于电网线路检测维护技术领域，特别涉及一种基于序列状态编码的绝缘子串异常定位识别方法。

背景技术

绝缘子作为输电线路重要的组成部件，其功能完整性对电网的安全运行至关重要。为了保证其功能稳定，需要定期巡检以查找出存在故障或缺损的绝缘子。目前常用的绝缘子异常检测方法有人工巡检法、图像特征分析法和神经网络检测法。人工巡检法：通过巡检人员穿戴好巡检设备，现场判别绝缘子是否存在异常问题。该方法存在明显的缺陷：1、巡检人员存在一定的人身安全问题；2、绝缘子安放在较高或人员难以接近的地方，判别异常困难；3、巡检人员长时间工作易出现视觉疲劳，易出现误判的情况。4、人工巡检速度慢。图像特征分析法：这类方法是早期绝缘子检测常用的方法，该方法需要人为的设定绝缘子的某些特征(例：纹理轮廓、区域色差等)，然后利用传统的图像处理技术提取这些特征并进行特征比对分析，判断出绝缘子是否存在破损或缺失等异常。这类方法的优点是针对相同的特征不存在误判问题，相比人工巡检节省了人力、更好保障了巡检人员的安全，提高了检测效率。但该类方法同样存在缺陷：随着绝缘子种类、数量和环境复杂度的增加，人为设定的特征变得复杂且不能较好的适用于每一类绝缘子，导致绝缘子检测的精准度下降。神经网络检测法：人工神经网络(Artificial Neural Networks，ANN)是仿生学的产物，是由众多的神经元通过可调的连接权值连接而成，具有良好的自组织自学习能力。常用的绝缘子检测方法分为两种：基于候选区域的two-stage目标检测方法(例：Fast R-CNN和Faster R-CNN)，该类方法首先利用网络生成候选框，然后根据候选框进行坐标回归预测；类似YOLO或SSD的one-stage目标检测方法，该类方法仅使用一个卷积神经网络直接预测不同目标的类别和位置。上述两种方法都使用正矩形框检测绝缘子串且更注重绝缘子串的局部信息，在理想的条件下能够达到较好的检测效果。由于绝缘子串的长宽比和倾斜角度变化大，所以当背景图像复杂时，在利用正矩形框提取的绝缘子串图像中，绝缘子串只占提取图像的很少一部分，并且提取图像中包含大量的干扰物，这些干扰对异常绝缘子的检测带来很大难度。又如，利用航拍绝缘子图像制作绝缘子数据集和故障数据集，以改进YOLOv3和YOLOv3-tiny相结合构成检测框架，训练绝缘子和故障检测模型，进行绝缘子和故障的检测；其直接在整张图像上检测异常绝缘子，容易出现误检导致检测准确度降低，就算改成先定位绝缘子、再进行异常定位，当绝缘子串较长且倾斜角度较大的情况下，该方法使用矩形框定位绝缘子，提取的图像也会存在大量干扰，也不利于异常定位。

发明内容

为此，本发明提供一种基于序列状态编码的绝缘子串异常定位识别方法，对背景复杂且倾斜角度较大的绝缘子串具有较强的定位和判别能力，能够适用于复杂场景下的绝缘子串异常定位和判别，提高识别效率，为电网维修提供可靠技术支持。

按照本发明所提供的设计方案，一种基于序列状态编码的绝缘子串异常定位识别方法，包含如下内容：

采集电网绝缘子图像数据，并对图像数据进行标准化预处理，获取样本数据；

利用神经网络对样本数据进行卷积训练，提取并融合不同尺度的特征向量；利用融合后的特征向量获取绝缘子串位置和倾斜角度信息；通过仿射变换将倾斜绝缘子串转换成水平绝缘子串，并对样本数据中绝缘子串图像数据通过加注标签生成序列状态编码；