[发明专利]基于深度学习算法的防震锤检测方法

说明书

本发明涉及一种电力器械的检测方法。技术方案是：基于深度学习算法的防震锤检测方法，按以下步骤进行：步骤1、采集含有防震锤的视频数据，并逐帧取图生成数据集；同时通过网络搜索相关的图像，加入数据集中；步骤2、对收集到的数据进行预处理操作，将数据扩充生成相似的图像；步骤3、对采集的数据集中的防震锤进行标注，得到含有目标物的候选框的坐标；步骤4、将预处理后的数据集标注好并输入到MobileNet V3网络，网络处理后提取三种维度的特征图；步骤5、将特征图输入到Yolo V3模块进行训练；将训练后最优的神经网络模型参数输入巡线机器人；步骤6、巡线机器人对输电线路上的防震锤进行检测。该方法安全性好，成本低。

技术领域

本发明涉及一种电力器械的检测方法，特别是输电线路防震锤的检测方法。

背景技术

输电线路是电力系统的重要组成部分，它负责电能的长距离传输。导线在强风的影响下剧烈振动，长期经常性地弯曲，使得导线发生疲劳损坏，存在严重的安全隐患。目前，降低由风引起的电线振动的频率，采用的主要方法是使用金具。防震锤是高压电缆的重要防震部件之一。利用防振锤头的惯性，它消耗了通过风传递到导线的振动能量，并减少了架空输电线路的振动损坏。输电线路身处不同的地区和气候，因此自然环境相对恶劣。由于长时间暴露在恶劣的室外环境中，防震锤容易被腐蚀生锈。如果夹紧夹具发生松动，则振动锤会丢失。出现滑动、移位、翻转等情况，会导致防震锤的性能变差。如果不能及时解决这些问题，那么很容易会引发重大的输电事故。这种输电事故会造成严重的后果，例如大规模停电或输电线路损坏，对电力系统的稳定运行产生不利影响，并对国家和社会造成严重的经济损失。因此，正确定位防震锤，及时发现故障并采取补救措施，对于促进输电线路的有效使用和延长输电线路的使用寿命非常重要。但是，由于整个国家的地形差异很大，因此传输线的许多区域都必须穿过山川河流以及某些通讯盲区。这些因素给传输线的检查和维护带来极大的不便。

目前，国内外检查主要依靠检查人员沿线移动，人工使用各种检查设备进行检查，但是检查效率低，成本高，错误检查和检测遗漏现象很多。国内外先进地区的电网公司都使用直升机或无人飞行器检查高压线路，从而提高了效率。但是，使用直升机的成本太高。而无人机在某些通信盲区不易控制，容易被传输线和其他常见障碍物影响，其操作也不是完全安全的。这些都是迫切需要解决的问题。于是，本发明提出使用巡线机器人进行巡检，代替检测人员对线路进行检测，从而减轻巡检作业的劳动强度，降低检测成本，提高检测效率,改善检测作业的安全性，从而提高线路的管理和维护水平。

传统的基于机器学习的防振锤脱落缺陷检测的精度很难达到80％。深度学习是基于人工神经网络开发的一种技术。最近几年，深度学习算法正在迅速发展。它与传统机器学习技术之间的区别在于，它通过从独立网络中学习而无需依赖手动特征提取，可以达到95％的准确率。根据现有的研究结果，深度学习算法比常规图像算法具有更好的识别和分类性能。但是，通常具有良好性能的网络模型的层次结构更加复杂。这意味着必须花费大量计算能力才能提供强大的性能。人们希望将卷积神经网络在计算机视觉中带来的便利性集成到某些便携式嵌入式设备中来实现更加便利的生活。为了更好地满足许多低计算能力设备的需求，近来轻量级网络已成为研究热点。MobileNet V3就是一种轻量级网络，可以使得深度学习算法应用于某些低功耗的边缘设备。yoloV3是单阶段算法，速度比较快。本发明使用MobileNet V3+yoloV3，将轻量化网络嵌入巡线机器人中，更好地完成防震锤的检测工作。

发明内容

本发明的目的是克服上述背景技术的不足，提供一种基于深度学习算法的防震锤检测方法，该方法无需人员控制，在安全性、成本方面具有优势，并且采用了轻量化网络，解决了现有技术在通信盲区无法实时监测的缺陷。

为实现上述目的，本发明提供如下技术方案：

基于深度学习算法的防震锤检测方法，按照以下步骤依序进行：

步骤1、人为控制巡线机器人，采集含有防震锤的视频数据，并逐帧取图生成数据集；同时通过网络搜索相关的图像，加入数据集中；以保证数据集的完整性；