[发明专利]基于深度学习的输电线路间隔棒故障检测方法

说明书

本发明公开了高压输电领域中的一种基于深度学习的输电线路间隔棒故障检测方法，通过采集间隔棒图像数据，使用图像数据增广和图像预处理方式，构建训练数据集，然后使用数据集对改进的SSD神经网络进行训练，使得改进后的网络模型可以准确识别间隔棒故障问题，这样不仅降低了人工巡检成本，还提升了输电线路的可靠性和安全性，以解决由于航拍图像中间隔棒背景复杂导致间隔棒故障区域的定位及检测精度收到影响的问题。

技术领域

本发明涉及高压输电技术领域，特别涉及一种高压输电巡检方法。

背景技术

伴随着国家经济发展水平和人民生活水平的提高，电网的规模也在不断扩大啊，如何保障电网的安全可靠地运行开始被关注。输电线路是连接国家电力网络的部件，而输电线间隔棒作为输电线重要的金具，能够保持多分类子导线间距，保证线路的电力运输能力，防止导线间的鞭击、抑制微风振动、次档距振荡等。因此，对输电线路间隔棒的检测是保障电力网络运检维护的必要程序之一。

目前，电力设备的维护检查一般通过人工巡检的方式完成，由于架空线路和输电隧道架设的特殊性，线路巡检通常会对工人的生命安全造成一定的威胁。无人机和监控摄像头的应用，通过图像识别技术代替人工进行安全检查已经成为较为有效的巡检方案。但是这些方式存在诸多问题，在无人机拍摄电力部件的过程中，由于距离的因素，电力部件距离无人机较远，在图像上显示的尺寸较小；监控摄像头只有录像和视频监控功能，无法对所需要的监控目标进行智能化的识别分析，都需要进一步借助人工完成最后的故障分析检测，降低了自动化程度的同时，也延长了故障的修复时间。

深度学习算法的发展和硬件运算水平的提高，卷积神经网络逐渐应用在计算机视觉和自然语言处理等领域，作为计算机视觉的重要研究分支，基于卷积神经网络的目标检测算法在许多层面上都超越了传统的图像处理算法。因此本发明基于深度学习技术设计输电线路间隔棒故障目标检测算法，自动化检测间隔棒使用状态。本发明有助于提升输电线路间隔棒巡检效率、解放部分生产力、提高经济效益、更适合在工业现场和无人机系统中进行应用。

发明内容

本发明的目的是提供一种基于深度学习的输电线路间隔棒故障检测方法采用图像自动识别的方式可提高输电线路间隔棒故障检测效率，采用深度学习进行间隔棒的故障识别，可有效提高检测准确率。

本发明的目的是这样实现的：一种基于深度学习的输电线路间隔棒故障检测方法，包括如下步骤：

步骤一、获取间隔棒图像样本，使用图像数据增广方式对图像样本进行扩充；

步骤二、对图像数据增广后的部分图像进行预处理，得到间隔棒图像数据训练集和间隔棒图像数据测试集；

步骤三、将间隔棒图像数据训练集输入到DenseNet-32卷积神经网络中，利用DenseNet-32卷积神经网络对所述间隔棒图像数据训练集进行图像分割，获取间隔棒图像分割结果数据集；

步骤四、将所述间隔棒图像分割结果数据集输入到SDD layers网络中，建立SSD算法权重模型；

步骤五、利用所述SSD算法权重模型对间隔棒图像数据测试集进行检测，获得间隔棒故障检测结果。

作为本发明的进一步限定，步骤一中对图像数据进行数据增广的方式包括平移、旋转、翻转、缩放裁剪和旋转平移组合变换。

作为本发明的进一步限定，所述数据增广的方式以图像为中心点，分为如下几个步骤：

a)将旋转点移动到原点处；

b)绕原点进行旋转；

c)再将旋转点移回到原来的位置。

4.根据权利要求1-3中任一项所述的基于深度学习的输电线路间隔棒故障检测方法，其特征在于，步骤二中图像预处理包括分段线性变换、直方图均衡化和平滑去噪。