[发明专利]一种基于深度学习技术混凝土电杆自动状态的评估方法

说明书

本发明公开一种基于深度学习技术混凝土电杆自动状态的评估方法，包括S1、极点选择，选择用于检查的结构集，结构集为包括自上次检查以来的时间间隔、上次记录的基础设施状态、架空输电线路对电力系统安全性的重要性指标及其他外部事件的函数；S2、通过徒步巡逻进行定期目视检查各地的混凝土电杆并获得训练和测试数据的图像集；S3、建立图像集与资产之间的关联，将徒步巡逻获得的混凝土电杆图像集与存储在数据库平台中的物理资产相关联；S4、使用对象检测网络YOLOv2来检测待评估图像集的缺陷；S5、输出检测结果，相比于传统人工目视检测的方法，可以显著减少人工检查的时间，提高了检测的效率，降低了检测成本。

技术领域

本发明涉及自动视觉检测技术领域，尤其涉及一种基于深度学习技术混凝土电杆自动状态的评估方法。

背景技术

架空输电线路(OHL)是电力系统中最重要的资产之一，随着电杆基础设施的使用和环境的作用下，这些电杆基础设施会有不同程度的缺陷，它们会危及系统的可靠性和安全性。因此必须定期检查这些基础设施，所以针对这些电杆基础设施的缺陷检测开发出行之有效的检测方法是亟需解决的问题。

现多数技术公司由于技术的原因，还是采用人工徒步目检的方法，而人工目检的方法存在以下问题：

(1)检测效率低下，人工检测标准因人而异。

(2)未能对检测到的缺陷进行合理的归类和保存。

针对以上的不足，本发明提供了基于深度学习技术混凝土电杆自动状态的评估方法，该方法能够代替人工目检，达到了提高检测效率、降低人工检测成本的目的。

发明内容

针对上述问题，本发明提出一种基于深度学习技术混凝土电杆自动状态的评估方法，主要解决背景技术中的问题。

本发明提出一种基于深度学习技术混凝土电杆自动状态的评估方法，包括以下步骤：

S1、极点选择，选择用于检查的结构集，所述结构集为包括自上次检查以来的时间间隔、上次记录的基础设施状态、架空输电线路对电力系统安全性的重要性指标及其他外部事件的函数；

S2、通过徒步巡逻进行定期目视检查各地的混凝土电杆并获得训练和测试数据的图像集；

S3、建立图像集与资产之间的关联，将徒步巡逻获得的混凝土电杆图像集与存储在数据库平台中的物理资产相关联；

S4、使用对象检测网络YOLOv2来检测待评估图像集的缺陷；

S5、输出检测结果。

2.根据权利要求1所述的一种基于深度学习技术混凝土电杆自动状态的评估方法，其特征在于，所述步骤S3具体包括以下步骤：

S301、通过匹配训练和测试数据的图像集内的每张图像分别到对应的物理资产的最小距离，生成映射到物理资产的混凝土电杆图像的潜在候选列表；

S302、验证映射得到的潜在候选列表中的每个潜在候选，通过查看图像塔距离相对于塔-塔距离的分布，并选择一个距离值D_real来平衡落在该距离内的极点数量和小于该距离的极点跨度数量，且所选择的距离值D_real小于指定的阈值D_max。

进一步改进在于，所述步骤S302中距离值D_real的计算公式为：

其中，D_real是两点之间的距离；lat和lon分别指的是纬度和经度，且lon和lat在同一坐标系中使；r指的是地球的半径。

进一步改进在于，所以步骤S4具体包括以下步骤：

S401、对待评估图像集进行图像预处理；