[发明专利]基于多任务卷积神经网络的电力绝缘子串协同分析方法

说明书

本发明涉及基于多任务卷积神经网络的电力绝缘子串协同分析方法，包括：图像采集，在不同光照、不同背景情况下采集绝缘子串图像；预处理；绝缘子串轮廓标注，延绝缘子串边缘对图像进行标注；深度神经网络模型构建，构建一个多任务卷积神经网络模型，同时具有目标识别和目标分割的功能；模型训练，将S2中的数据导入S5构建的模型中，并与S3和S4的标注真值进行误差计算，反馈学习；使用同样经过目标框及走向标注和轮廓标注的验证集进行模型验证。本发明能够实现将计算机视觉/深度学习技术引入到输电线路巡检领域，代替人完成海量图片的分析工作，同时为了提供效率和精度，一次性实现所有属性的识别与分析。

技术领域

本发明涉及计算机视觉、深度学习及电力巡检领域，具体涉及基于多任务卷积神经网络的电力绝缘子串协同分析方法，用于电力巡检过程中对绝缘子串进行定位与分割的协同分析方法。

背景技术

我国人口众多，决定了用电需求之大，幅员辽阔，又决定了用电区域之广。采用高压、超高压输电可以实现长距离、大容量、低损耗输送电力。截至2021 年年底，国家电网公司累计建成“15交13直”世界先进的特高压输电工程，跨省跨区输电能力超过2.3亿千瓦。

为了保障居民生活用电和工业生产用电的稳定，需要对四通八达的输电网络进行定期的巡检。按照国家电网的实际要求，需要对高压、超高压输电网络中每一基杆塔进行精细的巡检。

绝缘子串是输电杆塔上的关键部件，也是输电线路巡检中的关键一环。顾名思义，绝缘子串对输电网络中的线路起到与杆塔绝缘的作用，以此保障输电安全。对绝缘子串的缺陷检测，主要关注在绝缘子串的倾斜角度，绝缘子串两端挂点状态以及绝缘子串本身盘片的完整性方面。按照当前巡检要求，每完整巡检一次输电线路会产生1.5亿-3亿张含有绝缘子串的图片，对这个数量级的图片进行筛查需要投入海量的人力、无力资源。

随着人工智能技术的发展，基于计算机视觉/深度学习技术来识别、分析照片中的感兴趣目标开始以惊人的速度得到发展，并替代了大量的人力重复劳动。目前图像识别领域还只是对单一属性进行识别、分析。需要多个算法并行或级联，才能完成所有属性的识别和分析。为了将计算机视觉/深度学习技术引入到输电线路巡检领域，代替人完成海量图片的分析工作，同时为了提供效率和精度，一次性实现所有属性的识别与分析，本专利提出了一种基于多任务卷积神经网络的绝缘子串协同分析方法。

发明内容

本发明的目的是提供基于多任务卷积神经网络的电力绝缘子串协同分析方法，其特征在于，包括以下几个步骤：

S1.图像采集，在不同光照、不同背景情况下采集绝缘子串图像；

S1.1利用无人机，配合可见光载荷进行在不同方位采集数据；

S1.2利用无人机，配合可见光载荷在不同光照情况下进行图像采集；

S1.3利用无人机，配合可见光载荷在距离绝缘子串不同距离下进行图像采集，一般距离设定为距离绝缘子串2米到35米范围内；

S2.预处理，采用三种方案，丰富数据集；

S2.1.对采集到的图像进行RGB三通道的像素级灰度操作；

S2.2.采用随机选定新图像左上角X、Y坐标和新图像宽高W、H，对原图进行裁剪，并根据裁剪后的偏移量进行新坐标的换算；

S2.3.对S2.1和S2.2得到的图像采用马赛克拼接；

S3.图像目标框及其走向标注，利用长边表示法，对图像进行标注；

S4.绝缘子串轮廓标注，延绝缘子串边缘对图像进行标注；

S5.深度神经网络模型构建，构建一个多任务卷积神经网络模型，同时具有目标识别和目标分割的功能；

S5.1模型分割分支采用U行结构，先下采样，再上采样；