[发明专利]一种输电线路销钉缺失检测方法

说明书

本发明提供一种输电线路销钉缺失检测方法，获得海量包含线路的照片后，首先利用YOLOv5算法进行目标检测模型构建，初步筛选需要销钉的目标部件并得到模板图像，其次通过UNET算法进行销钉精细定位模型构建，进一步对目标部件中的销钉进行定位，依次调用两模型对待测图像进行销钉精细定位得到销钉定位结果，并将待测图像中目标部件的目标模板与该销钉定位结果进行图像变化检测，实现销钉缺失的定位。通过本方法，可对待测图像进行二次识别，实现对销钉的精细定位，进而可高精确率的确定销钉缺失位置，方便快速检修。

技术领域

本发明涉及销钉缺失检测领域，特别是一种输电线路销钉缺失检测方法。

背景技术

销钉是高压输电线路中用于固定绝缘子、导线、塔材等设备的关键组件。高空中的线路一直处于振动状态，连带其上的销钉反复振动，这些振动累积效应会带来销钉脱落的风险，一旦销钉脱落就可能导致高压线断裂落地，造成断电甚至危及高压铁塔附近区域的安全。及时发现缺失销钉可以避免严重事故的发生以及巨大的经济损失。

随着无人机遥感技术与计算机视觉技术的发展，利用无人机巡检获取海量高清图像，利用深度学习算法进行缺陷检测，大大提高了巡检的效率。然而，对于销钉这类细小目标的检测，算法的识别率还有待进一步提高。目前的检测方法主要为单一算法检测，检测的精度不够，不能很好的对缺失的位置进行精细定位。

发明内容

本发明提供一种输电线路销钉缺失检测方法，首次将目标检测算法YOLOv5与语义分割算法UNET耦合应用于销钉缺失的检测，可以大大提高检测的精度。

本发明所采用的技术手段如下所述：

一种输电线路销钉缺失检测方法，通过以下步骤定位销钉缺失的位置：步骤一：获取海量包含线路本体的照片，并逐张标注需要销钉的目标部件，得到数据集S1；

步骤二：将步骤一中得到的带有目标部件标注的数据集S1分为一训练数据集S1_train和至少一验证数据集S1_val，将训练数据集S1_train输入YOLOv5算法中得到一目标检测模型，进一步将验证数据集S1_val输入该目标检测模型中验证，得到符合验证精度要求的第一模型M1_yolo；

步骤三：对步骤一中得到的数据集S1中标注的目标部件区域进行重采样得到模板图像，并在重采样的模板图像中标注销钉区域，得到数据集S2；

步骤四：将步骤三中经两轮标注得到的数据集S2分为一训练数据集S2_train和至少一验证数据集S2_val，将训练数据集S2_train输入UNET算法中得到一销钉识别模型，进一步将验证数据集S2_val输入该销钉识别模型中验证，得到符合验证精度要求的第二模型M2_unet；

步骤五：将待预测图像输入步骤二中得到的第一模型M1_yolo中，得到目标检测结果R1，进一步将该目标检测结果R1输入步骤四中得到的第二模型M2_unet中，得到销钉识别结果R2；同时将该目标检测结果R1与在步骤三中得到的模板图像进行特征点匹配，得到匹配结果，进而将该匹配结果与销钉检测结果R2进行图像变化检测，定位得到销钉缺失位置；

步骤六：对步骤五中定位得到的销钉缺失位置进行人工核验。

作为优选，其中海量的照片由无人机搭载光学相机获取，其照片的数量由需要监测的区域决定，并将获取的海量照片进一步筛选得到包含线路本体的照片；该包含线路本体的照片进一步经电气专业人员使用标签标注工具拉框选取需要销钉的目标部件，其目标部件包括绝缘子串、联板、塔端挂点。

作为优选，该标注有目标部件的海量照片进一步经对目标部件增强的增强操作得到数据集S1，其增强操作包括旋转、缩放、模糊。

作为优选，将步骤一中得到的数据集S1随机分为一训练数据集S1_train和一验证数据集S1_val；以及，