[发明专利]应用于训练线路异物目标检测模型的样本集构建方法

说明书

应用于训练线路异物目标检测模型的样本集构建方法，属于图像数据增强领域。本发明解决了现有对电网线路进行自动化巡检方式所使用的目标检测模型准确率低的问题。本发明方法包括：步骤一、无人机巡线作业，根据预设路线进行巡检，实时的自动拍摄图像，并上传至远方终端；步骤二、远方终端对无人机实时传输的图像进行预处理，获得N张预处理后的图像，该预处理后的图像作为样本集；步骤三、利用图像增强的方法对N张预处理后的图像进行数据扩充，使样本集的数量扩充至7N，该扩充后的样本集用于对线路异物目标检测模型进行训练，从而实现对线路异物目标检测模型的样本集的构建。本发明主要用于利用构建的样本集对线路异物目标检测模型进行训练。

技术领域

本发明涉及电网线路异物搭挂检测领域，具体属于图像数据增强领域。

背景技术

线路、杆塔等电气设备上经常出现鸟类筑巢现象，鸟巢是电网安全运行的隐患，鸟类在线路和设备上活动容易引起输电线路损坏，鸟巢中的树枝、干草飘落在线路带电部位或绝缘子上容易造成线路故障，引发停电事故，尤其在风雨雷电等恶劣天气里发生短路故障的风险较高。线路设备上的鸟窝对电网的绝缘性造成威胁，短路故障导致的供电中断给人们生产生活带来不便甚至造成重大经济损失，商业街区和工业园区停电时会产生巨大经济损失。因此，异物挂线是威胁电网安全的一项重要隐患。

我国东部经济发达，能源消耗量较大，而西部能源丰富，实施远距离“西电东送”策略使得我国输配电网络规模庞大。传统人力巡检模式有诸多不足之处，如巡检人员工作量大、巡检不到位、效率低、主观因素多等，导致电网线路巡检的自动化和智能化程度低。

近年来，计算机视觉技术发展迅速，利用目标检测技术可以高效自动处理海量的线路巡检照片，实现图像目标检测、分类、定位；将无人机巡检与计算机视觉技术相结合，可进一步提升线路巡检的自动化、智能化；但是，目标检测模型的性能与训练集大小，即训练集的图像数据量息息相关，数据量不足时目标检测模型训练不充分，模型内的参数没有达到最优，所得到的目标检测模型的准确率和召回率较低，因此，如何提高训练集的图像数据进行增强、提高图像数据的数据量，来提高目标检测模型的准确率，亟需解决。

发明内容

本发明目的是为了解决现有对电网线路进行自动化巡检方式所使用的目标检测模型准确率低的问题，本发明提供了一种应用于训练线路异物目标检测模型的样本集构建方法。

应用于训练线路异物目标检测模型的样本集构建方法，该方法包括如下步骤：

步骤一、无人机巡线作业，根据预设路线进行巡检，实时的自动拍摄图像，并上传至远方终端；其中，无人机拍摄的图像为输电线路上具有鸟窝的图像；

步骤二、远方终端对无人机实时传输的图像进行预处理，获得N张预处理后的图像，该预处理后的图像作为样本集，N为大于或等于20的整数；

步骤三、利用图像增强的方法对N张预处理后的图像进行数据扩充，使样本集的数量扩充至7N，该扩充后的样本集用于对线路异物目标检测模型进行训练，从而实现对线路异物目标检测模型的样本集的构建。

优选的是，步骤二中、远方终端对无人机实时传输的图像进行预处理的实现方式为：

对无人机实时传输的图像进行多尺度缩放处理，获得N张预处理后的图像。

优选的是，步骤三中、利用图像增强的方法对N张预处理后的图像进行数据扩充，使样本集的数量扩充至7N的实现方式为：

步骤三一、对每张预处理后的图像进行左右镜像翻转和上下镜像翻转，获得2N张镜像翻转后的图像；

步骤三二、还对每张预处理后的图像添加高斯噪音，获得N张具有高斯噪音的图像；

步骤三三、还对每张预处理后的图像添加椒盐噪音，获得N张具有椒盐噪音的图像；