一种基于Fast R-CNN的绝缘子故障检测方法技术

本发明专利技术涉及一种基于Fast R‑CNN的绝缘子故障检测方法。通过无人机、机器人或相机设备采集到输电线路图像信息，实现对绝缘子器件识别检测，识别出绝缘子并将其分类，同时可进行故障识别，智能检测出有故障的绝缘子，对其进行故障定位并识别出故障的类型，实现对绝缘子的智能检测以及绝缘子图像故障定位。本发明专利技术在于将无人机与Faster R‑CNN技术相结合，通过Faster R‑CNN目标检测多种绝缘子图像，实现对绝缘子种类的分类，最后对分类好的绝缘子图像实现图像定位，并通过图像特征识别绝缘子的故障，进而达到对绝缘子的故障检测，极大地节省了检修成本，使巡线系统更为高效和智能。

An insulator fault detection method based on Fast R-CNN

The invention relates to an insulator fault detection method based on Fast R CNN. By collecting the information of the transmission line image through the UAV, robot or camera equipment, the insulators are identified and detected, the insulators are identified and classified, and the fault identification can be carried out. The fault insulators are detected intelligently and the types of the faults are identified and the insulators are realized. Intelligent detection and fault location of insulator image. The invention is to combine the unmanned aerial vehicle with the Faster R CNN technology, detect various insulators images through the Faster R CNN target, realize the classification of the insulators, and finally realize the image location of the classified insulators image, and identify the insulators' fault through the image features, and then achieve the fault detection of the insulators. It greatly saves the cost of maintenance and makes the inspection system more efficient and intelligent.

【技术实现步骤摘要】
一种基于FastR-CNN的绝缘子故障检测方法
本专利技术涉及视觉技术以及深度学习
，具体为一种基于FastR-CNN的绝缘子故障检测方法。
技术介绍
绝缘子是在架空输电线路中起到重要作用的器件，起到电气绝缘和线路支持等作用。一旦绝缘子发生损坏，会严重威胁输电线路的可靠运行。据统计，因绝缘子故障导致的跳闸事故占目前输电线路事故的81.3%，所以对于绝缘子的故障检测对输电线路安全性和可靠性意义重大。在目前输电线路巡线过程中，人工巡线耗时、耗力且存在危险、无法目测线缆雷击绝缘损坏、绝缘子污秽及破损。近几年来无人机技术以及导航技术和无线通信技术的快速发展和不断成熟，国内外许多电力企业尝试采用无人机辅助进行电力系统巡线。然而对这些海量图像数据采用工作人员肉眼判读而没有自动图像分析功能的话，易发生严重的检测误判或漏判情况，难以准确发现输电线路存在的安全隐患，且极大地增加了检修成本。因此利用图像处理技术研究电力巡线的自动故障检测方法是非常必要的，可提高其检测的准确性，并使空中飞行平台巡线系统更为高效和智能。目前国内对于绝缘子的图像处理技术大致可分为三种：一、基于颜色阈值分割的方法，通过阈值分割，在饱和度分量上提取出绝缘子目标，但并不能排除饱和度分量与绝缘子接近而带来的干扰；二、基于轮廓提取，通过检测出绝缘子片的圆形轮廓进行椭圆拟合，以进行对绝缘子的定位，但航拍过程中所拍摄的绝缘子图像会发生仿射、透视、平移等变换，拍摄角度和拍摄距离都会影响该方法对绝缘子的定位。三、基于纹理特征，通过提取绝缘子的纹理特征进行绝缘子的检测定位，但基于纹理特征方法计算量大，仅适合背景简单的检测，然而航拍的绝缘子背景复杂，容易发生误检测，应用性不强。现有方法都是从绝缘子单一的特征进行检测，没有全面从绝缘子的特征进行检测，导致误检率高，没有太大的实际意义。在计算机视觉领域，CNN(ConvolutionalNeuralNetwork)发挥了出色的性能，这主要得益于其适用于图像数据的特殊网络结构。FasterR-CNN（FasterRegionswithConvolutionalNeuralNetwork）的基本结构仍然是卷积神经网络，其图像中的应用，就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率。FasterR-CNN方法不仅从目标的颜色（颜色直方图）和纹理（梯度直方图），并从多种特征多颜色通道对目标提取特征，即便有噪声以及环境干扰，仍能保持精准的识别率，这对于绝缘子在背景复杂的情况下仍能保持较高的识别率意义重大，而且还能有效识别绝缘子故障，对电力巡检具有良好的应用前景。
技术实现思路
本专利技术的目的在于提供一种基于FastR-CNN的绝缘子故障检测方法，通过航拍技术和FasterR-CNN技术的有机结合，实现绝缘子的自动故障检测。为实现上述目的，本专利技术的技术方案是：一种基于FastR-CNN的绝缘子故障检测方法，该方法通过航拍技术和FasterR-CNN技术的有机结合，实现对输电线路的绝缘子器件进行故障识别并定位出故障点同时检测出故障类型。在本专利技术一实施例中，该方法具体实现步骤如下，S1、通过无人机采集输电线路图像信息；S2、绝缘子分类检测：首先将部分图像中的绝缘子作为训练样本，并利用FastR-CNN中的卷积核提取出绝缘子包括颜色、轮廓、纹理的特征作为特征向量进行训练；检测时，通过区域提议网络在图像上产生可能为目标的包围框，训练后的模型可对这些包围框进行判定，检测是否为目标绝缘子，定位出绝缘子所在图像位置，并且通过FastR-CNN中的分类器辨别出其类别；S3、绝缘子故障定位：训练过程与检测同绝缘子分类，由于当绝缘子发生掉串故障，掉串位置与其它绝缘子片存在差异，因此通过基于FastR-CNN中的卷积核提取出其包括轮廓、纹理的特征可检测出绝缘子掉串故障所在包围框，并定位出故障位置在本专利技术一实施例中，该方法还能够用于检测包括间隔棒、均压环、防震锤的电力部件。在本专利技术一实施例中，所述步骤S1中，还能够通过机器人或相机设备采集输电线路图像信息。相较于现有技术，本专利技术具有以下有益效果：本专利技术在于将无人机与FasterR-CNN技术相结合，首先通过对绝缘子器件图像的采集，然后通过FasterR-CNN目标检测多种绝缘子图像，实现对绝缘子种类的分类，最后对分类好的绝缘子图像实现图像定位，并通过图像特征识别绝缘子的故障，进而达到对绝缘子的故障检测，极大地节省了检修成本，使巡线系统更为高效和智能。附图说明图1绝缘子故障检测流程图。图2FasterR-CNN工作流程图。图3FasterR-CNN网络结构图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。本专利技术的一种基于FastR-CNN的绝缘子故障检测方法，该方法通过航拍技术和FasterR-CNN技术的有机结合，实现对输电线路的绝缘子器件进行故障识别并定位出故障点同时检测出故障类型，该方法具体实现步骤如下，S1、通过无人机采集输电线路图像信息；S2、绝缘子分类检测：首先将部分图像中的绝缘子作为训练样本，并利用FastR-CNN中的卷积核提取出绝缘子颜色、轮廓、纹理等特征作为特征向量进行训练。检测时，通过区域提议网络在图像上产生可能为目标的包围框，训练后的模型可对这些包围框进行判定，检测是否为目标绝缘子，可有效适用于玻璃绝缘子和复合绝缘子的图像检测可定位出绝缘子所在图像位置，并且通过FastR-CNN中的分类器辨别出其类别；S3、绝缘子故障定位：训练过程与检测同绝缘子分类，由于当绝缘子发生掉串故障，掉串位置与其它绝缘子片存在差异，因此通过基于FastR-CNN中的卷积核提取出其轮廓、纹理等特征可检测出绝缘子掉串故障所在包围框，并定位出故障位置。该方法还能够用于检测包括间隔棒、均压环、防震锤的电力部件。所述步骤S1中，还能够通过机器人或相机设备采集输电线路图像信息。以下为本专利技术的具体实现过程。基于FasterR-CNN的绝缘子故障检测分为两个检测过程：绝缘子分类检测与绝缘子故障定位。工作流程图如图1所示，对于无人机输电线路航拍的海量照片，有一大部分的照片不能用来检测绝缘子故障，故通过绝缘子分类检测，将些海量照片进行智能筛选并进行分类，为下一步进行故障检测奠定基础。绝缘子分类检测模块的训练正样本为各种类别的绝缘子串，在复杂背景中节能达到识别。对于分类筛选出的照片，进行绝缘子故障检测与定位，该模块的训练正样本为绝缘子的故障点，故可用于绝缘子缺失或爆裂的故障情况进行故障点定位，并在有故障绝缘子的图中用包围框框出故障点并显示故障类型，做到绝缘子故障的智能检测。FasterR-CNN工作流程图如图2所示，Faster-CNN方法包含2个CNN网络：区域提议网络RPN（RegionalProposalNetwork）和FastR-CNN检测网络。其中RPN为全卷积网络，其核心思想是使用卷积神经网络直接产生区域提议，在图片中生成一系列多尺度多长宽比的候选框。FastR-CNN基于RPN提取的候选框检测并识别其中的目标。图3为FasterR-CNN网络结构图，具体检测过程如下：输入的图像首先通过卷基层，经过卷积和本文档来自技高网...

【技术保护点】
1.一种基于Fast R‑CNN的绝缘子故障检测方法，其特征在于：该方法通过航拍技术和Faster R‑CNN技术的有机结合，实现对输电线路的绝缘子器件进行故障识别并定位出故障点同时检测出故障类型。

【技术特征摘要】
1.一种基于FastR-CNN的绝缘子故障检测方法，其特征在于：该方法通过航拍技术和FasterR-CNN技术的有机结合，实现对输电线路的绝缘子器件进行故障识别并定位出故障点同时检测出故障类型。2.根据权利要求1所述的一种基于FastR-CNN的绝缘子故障检测方法，其特征在于：该方法具体实现步骤如下，S1、通过无人机采集输电线路图像信息；S2、绝缘子分类检测：首先将部分图像中的绝缘子作为训练样本，并利用FastR-CNN中的卷积核提取出绝缘子包括颜色、轮廓、纹理的特征作为特征向量进行训练；检测时，通过区域提议网络在图像上产生可能为目标的包围框，训练后的模型可对这些包围框进行判定，检测是否为目标绝...

【专利技术属性】
技术研发人员：江灏，陈俊杰，缪希仁，陈静，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建,35