本发明专利技术公开了一种基于5G传输和改进YOLOv3的无人机输电线路绝缘子故障检测方法，属于传感器相关领域，包括：该发明专利技术通过建立一种改进的YOLOv3级联网络结构对输电线路绝缘子进行缺陷检测和故障定位，极大地提高缺陷检测准确率，实现故障绝缘子块的精确定位。针对偏远地区通信方案传输速度慢、信号不稳的问题，本方法拟采用5G无人机基站技术传输无人机拍摄的待巡线输电线路区域的视频数据，提高数据传输的实时性，并为后续绝缘子检测、定位与故障分类提供高分辨率的视频帧图像。
【技术实现步骤摘要】
基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法
本专利技术涉及一种基于5G传输和改进YOLOv3的输电线路绝缘子故障检测方法，属于传感器相关领域。
技术介绍
无人机电力巡检是一种利用无人机自主作业完成对架空输电线路维护的新型巡检方式。无人机通过机身携带的图像采集设备和远程终端控制系统，获取高清晰度的航拍绝缘子图像，并予以故障分析。与传统的人工巡检方式不同，无人机电力巡检具有复杂地形适应能力强、安全系数高、风险小、成本低、准确可靠等优点，已经成为输电线路运维技术的重点发展方向之一。然而，由于无人机航拍图像的复杂性与现有视觉识别算法技术的局限性，对小故障检测精度不高，计算复杂度高，难以实现实时性，限制了电力巡检在无人机上的应用深度和广度。
技术实现思路
本专利技术要解决的技术问题是：由于无人机航拍图像的复杂性与现有视觉识别算法技术的局限性，对小故障检测精度不高，计算复杂度高，难以实现实时性，限制了电力巡检在无人机上的应用深度和广度。为了解决上述技术问题，本专利技术的技术方案是提供了一种基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法，其特征在于，包括以下步骤：利用无人机携带图像采集设备获取高清晰度的输电线路绝缘子视频图像，采用5G无人机基站技术将输电线路绝缘子视频图像数据传输至控制中心，控制中心将接收到的输电线路绝缘子视频图像输入改进的YOLOv3级联网络结构，由改进的YOLOv3级联网络结构对输电线路绝缘子进行检测，对输出输电线路绝缘子是否存在故障进行判断，其中：改进的YOLOv3级联网络结构包括ResNet-50，输电线路绝缘子视频图像输入ResNet-50进行处理，由绝缘子检测网模块利用ResNet-50的输出来构建不同尺度的特征金字塔，不同尺度的特征金字塔再输入IoU预测分支，IoU预测分支通过预测目标候选包围框与真实目标标注的IoU，并基于此分类分数的乘积作为检测置信度，用于NMS计算。优选地，对所述改进的YOLOv3级联网络结构进行训练时，由无人机采集真实环境下的绝缘子各类故障高清晰度混合照片，构建绝缘子数据集，利用GAN生成式对抗网络来对绝缘子数据集中的图像进行预处理，把缺陷绝缘子图像与各种复杂背景融合，扩充缺陷绝缘子数据集，然后将绝缘子图像数据集送进改进的YOLOv3级联网络结构中进行训练。优选地，所述绝缘子检测网模块为具有侧向连接的自上而下的网络结构，用来构建不同尺寸的具有高级语义信息的特征图。优选地，所述IoU预测分支将预测的IoU乘以分类概率和客观评分来计算最终的检测置信度，置信度与定位精度的相关性更大，然后将最终的检测置信度用作后续NMS的输入。优选地，获得输电线路绝缘子视频图像后，得到输电线路绝缘子精确定位框图，随后对该输电线路绝缘子精确定位框图进行剪裁获得绝缘子有效剪裁框图，将绝缘子有效剪裁框图输入所述改进的YOLOv3级联网络结构。本专利技术提供了一种基于5G传输和改进YOLOv3的输电线路绝缘子故障检测方法，该方法采用基于5G网络传输和改进YOLOv3的无人机图像自主检测绝缘子缺陷方法，充分发挥5G网络与YOLOv3检测网络各自的优势，解决传统算法对小故障检测精度低和输电线路巡线区域视频数据传输过程中信号保真度不足、传输延时高的问题，精确定位从实际检测环境采集的输入图像中出现的绝缘子缺陷。与现有技术相比，本专利技术的有益效果是：充分发挥5G网络与YOLOv3网络各自的优势，能够提高无人机巡检识别处理速度和识别效率，实现电力巡检智能化，减少电力巡检人员工作量，更好发挥无人机电力巡检优势。附图说明图1为基于改进YOLOv3的输电线路绝缘子故障检测方法流程图；图2为改进YOLOv3网络结构；图3为基于5G技术的无人机视频传输方案结构图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。如图1所示，为改进YOLOv3的输电线路绝缘子故障检测方法流程图，利用无人机采集真实环境下的绝缘子各类故障高清晰度混合照片，构建绝缘子数据集，由于缺陷绝缘子数据集稀缺，利用GAN生成式对抗网络来对图像进行预处理，把缺陷绝缘子图像与各种复杂背景融合，扩充缺陷绝缘子数据集，然后将所述的绝缘子图像数据集送进改进型YOLOv3检测网络模型中进行训练，得到模型权重后，将其应用于实际输电线路绝缘子检测，得到绝缘子精确定位框图后，将其有效裁剪，在保留图像主要特征的同时减少图像参数，提高检测速度。并再次送入改进YOLOv3检测网络中，得到绝缘子故障分类，地面控制中心自动抓取当前实际检测环境中故障绝缘子的空间坐标并通知巡检人员解除故障。图1中，检测模块一是对YOLOv3网络结构增加一种置信度机制，能够更好地对待巡线区域中绝缘子进行定位。而检测模块二是对定位出来的绝缘子图像裁剪后进行故障分类，极大地减少了图像中的冗余信息，能够加快检测速度。受残差网络ResNet和特征金字塔方法的启发，本方法拟提出一种基于5G传输和改进YOLOv3的输电线路绝缘子故障检测方法。本方法使用的主干网络不同于初始YOLOv3中所选取的DarkNet-53，而是选取了更为广泛更好优化的ResNet-50代替。引入InsulatorDetectionNetwork(IDN)模块来构建不同尺度的特征金字塔和IoU预测分支来衡量定位精度。现在的很多网络都使用了利用单个高层特征，比如说FasterR-CNN利用下采样四倍的卷积层-Conv4，进行后续的物体的分类和boundingbox的回归，但是小物体本身具有的像素信息本来较少，在下采样的过程中极易被丢失，为了处理这种物体大小差异带来的多尺度变化问题，引入了一种具有侧向连接的自上而下的网络结构，用来构建不同尺寸的具有高级语义信息的特征图，IDN模块如图2所示，这种网络结构是以特征金字塔为基础结构上，对每一层级的特征图分别进行预测，能在增加较少计算量的前提下，可以在上采样的过程中最大程度地保留特征图的语义信息，融合低分辨率语义信息较强的特征图和高分辨率语义信息较弱但空间信息丰富的特征图，从而得到既有良好空间信息又有较强的语义信息的特征图。边界框回归是目标检测的关键步骤。在YOLOv3中，边界框回归采用L1损失函数。模型需要输出目标分类分数和与其对应的目标定位的包围框，在以往的模型中，经常使用分类分数作为目标定位准不准的置信度，并基于此对大量候选目标包围框NMS，现在越来越多的工作发现，分类分数高并不能保证定位精度高。与YOLOv4不同，没有直接用IoULoss代替L1Loss，而是增加一个分支来计算IoULoss。IoU预测分支如图2所示，通过预测目标候选包围框与真实目标标注的IoU，并基于此分类分数的乘积作为检测置信度，用于NMS计算。在训练过程中，采用本文档来自技高网...
【技术保护点】
1.一种基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法，其特征在于，包括以下步骤：/n利用无人机携带图像采集设备获取高清晰度的输电线路绝缘子视频图像，采用5G无人机基站技术将输电线路绝缘子视频图像数据传输至控制中心，控制中心将接收到的输电线路绝缘子视频图像输入改进的YOLOv3级联网络结构，由改进的YOLOv3级联网络结构对输电线路绝缘子进行检测，对输出输电线路绝缘子是否存在故障进行判断，其中：/n改进的YOLOv3级联网络结构包括ResNet-50，输电线路绝缘子视频图像输入ResNet-50进行处理，由绝缘子检测网模块利用ResNet-50的输出来构建不同尺度的特征金字塔，不同尺度的特征金字塔再输入IoU预测分支，IoU预测分支通过预测目标候选包围框与真实目标标注的IoU，并基于此分类分数的乘积作为检测置信度，用于NMS计算。/n
【技术特征摘要】
1.一种基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法，其特征在于，包括以下步骤：
利用无人机携带图像采集设备获取高清晰度的输电线路绝缘子视频图像，采用5G无人机基站技术将输电线路绝缘子视频图像数据传输至控制中心，控制中心将接收到的输电线路绝缘子视频图像输入改进的YOLOv3级联网络结构，由改进的YOLOv3级联网络结构对输电线路绝缘子进行检测，对输出输电线路绝缘子是否存在故障进行判断，其中：
改进的YOLOv3级联网络结构包括ResNet-50，输电线路绝缘子视频图像输入ResNet-50进行处理，由绝缘子检测网模块利用ResNet-50的输出来构建不同尺度的特征金字塔，不同尺度的特征金字塔再输入IoU预测分支，IoU预测分支通过预测目标候选包围框与真实目标标注的IoU，并基于此分类分数的乘积作为检测置信度，用于NMS计算。
2.如权利要求1所述的一种基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法，其特征在于，对所述改进的YOLOv3级联网络结构进行训练时，由无人机采集真实环境下的绝缘子各类故障高清晰度混合照片，构建绝缘子数...
【专利技术属性】
技术研发人员：张义红，姜诗高，李德敏，曹永胜，林晓东，李帅，吴森，朱迪，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。