一种输电线路金具检测方法及系统技术方案

本发明专利技术公开了一种输电线路金具检测方法及系统。该方法包括：获取金具数据集，根据输电线路航拍图像，采用Faster R‑CNN算法得到视觉特征；根据输电线路航拍图像和视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵；根据学习后的共现图邻接矩阵对视觉特征进行信息传播，得到增强特征；将视觉特征和增强特征级联，得到融合特征，并对融合特征进行全连接处理，得到金具类型和金具位置。采用本发明专利技术的方法及系统，能够降低传统深度学习模型对数据集中各个金具的样本数量要求，缓解输电线路航拍数据的样本不平衡与长尾分布问题，提高输电线路金具检测效果。

【技术实现步骤摘要】
一种输电线路金具检测方法及系统
本专利技术涉及输电线路金具检测
，特别是涉及一种输电线路金具检测方法及系统。
技术介绍
近年来，随着电网高速发展与全面覆盖，输电线路作为电力传输中的核心系统，其稳定运行对电网的安全有着至关重要的影响。其中，金具作为输电线路的重要附件，起到了固定、防护与接续以及维持整个线路稳定运行的作用。由于金具的工作环境往往处在复杂恶劣的野外环境，极易发生锈蚀、变形、破损等缺陷，因此对输电线路进行定期巡检将大大减少输电线路故障的发生。随着数字图像处理与无人机监控技术的发展，基于航拍图像处理的输电线路金具巡检技术已成功应用。目前金具检测的方法可以分为3类：基于特征描述的算法、基于经典机器学习的算法和基于深度学习的算法。随着深度学习在公开数据集中的流行与发展，基于深度学习目标检测算法的金具定位与检测研究得到了研究学者的广泛关注。然而，基于深度学习的算法仅针对输电线路金具本身特性对目标检测模型进行适用性应用与改进，未能将模型与电力领域业务知识有效融合。同时，受限于金具工作环境的特殊性，多种金具间往往存在严重的样本不平衡问题，对于某些样本较少的金具，单一的深度检测模型不能准确地对关键部件进行检测。
技术实现思路
本专利技术的目的是提供一种输电线路金具检测方法及系统，能够降低传统深度学习模型对数据集中各个金具的样本数量要求，缓解输电线路航拍数据的样本不平衡与长尾分布问题，提高输电线路金具检测效果。为实现上述目的，本专利技术提供了如下方案：一种输电线路金具检测方法，包括：获取金具数据集；所述金具数据集中包括多张输电线路航拍图像；根据所述输电线路航拍图像，采用FasterR-CNN算法得到视觉特征；根据所述输电线路航拍图像和所述视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵；根据所述学习后的共现图邻接矩阵对所述视觉特征进行信息传播，得到增强特征；将所述视觉特征和所述增强特征级联，得到融合特征，并对所述融合特征进行全连接处理，得到金具类型和金具位置。可选的，所述根据所述输电线路航拍图像，采用FasterR-CNN算法得到视觉特征，具体包括：提取所述输电线路航拍图像的多通道特征，得到图像特征图；根据预设尺寸和比例的多种锚框进行图像特征图滑动，生成多个候选框；采用非极大值抑制算法对所述候选框进行筛选，得到多个目标候选区域；将所述目标候选区域分成n×n个图块，并对n×n个图块进行最大池化处理，得到视觉特征。可选的，所述根据所述输电线路航拍图像和所述视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵，具体包括：计算所述金具数据集中的每一输电线路航拍图像中的两种金具标签成对出现次数以及同种金具标签出现次数；将所述两种金具标签成对出现次数与所述同种金具标签出现次数的比值确定为共现概率，并根据所述共现概率生成共现概率矩阵；将所述共现概率矩阵对实际金具类别对应的共现概率进行映射，得到共现概率映射矩阵；根据所述视觉特征，采用多层感知机算法进行学习，得到共现图邻接矩阵；以所述共现概率映射矩阵为真值，以所述视觉特征和所述共现图邻接矩阵为训练值，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵。可选的，所述根据所述学习后的共现图邻接矩阵对所述视觉特征进行信息传播，得到增强特征，具体包括：对所述学习后的共现图邻接矩阵进行归一化处理，得到归一化后的共现图邻接矩阵；根据所述归一化后的共现图邻接矩阵，采用如下公式得到增强特征f′：f′＝εfWe式中，ε为归一化后的共现图邻接矩阵，f为视觉特征，We为变换权重矩阵。本专利技术还提供一种输电线路金具检测系统，包括：输入子网络模块，用于获取金具数据集；所述金具数据集中包括多张输电线路航拍图像；FasterR-CNN子网络模块，用于根据所述输电线路航拍图像，采用FasterR-CNN算法得到视觉特征；图推理子网络模块，用于根据所述输电线路航拍图像和所述视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵；根据所述学习后的共现图邻接矩阵对所述视觉特征进行信息传播，得到增强特征；结果输出子网络模块，用于将所述视觉特征和所述增强特征级联，得到融合特征，并对所述融合特征进行全连接处理，得到金具类型和金具位置。可选的，所述FasterR-CNN子网络模块，具体包括：图像特征图生成单元，用于提取所述输电线路航拍图像的多通道特征，得到图像特征图；候选框生成单元，用于根据预设尺寸和比例的多种锚框进行图像特征图滑动，生成多个候选框；目标候选区域生成单元，用于采用非极大值抑制算法对所述候选框进行筛选，得到多个目标候选区域；视觉特征生成单元，用于将所述目标候选区域分成n×n个图块，并对n×n个图块进行最大池化处理，得到视觉特征。可选的，所述图推理子网络模块，具体包括：次数计算单元，用于计算所述金具数据集中的每一输电线路航拍图像中的两种金具标签成对出现次数以及同种金具标签出现次数；共现概率矩阵生成单元，用于将所述两种金具标签成对出现次数与所述同种金具标签出现次数的比值确定为共现概率，并根据所述共现概率生成共现概率矩阵；共现概率映射矩阵生成单元，用于将所述共现概率矩阵对实际金具类别对应的共现概率进行映射，得到共现概率映射矩阵；共现图邻接矩阵生成单元，用于根据所述视觉特征，采用多层感知机算法进行学习，得到共现图邻接矩阵；学习单元，用于以所述共现概率映射矩阵为真值，以所述视觉特征和所述共现图邻接矩阵为训练值，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵。可选的，所述图推理子网络模块，还包括：归一化处理单元，用于对所述学习后的共现图邻接矩阵进行归一化处理，得到归一化后的共现图邻接矩阵；增强特征生成单元，用于根据所述归一化后的共现图邻接矩阵，采用如下公式得到增强特征f′：f′＝εfWe式中，ε为归一化后的共现图邻接矩阵，f为视觉特征，We为变换权重矩阵。与现有技术相比，本专利技术的有益效果是：本专利技术提出了一种输电线路金具检测方法及系统，获取金具数据集，根据输电线路航拍图像，采用FasterR-CNN算法得到视觉特征；根据输电线路航拍图像和视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵；根据学习后的共现图邻接矩阵对视觉特征进行信息传播，得到增强特征；将视觉特征和增强特征级联，得到融合特征，并对融合特征进行全连接处理，得到金具类型和金具位置。本专利技术能够降低传统深度学习模型对数据集中各个金具的样本数量要求，缓解输电线路航拍数据的样本不平衡与长尾分布问题，提高输电线路金具检测效果。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述本文档来自技高网...

【技术保护点】
1.一种输电线路金具检测方法，其特征在于，包括：/n获取金具数据集；所述金具数据集中包括多张输电线路航拍图像；/n根据所述输电线路航拍图像，采用Faster R-CNN算法得到视觉特征；/n根据所述输电线路航拍图像和所述视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵；根据所述学习后的共现图邻接矩阵对所述视觉特征进行信息传播，得到增强特征；/n将所述视觉特征和所述增强特征级联，得到融合特征，并对所述融合特征进行全连接处理，得到金具类型和金具位置。/n

【技术特征摘要】
1.一种输电线路金具检测方法，其特征在于，包括：
获取金具数据集；所述金具数据集中包括多张输电线路航拍图像；
根据所述输电线路航拍图像，采用FasterR-CNN算法得到视觉特征；
根据所述输电线路航拍图像和所述视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵；根据所述学习后的共现图邻接矩阵对所述视觉特征进行信息传播，得到增强特征；
将所述视觉特征和所述增强特征级联，得到融合特征，并对所述融合特征进行全连接处理，得到金具类型和金具位置。


2.根据权利要求1所述的输电线路金具检测方法，其特征在于，所述根据所述输电线路航拍图像，采用FasterR-CNN算法得到视觉特征，具体包括：
提取所述输电线路航拍图像的多通道特征，得到图像特征图；
根据预设尺寸和比例的多种锚框进行图像特征图滑动，生成多个候选框；
采用非极大值抑制算法对所述候选框进行筛选，得到多个目标候选区域；
将所述目标候选区域分成n×n个图块，并对n×n个图块进行最大池化处理，得到视觉特征。


3.根据权利要求2所述的输电线路金具检测方法，其特征在于，所述根据所述输电线路航拍图像和所述视觉特征，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵，具体包括：
计算所述金具数据集中的每一输电线路航拍图像中的两种金具标签成对出现次数以及同种金具标签出现次数；
将所述两种金具标签成对出现次数与所述同种金具标签出现次数的比值确定为共现概率，并根据所述共现概率生成共现概率矩阵；
将所述共现概率矩阵对实际金具类别对应的共现概率进行映射，得到共现概率映射矩阵；
根据所述视觉特征，采用多层感知机算法进行学习，得到共现图邻接矩阵；
以所述共现概率映射矩阵为真值，以所述视觉特征和所述共现图邻接矩阵为训练值，采用多层感知机算法进行学习，得到学习后的共现图邻接矩阵。


4.根据权利要求3所述的输电线路金具检测方法，其特征在于，所述根据所述学习后的共现图邻接矩阵对所述视觉特征进行信息传播，得到增强特征，具体包括：
对所述学习后的共现图邻接矩阵进行归一化处理，得到归一化后的共现图邻接矩阵；
根据所述归一化后的共现图邻接矩阵，采用如下公式得到增强特征f′：
f′＝εfWe
式中，ε为归一化后的共现图邻接矩阵，f为视觉特征，We为变换权重矩阵。


5.一种输电线路金具检测系统，其特征在于，包括：
输入子网络模块，用于获取...

【专利技术属性】
技术研发人员：翟永杰，杨旭，王乾铭，张效铭，赵振兵，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：河北;13