【技术实现步骤摘要】
基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法
[0001]本专利技术属于图像处理
,涉及一种基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法。
技术介绍
[0002]近年来,鸟类繁衍数量激增、种群数量增多,日益增长的鸟类种群为输电铁塔及其线路的安全稳定运行带来了挑战。据资料统计,在2004
‑
2006年期间,220kV及以上输电线路鸟害跳闸数约占总跳闸数的1/10,其中主要以220kV线路为主;在2010
‑
2014年期间,全国27个省级国家电网公司的调查结果表明,110kV及以上电压等级的输电线路因涉鸟故障造成跳闸1702次;同时,上述数据均呈现出逐年上升趋势,涉鸟故障俨然已成为影响输电线路安全运行的重大隐患之一。因此,实现110kV
‑
220kV输电铁塔及其线路上的涉鸟故障识别与状态评估以便及时发布预警信息至关重要。
[0003]为了准确识别与防范各类涉鸟故障,国内外相关研究学者针对鸟类活动和涉鸟故障展开了调查分析。李长看等人根据河南电网的涉鸟故障特征,首次提出将涉鸟故障划分为鸟巢类、鸟粪类、鸟体短接类、鸟啄类四类,在每个类别下依据地区差异(包括地貌、植被、气候、迁徙通道)划分出不同的风险等级,并绘制出鸟害区域的风险等级分布图进而实现鸟害防治。正是基于对鸟类生活习性的观测和鸟害故障特点的总结,使得涉鸟故障防范不再依靠巡检人员的运行经验和主观臆测,从而在防鸟工作开展初期有效提高了涉鸟故障防范作业的有效性和经济性。例如,李帆等人结 ...
【技术保护点】
【技术特征摘要】
1.一种基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法,其特征在于,按照以下步骤实施:步骤1、建立图像数据库,以自然环境下的鸟类和架空输电线路为研究对象;步骤2、首先,加载基于COCO数据集训练而来的Mask RCNN预训练权重,通过组建残差网络、特征金字塔网络、区域候选网络和感兴趣区域对准计算单元来搭建Mask RCNN输电铁塔故障状态识别评估模型,以下简称Mask RCNN模型;其次,修改Mask RCNN模型的最后一层FC层分类数,并利用步骤1所建立的图像数据库对Mask RCNN模型进行迁移微调,实现鸟类、鸟巢、绝缘子及其本体故障的多目标识别与实例分割;最后,在Mask RCNN模型识别结果的基础上,结合图像处理技术对识别到的鸟粪污迹、鸟啄痕迹结果修正与故障状态评估;步骤3、对涉鸟故障特征进行分析,包括涉鸟故障类型分析和涉害鸟种特征分析;步骤4、利用步骤3的分析结果,建立融合涉害鸟种判别的涉鸟故障判别方式,实现对全类别涉鸟故障的识别评估。2.根据权利要求1所述的基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法,其特征在于,所述步骤1中,具体过程是:1.1)通过无人机拍摄、网络爬取和从CUB200
‑
2011数据集中下载获得,称为图像数据库;1.2)参照微软COCO2014数据集,通过Labelme软件对步骤1.1)得到的图像数据库样本进行边界及类别标注,标注时,利用Labelme软件中的多边形操作,沿着目标轮廓标点并连线构成图像的掩膜,通过矩形框操作标记目标的边界框,所包含的顶点坐标信息用于监督预测坐标的回归。3.根据权利要求1所述的基于Mask RCNN的输电铁塔涉鸟故障状态识别评估方法,其特征在于,所述步骤2中,具体过程是,2.1)依次选取的残差网络、特征金字塔网络、区域候选网络和感兴趣区域对准计算单元,搭建Mask RCNN模型;2.2)修改Mask RCNN模型最后一层FC层分类数,对Mask RCNN模型载入COCO数据集训练而来的预训练权重,输入步骤1建立的图像数据库进入Mask RCNN模型,保留ResNet
‑
50分类分支和Mask RCNN主分类分支,构成主辅结合的分类方式进行迁移微调式的训练,得到能够同时实现目标检测与实例分割的Mask RCNN输电铁塔故障状态识别评估模型,Mask RCNN模型中的总损失函数如式(1)所示:L=L
cls1
+L
cls2
+L
box
+L
mask
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)(1)
其中,L
cls1
是ResNet
‑
50分支构成的辅助分类损失函数,L
cls2
是MaskRCNN全连接层构成的主分类损失函数,L
box
是框回归损失函数,L
mask
是掩膜生成损失函数,N
cls
代表分类数,N
box
代表回归框个数,N
mask
代表掩膜个数;i为小批量中锚框的一个索引,t
i
表示预测框的偏移量,表示的是回归框相对于真实标签的实际偏移量,p
i
表示的是目标预测的概率值,表示回归框内物体,回归框内物体为正例,则值为1;回归框内物体为负例,则值为0;m
i
表示物体被预测为目标的置信度,体被预测为目标的置信度,R是关于鲁棒的损失函数的计算如式(7)所示,其中,x表示Mask RCNN输电铁塔故障状态识别评估模型的输入量:掩膜生成损失函数的计算如式(8)所示,其中,表示在第i个掩膜层中每个像素经过sigmoid函数后产生的输出;2.3)在MaskRCNN模型目标检测结果的基础上,建立基于预测框的鸟巢类故障状态识别方式,通过准确定位鸟巢、绝缘子区域和计算二者之间的水平间距实现鸟巢类故障状态的自动判别:2.3.1)输入Mask RCNN模型检测到的鸟巢边界框左上角坐标(x
1l
,y
1l
)、右下角坐标(x
1r
,y
1r
)和绝缘子边界框左上角坐标(x
2l
,y
2l
)、右下角坐标(x
2r
,y
2r
);2.3.2)根据对应坐标点,计算得到鸟巢区域中心点的坐标为(x1,y1)=((x
1l
+x
1r
)/2,(y
1l
+y
1r
)/2),同时,计算得到绝缘子区域中心点的坐标为(x2,y2)=((x
2l
+x
2r
)/2,(y
2l
+y
2r
)/2);2.3.3)定义鸟巢与绝缘子之间的水平间距D=|x1‑
x2|,设定110kV安全距离的上界为绝缘子高度的1.05倍即2/1.9=1.05,下界为绝缘子高度的0.37倍即0.6/1.6=0.37,220kV安全距离的上界为绝缘子高度的0.71倍即2/2.8=0.71,下界为绝缘子高度的0.26倍即0.6/2.3=0.26;于是,分别得到110kV、220kV电压等级下鸟巢...
【专利技术属性】
技术研发人员:黄新波,高玉菡,张烨,孙苏珍,李博涛,
申请(专利权)人:西安工程大学,
类型:发明
国别省市:
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。