一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统技术方案

本发明专利技术涉及一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统，属于绝缘子检测领域，首选构建正常绝缘子数据集和缺陷绝缘子数据集，然后利用正常绝缘子数据集训练第一FasterR

【技术实现步骤摘要】
一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统


[0001]本专利技术涉及绝缘子检测领域，特别是涉及一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统。

技术介绍

[0002]输电线路检测是电力系统安全、不间断、可靠运行的重要保证。在输电线路中，绝缘子作为一种重要的电力器件，主要起到了导线的固定支撑和绝缘保护的作用，作为玻璃陶瓷器件，长期工作于恶劣的外界环境中，在积污、受潮和电场等外界环境作用下，绝缘子表面电流发生泄露，产生部分干带，干带位置发生空气击穿时，产生的电弧会蚀伤玻璃伞裙，当蚀伤深度较深时将造成自爆。长期使用的绝缘子会发生老化，性能不断下降最终丧失绝缘的作用，其他缺陷类型还包括掉串、锈蚀、污秽、闪络或电蚀。一旦出现故障，会对输电线路的安全性和可靠性产生一定程度上的威胁。因此，应该将准确、高效地排查绝缘子是否处于完好状态视为重要的问题。
[0003]传统的电力安全巡检主要以人工实地勘察为主。由于大多数高压架空线路都是设立在复杂地形的自然界中，这使得专业人员需要通过高空作业来进行巡检操作。这种人工检查的方式不仅会很大程度上受自然环境和气候条件的限制，风险系数高，而且架空输电线路也很多，使用的绝缘子种类多种多样，只依赖于这种人工检查方法，工作量大、危险系数高、效率低。长时间的高空作业也会导致因疲劳而降低探测精度。为了避免这些问题的存在，让电力巡检更加高效化、自动化、智能化，近年来出现的无人机巡检逐渐取缔了人工巡检。该无人机操作简单，对环境要求低，不仅减少了人工投资，提高了能源巡查效率，也保障了巡查的安全。
[0004]然而，无人机拍摄的高清绝缘子图像数量众多，图像中的绝缘子所在的背景存在干扰性强，主体大小不一。仅通过手动处理图像信息来确定绝缘子是否处于良好状态需要很长时间。因此，对图像数据信息进行自动处理，提高检测绝缘子状态的精度和效率，成为了提高电力巡检效率的关键因素之一。
[0005]为了从无人机采集的图像中辨别出缺陷绝缘子，国内外的研究主要经历了以传统图像处理技术与深度学习技术为基础的两个阶段。
[0006]传统的图像检测算法一般是通过图形分割以及机器学习等方法，提取给定图像的特征，建立对应的数学模型，再利用数学模型以及提取到的图像特征，训练图像特征分类器，对绝缘子进行检测和定位。
[0007]杨辉金等人使用LBP(Local Binary Pattern,局部二值模式)算子提取给定图像特征，紧接着使用Adaboost算法对特征进行分类，最后利用OTUS阈值分割对裂纹缺陷进行检测。徐向军等人使用边缘检测算子检测图像中绝缘子的边缘特征，再利用高斯尺度空间分解以及绝缘子形状特征，对绝缘子进行检测。钟超等人先使用偏微分方程对图像进行预处理，然后通过分析绝缘子形状特征提出基于绝缘子轮廓的检测算法。Zhao使用SURF(Speeded Up Robust Features)对巡检图像进行特征提取，然后使用相关系数IFS实现特
征分类，通过对照各类的形状特征值以及最小限制矩形实现绝缘子的检测。Zhao等人基于绝缘子形状特征，提出了结合方向角检测以及先验知识的绝缘子定位算法。伍洋等人基于Ada Boost级联分类器提出了两种绝缘子检测算法，一种是结合目标建议Bing的算法，另一种是结合绝缘子3D模型、sketch提取的绝缘子检测算法。Zhai等人针对绝缘子的结构和变形问题融合自适应学习，提出了基于显着性特征和自适应形态学的故障检测算法。商俊平等人使用OTUS对图像进行分割处理从而提取绝缘子不变矩特征，再使用机器学习算法精确定位绝缘子，最后结合相邻绝缘子片的欧式距离分析出绝缘子自破裂缺陷位置。Cheng等人利用边缘检测算子进行提取，然后结合绝缘子空间特征检测绝缘子自爆缺陷。然而传统的检测方式以人为提取的特征为检测依据，带来了精度低、泛化能力差等一系列缺点。
[0008]随着深度学习算法成为研究热点，深度学习在图像处理领域中的发展逐渐成熟。
[0009]Xian等人提出基于CNN(Convolutional Neural Network，卷积神经网络)的两级级联网络：先于一级定位绝缘子，再由二级检测绝缘子缺陷。Li等人融合FasterR
‑
CNN网络和U
‑
Net对无人机采集图像中的绝缘子进行定位和缺陷检测。潘哲等人提出基于MFIDN的检测网络，该算法的特点在于：使用多尺度预测结构，采用具有弱监督细粒度的MFIFIN网络检测绝缘子。李军锋等人在Alex Net的基础上，结合随机森林分类器实现对电力设备的检测。杜丽群等人以基于VGG
‑
16的SSD网络为基础，利用微调网络模型、生成自适应默认框对绝缘子进行检测。刘业鹏等人在SSD检测模型的基础上进行改进，实现对绝缘子的检测，在图像底层引入FPN结构，增强了对特征信息的提取从而提高了检测精度。但这些深度学习算法模型的参数量大、泛化能力较弱、计算性能受限，在背景复杂的情况下检测效果不佳。

技术实现思路

[0010]本专利技术的目的是提供一种融合迁移学习的输电线路绝缘子缺陷检测方法及系统，以提高绝缘子缺陷的检测精度。
[0011]为实现上述目的，本专利技术提供了如下方案：
[0012]一种融合迁移学习的输电线路绝缘子缺陷检测方法，所述方法包括：
[0013]构建正常绝缘子数据集和缺陷绝缘子数据集；所述正常绝缘子数据集包括正常绝缘子图像和对正常绝缘子的标注；所述缺陷绝缘子数据集包括带缺陷的绝缘子图像和对带缺陷的绝缘子的标注；
[0014]利用正常绝缘子数据集训练第一Faster R
‑
CNN网络，并将训练后的第一Faster R
‑
CNN网络的绝缘子检测权重迁移至第二Faster R
‑
CNN网络，获得Faster R
‑
CNN迁移网络；
[0015]采用缺陷绝缘子数据集训练Faster R
‑
CNN迁移网络，获得绝缘子检测模型；
[0016]将缺陷绝缘子数据集中每张带缺陷的绝缘子图像分别输入至绝缘子检测模型，对绝缘子图像中的绝缘子进行定位，输出多张带有绝缘子标注框的绝缘子图像；
[0017]在每张带有绝缘子标注框的绝缘子图像中沿着标注框进行裁剪，并对裁剪得到的绝缘子的缺陷部分进行标注；
[0018]采用由多张裁剪得到的绝缘子图像和对缺陷部分进行的标注所构成的缺陷数据集训练第三Faster R
‑
CNN网络，获得缺陷检测模型；
[0019]根据待检测的带缺陷的绝缘子图像，依次利用所述绝缘子检测模型和所述缺陷检测模型，获得绝缘子的缺陷图像。
[0020]可选的，所述在每张带有绝缘子标注框的绝缘子图像中沿着标注框进行裁剪，之后还包括：
[0021]调用imgaug图像增强库增强裁剪得到的绝缘子图像的数量。
[0022]可选的，所述第三Faster R
‑
CNN网络将Faster 本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种融合迁移学习的输电线路绝缘子缺陷检测方法，其特征在于，所述方法包括：构建正常绝缘子数据集和缺陷绝缘子数据集；所述正常绝缘子数据集包括正常绝缘子图像和对正常绝缘子的标注；所述缺陷绝缘子数据集包括带缺陷的绝缘子图像和对带缺陷的绝缘子的标注；利用正常绝缘子数据集训练第一Faster R
‑
CNN网络，并将训练后的第一Faster R
‑
CNN网络的绝缘子检测权重迁移至第二Faster R
‑
CNN网络，获得Faster R
‑
CNN迁移网络；采用缺陷绝缘子数据集训练Faster R
‑
CNN迁移网络，获得绝缘子检测模型；将缺陷绝缘子数据集中每张带缺陷的绝缘子图像分别输入至绝缘子检测模型，对绝缘子图像中的绝缘子进行定位，输出多张带有绝缘子标注框的绝缘子图像；在每张带有绝缘子标注框的绝缘子图像中沿着标注框进行裁剪，并对裁剪得到的绝缘子的缺陷部分进行标注；采用由多张裁剪得到的绝缘子图像和对缺陷部分进行的标注所构成的缺陷数据集训练第三Faster R
‑
CNN网络，获得缺陷检测模型；根据待检测的带缺陷的绝缘子图像，依次利用所述绝缘子检测模型和所述缺陷检测模型，获得绝缘子的缺陷图像。2.根据权利要求1所述的方法，其特征在于，所述在每张带有绝缘子标注框的绝缘子图像中沿着标注框进行裁剪，之后还包括：调用imgaug图像增强库增强裁剪得到的绝缘子图像的数量。3.根据权利要求1所述的方法，其特征在于，所述第三Faster R
‑
CNN网络将Faster R
‑
CNN网络的主干网络backbone替换为mobilenet
‑
V2，并在Faster R
‑
CNN网络的池化层和全连接层之间添加了注意力模块CBAM。4.根据权利要求1所述的方法，其特征在于，所述第一Faster R
‑
CNN网络、所述第二Faster R
‑
CNN网络和所述第三Faster R
‑
CNN网络的损失均包括RPN损失和Faste RCNN损失，RPN损失和Faste RCNN损失均包括分类损失和回归损失。5.一种融合迁移学习的输电线路绝缘子缺陷检测系统，其特征在...

【专利技术属性】
技术研发人员：翟永杰，胡哲东，白云山，赵宽，李冰，
申请(专利权)人：华北电力大学保定，
类型：发明
国别省市：