一种绝缘子破损检测方法及装置制造方法及图纸

本发明专利技术公开了一种绝缘子破损检测方法及装置，其中方法包括：采集样本绝缘子图像，对样本绝缘子图像进行预处理，生成训练集；构建改进的YOLOv4

【技术实现步骤摘要】
一种绝缘子破损检测方法及装置


[0001]本专利技术涉及电力
，尤其涉及一种绝缘子破损检测方法及装置。

技术介绍

[0002]在电路传输线路当中，绝缘子是必不可少的一部分，它主要用于导线与导线及导线与接地器件之间的连接，保持不同电位的平衡。由于绝缘子长期暴露在恶劣的自然环境下，可能会导致绝缘子发生破损，这就导致输电线路之间、杆塔之间等无法绝缘，从而发生安全故障。为了能够有效、平稳的保障输电线路的畅通，就需要对绝缘子的破损做到及时、有效的检测。传统的绝缘子破损检测主要依靠人工巡检，这就需要巡检员通过自身目测判断。这种方法不仅无法保证巡检员的安全，也无法保证巡检的精度。因此，目前绝缘子的破损检测主要依靠无人机采集图像，再通过人工对采集的图像进行判断其是否存在故障。该方法虽然有效的保障了巡检员的生命安全，但是相对而言检测的效率较低，无法满足高压电网高效率传输的需求。
[0003]目前针对绝缘子破损检测主要包含图像处理技术与传统技术结合、基于深度学习目标检测这两大类。YOLO(You Only Look Once)是一种基于深度神经网络的对象识别和定位算法，广泛应用于各类目标检测，传统的YOLOv4模型在进行绝缘子的检测过程中，会导致计算复杂化，增加检测和识别的时间。通过剪枝压缩操作对其改进后得到如图1所示的YOLOv4
‑
Tiny网络结构。从图中可以看出，在保留YOLOv4模型当中的残差的基本结构的基础上，降低堆积次数。同时将特征融合层的双向特征提取模块削减为单向的上采样的方式缩小模型结构、降低模型中的参数量与计算量。YOLOv4
‑
Tiny的总参数量仅为YOLOv4模型的10％，极大的提升了绝缘子的检测效率。但是，从整体的结构示意图当中可以看出该模型为了加快检测速度，降低卷积层的使用导致骨干网络当中的高层的特征信息丢失严重。与此同时，针对微小的目标检测的时候容易出现特征点跳过无法检测的问题。
[0004]专利文献CN113537119B公开了一种基于改进Yolov4
‑
tiny的输电线路连接部件检测方法，所述检测方法包括步骤：步骤1，采集输电线路无人机航拍图像的原始数据集，进行预处理，建立目标数据集；步骤2，对目标数据集进行K
‑
means聚类分析，得到重新聚类的预设锚框值；步骤3，改进Yolov4
‑
tiny网络，加入ResNet
‑
D模块和Res
‑
CBAM模块；在原Yolov4
‑
tiny网络架构基础上，采用ResNet
‑
D模块替换CSPOSABlock模块，并以残差连接方式附加设计的Res
‑
CBAM模块；步骤4，利用目标数据集以及重新聚类的预设锚框值，对改进Yolov4
‑
tiny网络进行训练；步骤5，采用训练后的改进Yolov4
‑
tiny网络，对输电线路连接部件进行检测。该方法虽然能够在干扰物较多的情况下提高识别的准确度，但是计算量依然较大，检测效率较低。

技术实现思路

[0005]本专利技术提供了一种绝缘子破损检测方法及装置，能够进一步提高绝缘子破损识别的准确度，并能进一步提高检测效率。
[0006]一种绝缘子破损检测方法，包括：
[0007]采集样本绝缘子图像，对所述样本绝缘子图像进行预处理，生成训练集；
[0008]构建改进的YOLOv4
‑
tiny网络，所述改进的YOLOv4
‑
tiny网络包括特征提取网络模块和特征融合模块，所述特征提取网络模块和所述特征融合模块引入注意力机制；
[0009]将所述训练集输入至改进的YOLOv4
‑
tiny网络进行训练，在训练过程中计算损失函数值，当损失函数值的变化值小于预设值时训练完成；
[0010]将采集的实时绝缘子图像输入至训练后的改进的YOLOv4
‑
tiny网络，获得识别结果。
[0011]进一步地，对所述样本绝缘子图像进行预处理，包括：
[0012]对所述样本绝缘子图像进行降噪处理；
[0013]对降噪后的样本绝缘子图像进行异常标记；
[0014]对异常标记后的样本绝缘子图像进行裁剪和缩放，获得所述训练集。
[0015]进一步地，所述改进的YOLOv4
‑
tiny网络还包括Yolo head模块。
[0016]进一步地，所述特征提取网络模块包括依次连接的输入层、第一Basic Conv模块、第二Basic Conv模块、第一Resblock_body模块、第一非本地注意力机制模块、第二Resblock_body模块、第二非本地注意力机制模块、第三Basic Conv模块以及第三非本地注意力机制模块。
[0017]进一步地，所述输入层用于对所述样本绝缘子图像进行处理获得特征图，所述特征图经过所述第一Basic Conv模块、第二Basic Conv模块以及第一Resblock_body模块进行卷积操作，获取尺寸相同的第一特征矩阵、第二特征矩阵和第三特征矩阵；所述第一非本地注意力机制模块对所述第一特征矩阵、第二特征矩阵和第三特征矩阵进行压缩和维度合并，对压缩和维度合并后的第一特征矩阵和第二特征矩阵进行转置和点乘，获得第四特征矩阵；第二Resblock_body模块将所述第四特征矩阵与所述第三特征矩阵进行点乘和卷积操作，获得第五特征矩阵；所述第二非本地注意力机制模块构建所述特征图的恒等映射；将所述第五特征矩阵与所述恒等映射输入至所述第三Basic Conv模块以及第三Basic Conv模块进行卷积操作，之后输入至第三非本地注意力机制模块进行拼接，获得结果特征矩阵。
[0018]进一步地，所述特征融合模块包括Conv模块、第一CSAR注意力模块、上采样模块、Concat模块以及第二CSAR注意力模块。
[0019]进一步地，所述第一CSAR注意力模块和第二CSAR注意力模块均包括并联的空间注意力模块和通道注意力模块。
[0020]进一步地，所述Conv模块用于对所述结果特征矩阵进行卷积操作，所述第一CSAR注意力模块对经Conv模块卷积操作后的结果特征矩阵进行空间维度和通道维度的叠加，之后通过所述上采样模块和Concat模块分别进行上采样以及合并操作，获得融合矩阵，所述第二CSAR注意力模块对所述融合矩阵进行空间维度和通道维度的叠加之后输出。
[0021]进一步地，所述第一Basic Conv模块、第二Basic Conv模块以及第三Basic Conv模块均包括二维卷积层、归一化处理层以及激活层。
[0022]一种应用于上述方法的绝缘子破损检测装置，包括：
[0023]采集模块，用于采集样本绝缘子图像，对所述样本绝缘子图像进行预处理，生成训练集；
[0024]构建模块，用于构建改进的YOLOv4
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种绝缘子破损检测方法，其特征在于，包括：采集样本绝缘子图像，对所述样本绝缘子图像进行预处理，生成训练集；构建改进的YOLOv4
‑
tiny网络，所述改进的YOLOv4
‑
tiny网络包括特征提取网络模块和特征融合模块，所述特征提取网络模块和所述特征融合模块引入注意力机制；将所述训练集输入至改进的YOLOv4
‑
tiny网络进行训练，在训练过程中计算损失函数值，当损失函数值的变化值小于预设值时训练完成；将采集的实时绝缘子图像输入至训练后的改进的YOLOv4
‑
tiny网络，获得识别结果。2.根据权利要求1所述的方法，其特征在于，对所述样本绝缘子图像进行预处理，包括：对所述样本绝缘子图像进行降噪处理；对降噪后的样本绝缘子图像进行异常标记；对异常标记后的样本绝缘子图像进行裁剪和缩放，获得所述训练集。3.根据权利要去1所述的方法，其特征在于，所述改进的YOLOv4
‑
tiny网络还包括Yolo head模块。4.根据权利要求1所述的方法，其特征在于，所述特征提取网络模块包括依次连接的输入层、第一Basic Conv模块、第二Basic Conv模块、第一Resblock_body模块、第一非本地注意力机制模块、第二Resblock_body模块、第二非本地注意力机制模块、第三Basic Conv模块以及第三非本地注意力机制模块。5.根据权利要求4所述的方法，其特征在于，所述输入层用于对所述样本绝缘子图像进行处理获得特征图，所述特征图经过所述第一Basic Conv模块、第二Basic Conv模块以及第一Resblock_body模块进行卷积操作，获取尺寸相同的第一特征矩阵、第二特征矩阵和第三特征矩阵；所述第一非本地注意力机制模块对所述第一特征矩阵、第二特征矩阵和第三特征矩阵进行压缩和维度合并，对压缩和维度合并后的第一特征矩阵和第二特征矩阵进行转置和点乘，获得第四特征矩阵；第二Resblock_body模块将所述第四特征矩阵与所述第三特征矩阵进行点乘和卷积操作，获得...

【专利技术属性】
技术研发人员：陆晓，徐春雷，蒋承伶，马洲俊，景巍巍，王茂飞，高超，吴奇伟，戴永东，毛锋，王神玉，
申请(专利权)人：国网江苏省电力有限公司泰州供电分公司，
类型：发明
国别省市：