本发明专利技术涉及基于图像识别和深度学习技术的输电线路智能巡检方法，包括以下步骤：S1:采用常规搭载高清摄像机的巡检无人机，基于预设巡检路径，进行输电线路初步巡检，获取输电线路图像数据；S2:基于对采集到的图像数据进行预处理；S3:采用异常点检测模型对输电线路设备进行自动识别和定位，检测出异常点；S4:基于异常点，利用联合分析方法，预测关联故障点，获取可能的关联故障点；S5:基于异常点和关联故障点，构建精细化巡检路径；S6:采基于精细化巡检路径进行巡检；S7:采用评估模型进行严重程度评估，生成输电线路设备的巡检报告。本发明专利技术实现对输电线路设备的自动化检测和分析，提高巡检效率和准确性。
【技术实现步骤摘要】
本专利技术涉及输电线路巡检领域，尤其涉及一种基于图像识别和深度学习技术的输电线路智能巡检方法。
技术介绍
1、随着国内经济的迅猛发展，对电力的需求逐渐增大，采用高压和超高压架空电力长线是长距离输配电的主要方式，所以超高压大容量电力线路的安全运行是我国经济建设坚强的电力保障；减少电力传输的故障、减少停电事故是需要解决的重点问题；人工巡检受地形、天气和人员因素的影响，效率较低、数据准确性不高，人员安全也难以得到保障。
2、而现有无人机进行巡检。在智能电力巡检中，首先由无人机等智能体设备进行输电线路数据采集工作。然后，将采集得到的图像等数据传输到服务器，利用计算机视觉技术进行自动处理和智能检测，大大节省了人力，提高了工作效率。但是由于视觉技术的缺陷，容易导致漏检的问题，而且单纯基于图像数据并不能对缺陷严重程度进行评估，严重影响检测的效率和准确性。
技术实现思路
1、为了解决上述问题，本专利技术的目的在于提供基于图像识别和深度学习技术的输电线路智能巡检方法，实现对输电线路设备的自动化检测和分析，提高巡检效率和准确性。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于图像识别和深度学习技术的输电线路智能巡检方法，包括以下步骤：
4、s1:采用常规搭载高清摄像机的巡检无人机，基于预设巡检路径，进行输电线路初步巡检，获取输电线路图像数据；
5、s2:基于对采集到的图像数据进行预处理，包括图像去噪、增强、裁剪和标注；
6、s3:采用异常点检测模型对输电线路设备进行自动识别和定位，检测出异常点；
7、s4:基于异常点，利用联合分析方法，预测关联故障点，获取可能的关联故障点；
8、s5:基于异常点和关联故障点，构建精细化巡检路径；
9、s6:采用搭载高清摄像机和红外传感器的巡检无人机基于精细化巡检路径进行巡检，获取异常点和关联故障点的多角度图像数据和红外数据；
10、s7:基于异常点检测模型对关联故障点的多角度图像数据检测，得到关联异常点；并基于异常点和关联异常点的多角度图像数据和红外数据采用评估模型进行严重程度评估，生成输电线路设备的巡检报告。
11、进一步的，预处理，具体如下:
12、使用高斯滤波，去除图像中的噪声，并对图像进行增强处理，包括对比度增强、亮度调整、色彩饱和度增强；
13、根据输电线路设备的大小和位置，对图像进行裁剪，去除无关背景信息，集中在关键设备部分；
14、对图像进行标注，标记出输电塔、绝缘子、导线设备的位置和边界框，具体的：
15、定义输电塔、绝缘子、导线设备的类别，并为每个类别指定唯一的标签。
16、对每个设备在图像中的位置进行标注，使用矩形边界框来标记设备的位置和大小。
17、标注数据以标准格式保存，以便后续训练目标检测模型。
18、进一步的，异常点检测模型构建，具体如下：
19、将vgg网络作为基础网络，用于提取图像的底层特征，引入fpn结构，利用多尺度特征图来增强对小目标的检测精度，所述fpn结果包括自顶向下和自底向上的特征融合，具体的：
20、自底向上：pl＝convl(cl)；
21、自顶向下：pl＝upsample(pl+1)+convl(cl)；
22、其中，pl表示第l层的特征图，cl表示第l层的卷积特征，conv()表示卷积操作，upsample()表示上采样操作；
23、并在每个特征层后添加se模块，通过学习到的注意力权重来调整特征图的重要性，提高对异常点的关注度，增强模型的表征能力，计算过程如下：
24、z＝gap(f)；
25、s＝σ(w2δ(w1z))；
26、fatt＝s·f；
27、其中，gap表示全局平均池化，f是输入特征图，z是全局平均池化后的特征，s是经过激活函数后的注意力权重，w1和w2是学习的权重参数，σ和δ是激活函数；
28、使用多任务损失函数，包括分类损失、定位损失、边界框回归损失和中心偏移损失：
29、
30、其中，l(x,c,l,g)为多任务损失；lconf(x,c)为分类损失；lloc(x,l,g)为定位损失；lreg(x,l,g)为边界框回归损失；lcenter(x,l,g)为中心偏移损失；n为批量数量；α,β,γ为权重系数；x表示模型的输出、c表示目标类别，l目标的位置信息，g表示目标的真实标注信息；；
31、基于标注后的历史输电线路图像数据，构建训练数据集，并基于训练数据集进行训练，得到异常点检测模型。
32、进一步的，异常点检测模型训练，具体如下：
33、通过计算损失函数关于模型参数的梯度来更新参数：
34、θ＝θ-η▽θlz
35、其中，θ表示模型参数，η是学习率；▽θlz表示损失函数关于模型参数的梯度；
36、使用adam优化器优化模型训练：
37、
38、其中，和分别是梯度的一阶和二阶矩估计，ε为常数，t是当前迭代次数；
39、在训练过程中的预设步骤减少学习率：
40、
41、其中，η0是初始学习率，γs是衰减因子，sj是衰减步长。
42、进一步的，基于异常点，利用联合分析方法，预测关联故障点，获取可能的关联故障点，具体如下：
43、联合分析方法基于用户或物品之间的相似性来预测用户的兴趣或物品的特征，将异常点视为用户，可能故障点视为物品，通过分析它们之间的相互作用来预测潜在的关联故障点:
44、构建异常点-可能故障点关联矩阵r：矩阵中元素rui表示异常点u对可能故障点i的关联强度；
45、计算异常点之间的相似度：
46、
47、其中，rvi表示异常点v对可能故障点i的关联强度，i为所有可能故障点的集合；
48、基于相似度计算预测评分，并基于预测评分筛选可能的关联故障点；
49、
50、其中，u是所有用户的集合。
51、进一步的，基于异常点和关联故障点，构建精细化巡检路径，具体为：
52、设定多个优化目标，包括最小化总路径长度、最小化能源消耗，使用如下适应度函数来评价每条路径的优劣，该函数将不同的优化目标综合考虑：
53、f(x)＝a1×pl(x)+a2×ec(x)
54、其中，a为权重系数，pl(x)是总路径长度函数，ec(x)是能源消耗函数；
55、遗传算法：
56、将路径表示为染色体；
57、根据适应度函数选择优质染色体进行繁殖；
58、通过交叉操作生成新的染色体；
59、对染色体进行变异操作
60、重复选择、交叉和变异操作，本文档来自技高网
...
【技术保护点】
1.基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述预处理，具体如下:
3.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述异常点检测模型构建，具体如下：
4.根据权利要求3所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述异常点检测模型训练，具体如下：
5.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述基于异常点，利用联合分析方法，预测关联故障点，获取可能的关联故障点，具体如下：
6.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述基于异常点和关联故障点，构建精细化巡检路径，具体为：
7.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述评估模型的构建，具体为：
【技术特征摘要】
1.基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述预处理，具体如下:
3.根据权利要求1所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述异常点检测模型构建，具体如下：
4.根据权利要求3所述的基于图像识别和深度学习技术的输电线路智能巡检方法，其特征在于，所述异常点检测模型训练，具体如下...
【专利技术属性】
技术研发人员：张劲波，林宇彬，颜琰，黄晓予，龚建新，王鹏飞，阮筱菲，曹乐萱，廖华东，
申请(专利权)人：国网福建省电力有限公司经济技术研究院，
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。