【技术实现步骤摘要】
本申请涉及电力系统，特别涉及一种输电线路组塔部件检测方法、终端及介质。
技术介绍
1、长期以来，输电组塔工程通常需要大量的人力，从搬运材料到进行组装，都需要繁重的人工操作。这种传统的人力操作方式在效率和安全性方面存在一些问题。首先，人力资源的高度消耗和疲劳可能会对施工进度和质量产生影响。此外，输电塔的组装是一个危险性较高的作业，人工操作员可能需要在高处工作，面临坠落、物体掉落等安全风险。此外，输电塔的组装还需要高度的准确性和稳定性，以确保塔的结构和稳定性。然而，人工操作可能受到技能水平、疲劳等因素的影响，可能会影响组装的准确性和稳定性。此外，输电组塔施工通常需要在不同的环境条件下进行，如恶劣天气、高海拔地区等，这也增加了人工操作的困难和风险。
技术实现思路
1、本申请提供了一种输电线路组塔部件检测方法、终端及介质，通过图像获取、图像处理、特征提取和目标检测等步骤，实现对输电线路组塔部件进行自动化的检测和识别，为电力行业的施工领域带来显著的技术进步和效益提升。
2、本申请的技术方案如下：
3、一方面，本申请提供一种输电线路组塔部件检测方法，包括以下步骤：
4、步骤1：构建输电线路组塔部件的图像数据集；
5、步骤2：标注图像数据，将数据集划分为训练集、验证集和测试集；
6、步骤3：构建快速变换的faster r-cnn神经网络并训练模型；其中，在faster r-cnn神经网络结构中，添加fpn特征金字塔结构；
7
8、步骤5：应用faster r-cnn神经网络对组塔部件进行识别定位检测。
9、进一步的，步骤1包括：
10、收集包含输电线路组塔各组件的图像数据，包括塔杆、线路、吊装设备以及周围环境的图像数据；
11、对图像数据进行图像增强及尺寸归一化操作。
12、进一步的，步骤2包括：
13、对收集到的图像数据进行标注，即为每个图像中的组塔各组件绘制边界框或者进行像素级的分割标注，使每个组件的边界框或分割标注覆盖在目标组件的区域上；
14、将数据集划分为训练集、验证集和测试集，训练集的数据多于验证集和测试集的数据，划分数据集时，采用随机分割，且训练集、验证集和测试集中的数据均包含来源于不同目标的数据。
15、进一步的，faster r-cnn神经网络包括：
16、骨干网络，骨干网络包括若干卷积层和池化层，用于对输入的整张原图做特征提取，该特征图被共享于后续的区域建议网络和兴趣区域池化层中；
17、区域建议网络，区域建议网络以滑动窗的方式，在骨干网络输出的特征图上做遍历卷积，区域建议网络遍历卷积的结果，将送入其内部的两个全连接层，两个全连接层分别为分类全连接层和定位全连接层，分别完成分类和定位任务，分类全连接层做二分类，判断该区域是正样本或负样本，定位全连接层结合正样本区域建议，产生边框回归修正的偏移量,获得区域建议，并剔除太小或超出边界的建议框；
18、兴趣区域池化层，将原图输出的特征图与区域建议网络生成的区域建议信息进行综合，对这些区域建议的特征图做兴趣区域池化，得到固定尺寸的特征向量送入全连接层；
19、分类与回归层，根据区域建议特征，用softmax分类器计算类别概率完成分类，并再次进行边框回归，获得检测框最终的位置坐标。
20、进一步的，区域建议网络为卷积神经网络，对区域建议网络的损失函数进行计算和训练，区域建议网络的损失函数包含分类层的损失值和修正回归层的损失值；区域建议网络的损失值为：
21、r＝rc+rm
22、rc为分类层的损失值；rm为修正回归层的损失值；r为rpn的损失值；rc与rm的计算分别为：
23、
24、j为目标建议框序号；oj为第j个目标框是正向样本的概率；oj′为第j个目标框的实际概率，其数值在正向样本时为1，负向样本时为0；nc为分类层样本的数量；
25、
26、dj为预测坐标和实际坐标的偏差值；tj为第j个目标框的预测坐标集合；tj′为第j个目标框的实际坐标集合；mr为损失函数。
27、进一步的，模型训练时，权重矩阵w和偏置量b即为网络训练所需要更新的对象；采用误差反向传播进行网络模型训练和参数矩阵更新，当网络前馈计算的输出y与期望值r之间的误差e不满足阈值条件时，模型将误差按原路径反向传播，逐层计算，并按照设定的学习率更新权重矩阵w和偏置量b，直到抵达输入层实现一次误差反向传播；前馈计算和反向传播交替反复进行，直到网络输出y与期望值r足够接近，两者的误差e满足阈值条件时，参数更新结束。
28、进一步的，步骤4中，开始遍历当前类别的所有边界框，并进行非最大值抑制处理，具体步骤如下：
29、步骤41：取出得分最高的边界框，将其视为当前保留的目标；
30、步骤42：对于剩余的边界框，计算它们与当前保留目标的重叠程度；其中，采用如交并比iou计算边界框与当前保留目标的重叠程度，交并比iou作为衡量和标记候选框的指标，计算公式为：
31、iou＝(a∩b)/(a∪b)
32、对候选框进行过滤和标记，采用如下规则：
33、(1)去除超过原图边界的候选区；
34、(2)如果候选框与真实区域的iou值最大，标记为正样本，label＝1；
35、(3)如果候选框与真实区域的iou>0.7,标记为正样本，label＝1；
36、(4)如果候选框与真实区域的iou<0.3,标记为负样本，label＝0；
37、(5)剩下的既不是正样本也不是负样本，不用于最终结果，label＝-1。
38、步骤43：如果某个边界框与当前保留目标的重叠程度高于设定的阈值，则将该边界框剔除，否则保留；
39、步骤44：重复以上步骤，直到处理完所有的边界框。
40、进一步的，步骤5中，将训练完成的网络配置到终端，在终端中检测待检测的输电线路组塔图像，在图像中寻找和定位不同组件的位置，对于检测到的组件，通过模型的分类分支对其进行识别，确定其具体类别。
41、又一方面，本申请提供一种输电线路组塔部件检测终端，包括存储器和处理器，所述存储器存储有计算机可读程序，所述计算机可读程序被处理器调用执行时，实现如上所述的输电线路组塔部件检测方法。
42、又一方面，本申请提供一种计算机可读介质，所述计算机可读介质中存储有计算机可读程序，所述计算机可读程序被计算机调用执行时，实现如上所述的输电线路组塔部件检测方法。
43、综上所述，本申请的有益效果有：
44、1.本专利技术将机器视觉技术应用于输电组塔施工的智能吊装系统中，利于实现高精度的位置定位、智能化的吊装控制和适应复杂本文档来自技高网...
【技术保护点】
1.一种输电线路组塔部件检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，步骤1包括：
3.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，步骤2包括：
4.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，Faster R-CNN神经网络包括：
5.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，区域建议网络为卷积神经网络，对区域建议网络的损失函数进行计算和训练，区域建议网络的损失函数包含分类层的损失值和修正回归层的损失值；区域建议网络的损失值为：
6.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，模型训练时，权重矩阵w和偏置量b即为网络训练所需要更新的对象；采用误差反向传播进行网络模型训练和参数矩阵更新，当网络前馈计算的输出y与期望值r之间的误差E不满足阈值条件时，模型将误差按原路径反向传播，逐层计算，并按照设定的学习率更新权重矩阵w和偏置量b，直到抵达输入层实现一次误差反向传播；前馈计算和反向传播交替反复进行，直到网络输出y与
7.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，步骤4中，开始遍历当前类别的所有边界框，并进行非最大值抑制处理，具体步骤如下：
8.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，步骤5中，将训练完成的网络配置到终端，在终端中检测待检测的输电线路组塔图像，在图像中寻找和定位不同组件的位置，对于检测到的组件，通过模型的分类分支对其进行识别，确定其具体类别。
9.一种输电线路组塔部件检测终端，其特征在于，包括存储器和处理器，所述存储器存储有计算机可读程序，所述计算机可读程序被处理器调用执行时，实现如权利要求1-8任意一项所述的输电线路组塔部件检测方法。
10.一种计算机可读介质，其特征在于，所述计算机可读介质中存储有计算机可读程序，所述计算机可读程序被计算机调用执行时，实现如权利要求1-8任意一项所述的输电线路组塔部件检测方法。
...【技术特征摘要】
1.一种输电线路组塔部件检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，步骤1包括：
3.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，步骤2包括：
4.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，faster r-cnn神经网络包括：
5.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，区域建议网络为卷积神经网络，对区域建议网络的损失函数进行计算和训练，区域建议网络的损失函数包含分类层的损失值和修正回归层的损失值；区域建议网络的损失值为：
6.根据权利要求1所述的输电线路组塔部件检测方法，其特征在于，模型训练时，权重矩阵w和偏置量b即为网络训练所需要更新的对象；采用误差反向传播进行网络模型训练和参数矩阵更新，当网络前馈计算的输出y与期望值r之间的误差e不满足阈值条件时，模型将误差按原路径反向传播，逐层计算，并按照设定的学习率更新权重矩阵w和偏置量b，直到抵达输入层实现一次...
【专利技术属性】
技术研发人员：高莉莎，陈寿龙，韩硕，张四维，赵健，王小丹，张灿，李静雅，吴越，
申请(专利权)人：国网江苏省电力有限公司南京供电分公司，
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。