[发明专利]基于深度卷积神经网络的航拍绝缘子故障自动检测

说明书

本发明公开了一种基于深度卷积神经网络的航拍绝缘子故障自动检测方法，该方法通过深度卷积神经网络对航拍绝缘子样本图像进行学习，记忆绝缘子的故障模式和正常模式，进而实现对绝缘子故障模式与正常模式的有效区分。本发明的方法能够在实际应用中扩充样本库，进而提高深度卷积神经网络对故障的识别能力，可以减少人工识别故障图像的工作量，具有广阔的工业应用前景。

技术领域

本发明涉及模式识别和故障检测领域，尤其涉及一种基于深度卷积神经网络的绝缘子故障的自动检测。

背景技术

作为一种特殊的绝缘控件，绝缘子在架空输电线路中起着重要作用，它是用来支持和固定母线与带电导体、并使带电导体间或导体与大地之间有足够的距离和绝缘。由于某种故障而导致绝缘子失效，会损害整条线路的使用和运行寿命。因此绝缘子是否正常对于整个输电线路的安全起着重要作用。但是由于其长期受到自然环境的影响，难免会存在自爆、掉串、裂纹、破损和异物等故障。这就需要对绝缘子进行巡检。

对绝缘子进行巡检的方式有：人工巡检、直升机巡检等。直升机巡检相比较于人工巡检有诸多优点，不仅能减少人力物力的投入，而且也降低了人工巡检时工作人员登塔的危险。随着机器视觉、图像处理和人工智能技术的快速发展，直升机巡检已成为主要的研究方向和必然趋势。

目前针对直升机巡检航拍的绝缘子故障识别与检测的研究，主要集中在绝缘子的分割和定位上，主要有以下几类方法：

基于阈值、形态学和边缘检测技术，找到绝缘子的轮廓，再设计出绝缘子的特征，从而达到绝缘子故障的识别。再有，先识别出绝缘子的位置区域，再利用直方图匹配判决的方法或者椭圆拟合识别绝缘子是否有故障。还有，在得到完整绝缘子的基础上，利用计算绝缘子的数目或绝缘子片状之间的距离来判断绝缘子是否正常。

上述方法需要先定位分割出绝缘子所在的目标区域，再进行故障检测，由于图像分割的好坏直接影响故障的识别，所以对绝缘子的分割定位要求比较严格。而由于绝缘子图像背景极其复杂，图像分割过程难免会造成背景和目标的误分割。

发明内容

针对目前该领域现有技术的不足，本发明公开了一种基于深度卷积神经网络(convolution neural network，CNN)的航拍绝缘子故障自动检测方法，该方法通过深度卷积神经网络对航拍绝缘子样本图像进行学习，记忆绝缘子的故障模式和正常模式，进而实现对绝缘子故障模式与正常模式的有效区分。

为了实现上述目的，本发明的具体方案如下：

步骤1、获取绝缘子图像，并进行图像预处理；

步骤2、若深度卷积神经网络需要学习训练，则对深度卷积神经网络进行训练，保存训练好的CNN模型；

步骤3、加载训练好的深度卷积神经网络；

步骤4、用训练好的深度卷积神经网络对绝缘子图像进行故障识别，给出识别结果并保存发现有故障的图像；

步骤5、对步骤4的识别结果进行评价，找出误判图像，更新样本集；

步骤6、根据需要利用更新后的样本集对深度卷积神经网络进行训练，提高深度卷积神经网络对故障模式的识别能力。

有益效果

本发明的方法利用深度卷积神经网络进行特征自动提取，以及利用该网络强大的学习能力和记忆能力，从自然背景的图像中直接对绝缘子故障进行自动识别，避免了先定位再识别故障，可以有效提高识别精度。本发明的方法具有很强的自适应性，可以通过在实际应用中根据识别结果来扩充样本库，进而不断提高深度卷积神经网络对故障的识别能力。本发明的方法可以避免人工提取图像特征的缺点，减少人工筛选图像的工作量，具有广阔的工业应用前景。

附图说明