[发明专利]一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法

说明书

本发明涉及一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法，输入图像首先经过Faster R‑CNN深度学习目标检测网络，检测出图像中的防震锤区域，得到防震锤区域坐标后，计算出相邻防震锤之间的x轴间距，通过距离约束判定防震锤滑移故障。本发明能够帮助巡线工作人员完成初步的巡线图像数据诊断，减轻其工作强度并提升电力巡线的智能化水平。

技术领域

本发明涉及高压输电线路巡线技术，特别是一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法。

背景技术

微风震动是导致高压输电线路疲劳，继而导致线路断股的主要原因，严重威胁到输电线路的安全可靠运行。防震锤是输电线路中重要的防震金具之一，具有减少架空输电线路震动损伤的功能。由于输电线路跨越不同的复杂地形，防震锤长期暴露在各种自然环境条件下，极易发生滑移、锈蚀、缺失等故障，导致防震锤的防震功能失效。因此，对于防震锤的故障检测是输电线路运检维护的必要程序之一。传统的人工巡线方式难以观测到复杂地形下处于高空中的防震锤，工作人员需要登上高出进行观察，这种巡线方式存在高风险、高成本、低效率等问题。近年来，无人机因其体积小、灵活、成本低等优势逐渐成为电力巡线的主要工具之一，有效提升了巡线效率，提高工作人员的人身安全保障。巡线人员可以操控无人机，飞至防震锤处进行拍摄，由地面上的专业人员进行现场分析，同时将数据带回运检维护中心储存备份或进行进一步的诊断。但无人机巡线产生了大量的巡线图像数据，极大增加了巡线人员的工作压力，现亟需一种可以自动检测并诊断防震锤故障的方法。输电线路覆盖广泛，沿途地貌复杂多样，在航拍图像中防震锤与背景的区分度低且检测过程易受到其他电力部件的干扰，同时无人机拍摄时的拍摄角度与环境条件具有较大的随机性，现有算法无法满足防震锤检测与故障诊断的快速性、准确性需求。

发明内容

有鉴于此，本发明的目的是提出一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法，利用基于深度学习的目标检测技术快速而准确地识别出复杂背景中的防震锤，得到每个防震锤的位置坐标后，通过距离约束判定滑移故障，帮助巡线工作人员完成初步的巡线图像数据诊断，减轻其工作强度并提升电力巡线的智能化水平。

本发明采用以下方案实现：一种基于深度学习和距离约束的航拍图像防震锤滑移故障诊断方法，具体包括以下步骤：

步骤S1：建立防震锤检测图像库；

步骤S2：采用数据增强技术扩充步骤S1中的防震锤检测图像库；

步骤S3：建立与所述防震锤检测图像库对应的图像标签库：对所述防震锤检测图像库中的每幅图片建立相应的符合标准PASCAL VOC格式的xml标签文件；

步骤S4：建立深度学习模型：采用深度学习目标检测网络Faster R-CNN作为建立的深度学习模型；

步骤S5：生成数据集：将所有参与训练的图像以及与其对应的标签文件合成一个用于训练的、能够进行高效读取的文件；

步骤S6：训练防震锤检测模型：利用步骤S3的深度学习模型通过反向传播算法在防震锤检测图像库上进行训练，得到防震锤检测模型；其中，训练所用的初始化模型为在COCO数据集上训练所得的模型；

步骤S7：固化模型用于快速检测：将步骤S5得到的防震锤检测模型中所含的训练变量剔除，只保留包括前向传播的神经元权重与偏置在内的常量，缩小防震锤检测模型的体积；

步骤S8：将待检测的图片或者视频输入到固化后的防震锤检测模型中，用矩形边界框在原图像或者视频中，标注出检测到的防震锤区域，以及它们的置信度得分；

步骤S9：利用步骤S8检测出的防震锤区域位置的坐标，计算出相邻防震锤之间的x轴间距，通过距离约束判断防震锤是否发生滑移故障。

进一步地，步骤S1中的所述防震锤检测图像库的图像为完整航拍图像且归一化到1024*1024像素尺寸。