[发明专利]基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法

说明书

本发明涉及电力巡检技术领域，尤其涉及一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法。包括以下步骤：1、从数据源抽取数据，建立训练样本库，对巡检数据标注后分类存储；2、搭建训练平台，利用BP神经网络技术对样本库数据进行训练，生成训练模型；3、在检测系统中导入训练模型和待检测图像数据，根据任务需求进行杆塔和通道目标识别和缺陷诊断，生成缺陷报告。本发明将人工智能引入电力巡检领域，实现从电力巡检数据训练样本库建立、模型训练、未知图像目标识别和缺陷诊断的全流程操作，实现从原始巡检数据输入到缺陷结果导出整个过程的自动化运行，节省劳动力，降低人工肉眼检测的难度和错误率，提高了电力巡检效率。

技术领域

本发明涉及电力巡检技术领域，尤其涉及一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法。

背景技术

电力设备巡检是保证电力设备安全运行的一项重要工作，目前国内普遍采用人工巡视、手工记录的方式，这种方式存在人力成本高、工作效率低、巡检数据信息化程度低等缺陷，尤其是在线路巡检工作中，还存在有些线路地处偏僻地区，人员无法到达，或有些设备安装位置较高，人员攀爬不便等问题。随着无人机、有人机拍摄技术的发展，在电力巡检领域逐渐采用通过拍摄现场图像，将图像传回中心，观察图像，识别目标或故障的方式。在应用上述方法时，存在海量图片数据存储混乱，采用人工肉眼判读，容易造成检测误判或漏检，而且没有实现图像的自动处理和分析，信息自动化程度仍旧不高。

发明内容

为进一步解决上述问题，本发明将人工智能技术应用到电力巡检领域，基于神经网络训练模型识别未知图像，使得电力巡检更加高效、便捷、精确。

本发明采用的技术方案为：

一种基于图像数据和神经网络的杆塔和通道目标识别与缺陷诊断方法，包括以下步骤：

步骤1、从数据源抽取数据，建立训练样本库，对巡检数据标注后分类存储；

步骤2、搭建训练平台，利用神经网络技术对样本库数据进行训练，生成训练模型；

步骤3、在检测系统中导入训练模型和待检测图像数据，根据任务需求进行杆塔和通道目标识别和缺陷诊断，生成缺陷报告。

本发明在建立训练样本库时只需要从海量数据中抽取部分数据进行人工手动标注，标注完成的图片按照层级关系存储起来，使得数据结构条理，为简化训练过程提供数据支持。本发明构建训练平台时比较灵活，基于Web端的训练平台可以让用户进行远程训练操作，按照训练类别的划分，既可以进行单类目标的训练，又能综合多种目标同时进行训练，得到训练模型，将其应用到其他未知图像的目标识别中。目标识别在后台运行的过程是按照一定的规则从大尺度目标到小尺度目标进行，从而实现对杆塔部件、金具、鸟巢、销钉的识别检测。针对通道巡检数据进行通道隐患检测，在进行检测的过程中可以根据用户电脑配置自行决定在中央处理器(CPU)或者图像处理器(GPU)进行。当对图片检测完成后，根据缺陷图像的类型进行汇总分析，生成巡检报告，并可以将其导出word文档。

步骤1的具体步骤为：

步骤1.1、从原始数据源抽取数据，建立训练样本库；

步骤1.2、确定类别和标注准则，对样本库数据进行人工标注；

步骤1.3、将标注后的样本数据按照目标类别和层级关系分类存储；

步骤1.4、完成标注样本库的建立，为训练提供数据源。

步骤1.1中原始数据源是通过无人机、有人机或人工拍照方式产生的图像数据。