[发明专利]一种电网线夹自动检测与缺陷识别方法及装置

说明书

本发明公开了一种电网线夹自动检测与缺陷识别方法，包括以下步骤：通过图像采集模块获取线夹图片；对线夹图片进行训练获取线夹类型；对线夹图片进行分类删选；对故障线夹进行识别并输出。本发明还公开一种电网线夹自动检测与缺陷识别装置。本发明通过图像采集模块对输电线路上的线夹进行图像采集，通过采用Faster R‑CNN技术对线夹图片进行训练，采用增广训练技术，解决了对于新的线夹特征需要重新训练造成的时间长，模型更新周期慢的缺陷，对线夹的故障检测，极大地节省了检修成本，使巡线系统更为高效和智能。

技术领域

本发明涉及架空输电线路安全技术领域，尤其涉及一种电网线夹自动检测与缺陷识别方法及装置。

背景技术

在架空输电线路中，各种输电线犬牙交错，输电线之间可能会相互缠绕、拉扯、震动，这些都容易导致线路断股，严重威胁到架空输电线路的安全可靠运行。线夹是架空输电线路中的重要器件，可以包裹起大量输电线路，对输电线路起到保护和辅助减振的作用，极大地延长了输电线路的使用年限。但是架空输电线路用于远距离电力传输，期间必然会跨越不同的自然环境。在经历长时间风吹日晒后，线夹会产生各种缺陷，导致线夹不能发挥原本的作用。所以在架空输电线路的巡检过程中，线夹的缺陷检测是巡检的重要工作。更重要的是：线夹的种类繁多，我们需要区分大量不同种类的线夹。在目前的架空输电线路的巡检过程中，人工巡检非常耗时，且巡检人员的工作存在一定的危险性。

近年来，随着无人机技术的快速发展，以及高效稳定的无人机在其他领域的应用。国内许多电力公司开始陆续采用无人机来辅助巡检工作。通过无人机拍摄的图片，获取线夹图片，通过对线夹图片的检测进行缺陷识别。在当前的目标检测领域，卷积神经网络的应用使得目标检测的性能有了一个极大的飞跃，Faster R-CNN属于两阶段目标检测算法，第一步，提取proposal；第二步，经过分类和回归完成目标检测，分类则是标出感兴趣目标的类别，回归则是对物体的bounding box（边界框）做出修正。YOLO和SSD属于单阶段的检测算法，直接通过分类和回归实现目标检测；Faster R-CNN属于两阶段目标检测算法，可以实现达到比单阶段检测算法更高的精度。该方法不仅从目标的颜色和纹理，并从多种特征多颜色通道对目标提取特征，通过卷积可以过滤一部分噪声以及环境干扰，保持精准的识别率，这对于线夹在背景复杂的情况下仍能保持较高的识别率意义重大。

线夹种类繁多，在电网线夹检测模型上线运行后往往会出现新的电网线夹因前期没有训练数据而全部漏检，利用大量线夹数据去训练Faster R-CNN模型，从而使模型能够收敛，从而能够拟合出待检测图片中的线夹，达到检测出线夹并对其做出分类的目的。然而，在实际应用中，大量的不同特征的线夹，例如外观、纹理很难能够一次就能收集完，那么出现了新特征的线夹，当前的解决方案是将现收集到的数据和之前收集到的数据统一起来重新进行训练，这样的解决方案就有一个缺陷，随着新收集的数据的加入，使得整体数据越来越多，模型训练越来越慢，模型更新周期越来越长，严重影响了工作效率。

发明内容

针对上述现有技术存在不足，本发明提供一种电网线夹自动检测与缺陷识别方法及装置，针对于新增类别对全连接层做增广训练，从而实现电网线夹目标检测模型的快速更新换代以及电网线夹缺陷的自动识别。

本发明采用的技术方案为：

一种电网线夹自动检测与缺陷识别方法，包括以下步骤：

通过图像采集模块获取线夹图片；

对线夹图片进行训练获取线夹类型；

对线夹图片进行分类删选；

对故障线夹进行识别并输出。

作为本发明的进一步技术方案为：所述通过图像采集模块获取线夹图片，具体包括：采用无人机和摄像装置相结合的拍摄方式，对输电线路上的线夹进行拍摄得到线夹图片。

作为本发明的进一步技术方案为：所述对线夹图片进行训练获取线夹类别；具体包括：