[发明专利]输电设备可见光成像大数据人工智能检测诊断方法

说明书

本发明涉及一种输电设备可见光成像大数据人工智能检测诊断方法，采用一个５层的深度卷积神经网络，检测输电线路可见光图像中的背景、杆塔、绝缘子区域。构造了包含多类目标的输电线路数据集：背景、杆塔、玻璃绝缘子和复合绝缘子。用Cifar‑100数据集对网络预训练，然后利用输电线路数据集进行网络调优。检测时，将图像分为图像块，利用神经网络识别每个图像块的类别，将相同类别图像块所在区域合并后即为此类别目标在图像中的区域。经验证，该方法明显优于传统方法，可用于输电线路可见光图像中典型目标检测，检测结果可用于诊断参考或进一步的目标状态分析。

技术领域

本发明涉及一种输电设备可见光成像大数据人工智能检测诊断方法。

背景技术

近年来，随着输电线路有人直升机/无人机巡检技术的逐渐推广，使得基于可见光图像的输电线路目标分析成为了现实。输电线路本身是一种复杂的人造设施，其主要组成部件尺度差异较大。大尺度部件主要有：各类型的杆塔塔体、各类导线、安装有各种类型及方位的绝缘子、连接杆塔两端的引流线等。小尺度部件主要有：防震锤、间隔棒、均压环、线夹等。要实现输电线路目标状态自动分析，首先需要检测目标在图像中的位置。

输电线路图像目标的检测与普通图像目标检测是相同的，都是通过特定的算法对原始图像进行分析，确定目标在图像中的位置。通常，目标检测结果为目标的外接矩形框，而输电线路图像中存在各种角度的“条”状目标(如绝缘子)，矩形框无法描述其精确位置，因此需要以掩码的形式确定目标在图像中的位置。输电线路可见光图像的目标检测主要包括对塔材、绝缘子串、导线、防震锤等典型设备目标的检测。以绝缘子串检测为例，分别有利用点特征、纹理特征、形态学特征以及多特征结合的检测方法。但每种方法都有其局限性，利用颜色特征的检测方法通常用于玻璃绝缘子的检测，对瓷绝缘子和复合绝缘子则不适用。利用特征点的方法对图像清晰度要求很高，利用纹理特征的方法则主要用于复合绝缘子的检测，易受背景噪声影响。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种输电设备可见光成像大数据人工智能检测诊断方法。

为实现上述目的，本发明所采取的技术方案是：

一种输电设备可见光成像数据人工智能检测诊断方法，其包括如下步骤:

步骤一，样本构造：对电线路原始图像中的玻璃绝缘子、复合绝缘子、塔材和背景4类目标进行类别标签标注，根据标注结果生成4类目标的样本图像数据库；

步骤二，模型训练：首先定义深度神经网络模型，并用图像数据库训练；调整网络模型输出层个数，并保持其它层结构及参数不变；最后，利用样本构造阶段生成的数据对修改后的网络进行微调，得到最终的网络参数；

步骤三，目标检测

对于任意图像，首先进行分块，然后利用训练好的模型判断每一个字块的类别标签。

在本发明的一些实施方式中，样本构造分为目标标注和样本生成步骤，目标标注即将输电线路原始图像中的背景、杆塔、玻璃绝缘子和复合绝缘子4类区域用多边形框标记，均由人工完成，不同类别区域用不同类别标签。

在本发明的一些实施方式中，所述步骤二的神经网络为5层深度卷积神经网络，分别为1个输入层、3个卷积池化层和1个全连接输出层，输入为归一化的、大小为64×64、RGB三通道的图片；3个卷积池化层的卷积核个数分别为64、128和256，卷积核的大小分别为11×11、7×7和5×5，每一层卷积核的通道数分别由其前一层输出的通道数决定，即分别为3、64和128，池化均采用最大值池化，且窗口大小均为2×2；全连接层神经元个数与输出类别数相同，在此C代表网络输出标签的个数，通常定义输出值为集合{1，2，…，C}中元素。