[发明专利]基于深度学习与聚类的输电线路绝缘子缺失的检测方法

说明书

本发明涉及一种基于深度学习与聚类的输电线路绝缘子缺失的检测方法，包括下列步骤：制作数据集：将采集的输电线路巡检图像进行预处理，分为训练集、验证集和测试集，对于其中存在绝缘子缺失的区域进行标注；设计初始候选框：选用的训练网络是Faster‑RCNN，设置初始候选框首先应该提取训练集中所有绝缘子缺失目标的尺寸信息，对绝缘子缺失目标的尺寸信息使用K‑means聚类算法进行聚类，来获得绝缘子缺失目标的普遍尺寸，该绝缘子缺失目标类的普遍尺寸信息即设置为网络初始候选框；训练检测模型；测试网络。

技术领域

本发明属于深度学习、电力系统和计算机视觉技术领域，涉及一种基于深度卷积神经网络的输电线路绝缘子缺失的检测方法。

背景技术

绝缘子能在导线、横担及杆塔间起到良好的支撑线路、电气绝缘等作用，是输电线路中重要的组成部分；但是在外部环境中长期的风吹、雨淋以及各种气候变化和高强度的机械运转的作用下，绝缘子极易出现污秽、裂纹、破损等缺陷，对输电系统的稳定运行造成了巨大威胁。因此，在日常的巡检输电线路中，应对绝缘子的状态进行监测，并及时完成故障的诊断。

输电线路架设的区域一般在野外，其地理环境和沿途气象较为复杂，若采用传统的人工巡检则需要工作人员跋山涉水且巡检效率低下，难以满足对输电线路的日常检查维护，给国家和人民造成巨大的经济损失。

采用直升机来巡线输电线路具有高效、可靠、便捷、不受地域影响等优点。在我国线路巡检已经逐步发展为“直升机巡检为主，人工巡检为辅”的巡检方式^[1]。这种巡检方式可以大大节省人力成本，提高巡检质量和效率。通过收集直升机、无人机拍摄的巡检图像，对其进行分析判断，可以确定线路存在问题的区域，对后续工作人员的检修维护线路有很大的帮助。

如何对收集到的巡检图像进行目标检测是一个很重要的研究课题，目标检测是很多计算机视觉应用的基础，它结合了目标分类和定位两个任务。传统的目标检测算法是通过人工提取特征，检测效果的好坏与人工选取的特征息息相关^[2]；从2014年开始，目标检测任务取得了巨大的突破，逐渐由传统方法向深度学习方法转变，特别是Ross B.Girshick教授D的R-CNN，Fast R-CNN，Faster R-CNN这三项里程碑式的工作，都是将神经网络应用在目标检测领域的典型代表，首先是R-CNN将卷积神经网络(Convolutional Neural Network，CNN)应用在目标检测中取得了较大的成就，Fast R-CNN，Faster R-CNN网络则是在之前的基础上进行了改进，在准确率和速度方面有了很大的提升^[3]。

使用深度卷积神经网络进行目标检测包括以下几个主要内容，首先创建包含目标的模型训练数据集，用label image工具将图片中与目标相关的信息进行标注；将训练集图像输入到深度学习模型中，通过前向传播，提取目标的特征，并由此获得图像每个候选框的坐标信息以及属于各类别概率。再通过后向传播，利用损失函数计算深度学习模型的损失。为使损失最小化，需要通过梯度下降对偏置和权重进行更新。通过一系列的前向后向传播，不断更新深度学习网络的权重，最后得到一个合适的有针对性的目标检测模型；把测试集图像输入到此模型中，可以进行目标检测并用准确率、召回率等指标评价检测效果。

[1]王淼，杜毅，张忠瑞.无人机辅助巡视及绝缘子缺陷图像识别研究[J].电子测量与仪器学报， 2015,29(12)：1862-1869.

[2]刘建友，李宝树，仝卫国.航拍绝缘子图像的提取和识别[J].传感器世界,2010,15(12):22-24.

[3]Elguebaly T,Bouguila N.Finite asymmetric generalized Gaussianmixture models learning for infrared object detection[J].Computer Vision andImage Understanding,2013,117(12):1659-1671.