[发明专利]一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法

说明书

本发明公开了一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，通过无人机采集输电线路图像，使用深层Mask R‑CNN网络分割玻璃绝缘子串，并基于不变矩计算绝缘子串长轴的拟合直线方程。对裁剪后的玻璃绝缘子串图像使用浅层Mask R‑CNN网络进一步分割玻璃绝缘子片并计算质心位置。通过质心到拟合直线的距离判断玻璃绝缘子串的类型，并基于相邻质心的距离与距离阈值的比例定位自爆缺陷位置。本发明可以实现精确检测并定位玻璃绝缘子串的自爆缺陷位置，保障输电供电安全。

技术领域

本发明涉及输电线路上玻璃绝缘子缺陷检测的技术领域，尤其是指一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法。

背景技术

输电线路的安全关系到整个输电网络的安全运行，有效、准确、及时地监控输电线路上关键组件的状态能够保障电力人员对输电线路故障做出及时反应或是及早预防控制。而玻璃绝缘子是输电线路上重要的电力器件，在输电线路中起绝缘、支撑作用，但由于其玻璃材质含有杂质、钢化不良、承受冷热骤变或是强外力以及雷击陡波放电等因素，容易出现零值自爆。而玻璃绝缘子自爆有可能会影响输电线路的安全稳定运行，极有可能会造成线路跳闸故障。若能够及时发现玻璃绝缘子片自爆缺陷，能够及早处理缺陷，从而避免进严重的故障发生。而现有的一些基于传统图像处理，例如通过Lab颜色空间以及最大类间方差进行阈值分割的方法，在变化较大的室外场景下，对不同角度和不同形态的玻璃绝缘子的检测难以具有鲁棒性。

本方法旨在发明一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，该方法对无人机拍摄的室外输电线路场景图片进行两次分割，精准定位玻璃绝缘子串以及绝缘子片位置，并基于距离阈值判断自爆缺陷位置，对不同光照变化、气候变化以及不同姿态、类型的玻璃绝缘子串的检测和缺陷识别都具备较好的鲁棒性。该方法能够精确及时发现输电线路上的玻璃绝缘子的自爆缺陷，以提醒电力工作人员注意及时应对故障问题。

综合以上论述，发明一种满足高精确度的基于深度学习的玻璃绝缘子自爆检测方法具有较高的实际应用价值。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，能够精准检测输电线路上的玻璃绝缘子的自爆缺陷，及时发现和定位故障位置。

为实现上述目的，本发明所提供的技术方案为：一种基于深度学习的输电线路上玻璃绝缘子自爆检测方法，包括以下步骤：

1)通过无人机采集输电线路上的图像，并通过网络传输到远程的服务器端；

2)采用深层Mask R-CNN网络对图像中的玻璃绝缘子串进行分割并获取二值化掩膜图像；

3)基于不变矩计算玻璃绝缘子串的质心以及倾斜角度，根据质心、倾斜角度拟合长轴的直线方程；

4)裁剪玻璃绝缘子串图像并进行等比例填充，再采用浅层Mask R-CNN网络对填充后的图像中的玻璃绝缘子片进行分割，获得每个玻璃绝缘子片的二值化掩膜图像；

5)基于不变矩计算每个绝缘子片的质心位置，并计算所有玻璃绝缘子片的质心与玻璃绝缘子串长轴拟合的直线方程的欧式距离之和；基于该距离与设定距离阈值判断玻璃绝缘子串类型；若该距离小于设定距离阈值，则判定该绝缘子串为单串玻璃绝缘子，跳至步骤6)；若该距离大于设定距离阈值，则判定该绝缘子串为双串玻璃绝缘子，跳至步骤7)；

6)对于单串玻璃绝缘子，根据玻璃绝缘子串的倾斜角度对所有质心进行排序，然后计算相邻质心的距离，以最小相邻质心距离作为间隔阈值，计算所有相邻质心距离与间隔阈值的比例，若某相邻质心比例大于设定阈值，则判定该相邻质心间存在自爆缺陷，从而定位该串玻璃绝缘子的自爆缺陷位置；

7)对于双串玻璃绝缘子串，根据玻璃绝缘子串长轴拟合的直线方程将质心分为两组，即为左串和右串的绝缘子片质心，分别对每组质心进行步骤6)操作，从而定位双串玻璃绝缘子的自爆缺陷位置。