[发明专利]一种高压输电线销钉状态检测方法

说明书

本发明属于深度学习技术领域，具体涉及一种高压输电线销钉状态检测方法。本发明将销钉状态检测的注意力集中在装配销钉的特定区域——而不像传统方法那样检测整张图像，自动过滤大部分没有装配销钉的背景区域。此外，在轻量级骨干网基础上构建特征金字塔网络——而不像传统方法那样采用重量级网络，快速提取图像的多尺度特征。销钉状态检测的速度更快，检测精度也更高，抗干扰能力更强。

技术领域

本发明属于深度学习技术领域，具体涉及一种高压输电线销钉状态检测方法。

背景技术

高压输电线的螺纹紧固件包括螺栓、螺母和销钉。高压输电线存在导线舞动，铁塔本身也有高频振荡。这些恶劣的工作环境导致销钉存在松动脱落的可能，而销钉正是防止螺母脱落的关键部件，一旦螺纹紧固件失效，将直接导致电网发生严重故障。因此，设计一种高效准确的销钉状态检测技术，对于保障电网的安全经济运行至关重要。

目前，销钉状态检测主要依靠人工判别完成。近年来随着计算机视觉等领域的崛起，逐渐出现了在无人机航拍图像基础上，应用自动化检测算法实现销钉状态判别的技术。自动销钉状态检测的第一类方法采用两阶段思路，第一阶段采用尺度不变特征变换(ScaleInvariant Feature Transform,SIFT)、聚合通道特征(Aggregate Channel Features,ACF)等提取图像的局部特征，构造训练集，通过支持向量机(Support Vector Machine,SVM)、自适应提升(Adaptive Boosting,AdaBoost)等算法训练二分类器，结合滑动窗口技术检测图像中的螺纹紧固件，再辅以非最大值抑制(Non-Maximum Suppression,NMS)消除重复检测框。由于销钉就装配在螺栓穿过螺母的部分，所以检测到的螺纹紧固件区域就包含有销钉。第一阶段也有采用直方图反向投影，结合SIFT匹配定位螺纹紧固件的方法。第二阶段采用卷积神经网络(Convolutional Neural Network,CNN)对螺纹紧固件进行分类，判别其包含还是缺失销钉。自动销钉状态检测的第二类方法采用单阶段思路，将螺纹紧固件的检测和销钉状态的判别集成到一个阶段完成。采用特征金字塔网络(Feature PyramidNetwork,FPN)作为骨干网，通过添加自顶向下的隐连接强化标准卷积网络，构建图像丰富的多尺度特征金字塔。然后为FPN的每级输出并行添加两个子网络，一个用于预测物体的类别概率，一个用于回归物体的包围框。

由于拍摄角度多变，螺纹紧固件在图像上的纵横比不能近似为固定值，采用滑动窗口的第一类方法将不得不在图像金字塔上，应用多种长宽比的窗口来检测不同视角、不同距离的螺纹紧固件。这是一笔庞大的计算开销，且人工设计的特征难以保证分类器在实际应用场景有足够的精度。由于螺纹紧固件相对无人机拍摄的高清图像占比很小，在可支配的计算资源和可接受的延时条件下，第二类方法难以达到实用的检测精度。

发明内容

针对传统的销钉状态检测技术的不足，本发明提出了一种级联的销钉状态检测技术，能在复杂背景和成像条件下快速准确地检测螺纹紧固件，并准确判断销钉是否脱落。

为实现上述目的，本发明采用如下技术方案：

一种高压输电线销钉状态检测方法，包括以下步骤：

S1、构建训练数据集：利用无人机拍摄输电线路铁塔图像，拍摄环境的天气状况包括晴、雨、雪、雾，覆盖所有类型的导线和铁塔连接件、绝缘子和铁塔连接件，利用标注工具标注连接件和螺纹紧固件的外接矩形和类别，类别包括连接件、带销钉的螺纹紧固件、缺失销钉的螺纹紧固件；将标注后的图像分别作为连接件训练数据集和螺纹紧固件训练数据集；将数据集复制为两组，第一组移除螺纹紧固件的标注信息，作为训练连接件检测器的数据集；第二组以连接件为中心从原始图像中截取长度和宽度分别为连接件长宽两倍的子图像作为螺纹紧固件检测器训练图像。