[发明专利]一种基于YOLACT算法对输变电线路瓷瓶裂缝实时分析方法

说明书

本发明一种基于YOLACT算法对输变电线路瓷瓶裂缝实时分析方法，属于对输变电线路瓷瓶裂缝实时分析技术领域；所要解决的技术问题为：提供一种基于YOLACT算法对输变电线路瓷瓶裂缝实时分析方法的改进；解决该技术问题采用的技术方案为：通过无人机现场拍摄和输电线路缺陷故障数据汇总，收集和标注输变电线路瓷瓶裂缝数据，涵盖多场景多种类的瓷瓶裂缝数据，建立瓷瓶裂缝语义分割数据集；基于YOLACT算法模型进行模型优化和剪枝操作，构建轻量级实时语义分割深度学习模型，基于改进的YOLACT算法模型进行训练，并将算法模型及训练数据部署在移动端嵌入式设备进行实时推理分析；本发明应用于输变电线路瓷瓶裂缝分析。

技术领域

本发明一种基于YOLACT算法对输变电线路瓷瓶裂缝实时分析方法，属于对输变电线路瓷瓶裂缝实时分析技术领域。

背景技术

瓷瓶作为电力线路中的基础设施， 架设在环境复杂的输变电线路自然场景中；对输变电线路瓷瓶裂缝识别和严重程度诊断是配电网巡检工作的重要环节，及时有效地排除故障消除缺陷，对配电系统的安全运行具有重要意义。由于瓷瓶裂缝类型丰富、大小不一致、设备密集以及背景复杂，导致在巡检作业中，巡检人员需要对复杂分布的瓷瓶裂缝进行故障缺陷甄别，其巡检时间长、劳动强度大、工作效率低，给巡检作业带来了巨大挑战。

为了降低劳动强度、提高工作效率，目前巡检多采用人工识别瓷瓶裂缝故障后，使用智能设备辅助填写工作票并指导相应运维的模式，但在实际巡检工作中发现，影响巡检效率的主要因素是对瓷瓶裂缝隐患或故障的识别和分析，因此采用该巡检方法提高的工作效率有限；另外还以借助无人机采集实时巡检图像，结合计算机视觉与模式识别、图像处理等相关算法对所采集图像进行故障的自动检测与分析，该方法虽然提高了图像采集效率，但这类模式都是把繁杂的分析算法放在了服务器端，无法在前端针对瓷瓶裂缝严重程度进行实时的智能分析；而且随着深度学习技术在计算机视觉任务中不断取得显著的性能提升，促使结合人工智能技术在输变电线路进行智能故障诊断和分析成为了可能，但大量实验表明，受困于深度学习模型需要借助大算力支撑，导致在移动端难以开展实时的缺陷分析。

发明内容

本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种基于YOLACT算法对输变电线路瓷瓶裂缝实时分析方法的改进。

为了解决上述技术问题，本发明采用的技术方案为：一种基于YOLACT算法对输变电线路瓷瓶裂缝实时分析方法，包括如下步骤：

步骤一：通过无人机现场拍摄和输电线路缺陷故障数据汇总，收集和标注输变电线路瓷瓶裂缝数据，涵盖多场景多种类的瓷瓶裂缝数据，建立瓷瓶裂缝语义分割数据集；

步骤二：基于YOLACT算法模型进行模型优化和剪枝操作，构建轻量级实时语义分割深度学习模型，模型构建过程包含以下步骤：

步骤2.1：采用ResNet-101作为特征提取网络，采用轻量级的GhostNet作为基础网络，网络算法具体包括：

步骤2.1.1：输入瓷瓶裂缝图像经过5个卷积模块输出相应的深度特征，并定义各深度特征分别对应图像中的C1到C5层；

步骤2.1.2：由步骤2.1.1得到的多尺度特征，将其发送至FPN网络的P3-P7层进行学习；

发送过程中C5层经过一个卷积层得到P5层，然后对P5层进行一次双线性插值放大，将放大值与经过卷积的C4层相加得到P4层，然后对P4层进行一次双线性插值放大，将放大值与经过卷积的C3层相加得到P3层；

所述P5层再经过一个卷积层得到P6层，所述P6层再经过一个卷积层得到P7层；

步骤2.1.3：将步骤2.1.2得到的P3-P7层采用分支并行操作，将P3层输入Protonet模块，同时将P3-P7层送到Prediction Head模块；