[发明专利]一种基于深度学习的电力巡检智能缺陷检测方法

说明书

本发明公开了一种基于深度学习的电力巡检智能缺陷检测方法，包括：获取多张不同绝缘子的原始图像并划分成训练集和测试集；对训练集的原始图像进行增强处理得到增强集图像；对各增强集图像、测试集中的原始图像进行切块处理得到多个子块图像及其掩模；对各子块图像及其掩模进行语义分割并提取绝缘子区域；并得到各绝缘子的连通区域；对连通区域使用主成分分析进行旋转得到规范化绝缘子图像；将增强集图像的规范化绝缘子图像输入到神经网络模型进行训练得到训练模型；通过训练模型预测测试集的规范化绝缘子图像中的绝缘子坐标；对绝缘子坐标进行逆变换还原至原图坐标。本发明可以实现绝缘子串的识别与分割，处理时间短、精度高、鲁棒性强。

技术领域

本发明涉及输电线路检查，更具体地说，它涉及一种基于深度学习的电力巡检智能缺陷检测方法。

背景技术

绝缘子自爆是高压输电线路中常见的缺陷，为了输电线路的安全可靠，电网部门需要定期对输电变电系统进行巡逻，勘测是否有自爆绝缘子的存在。传统的巡查做法是通过人工进行检测，但是这样会存在劳动强度大，工作效率低，工人人身安全无法得到保障等问题。

发明内容

本发明要解决的技术问题是针对现有技术的上述不足，本发明的目的一是提供一种可以提高工作效率和降低劳动强度的基于深度学习的电力巡检智能缺陷检测方法。

本发明的技术方案是：一种基于深度学习的电力巡检智能缺陷检测方法，包括：

获取多张不同绝缘子的原始图像；

将多张所述原始图像划分成训练集和测试集；

对所述训练集的原始图像进行增强处理得到多倍数量的增强集图像；

对各所述增强集图像、测试集中的原始图像进行切块处理得到多个子块图像及其掩模；

对各所述子块图像及其掩模进行语义分割并提取绝缘子区域；

根据所述绝缘子区域得到各所述绝缘子的连通区域；

对所述连通区域使用主成分分析进行旋转得到规范化绝缘子图像；

将所述增强集图像的规范化绝缘子图像输入到神经网络模型进行训练得到训练模型；

通过所述训练模型预测所述测试集的规范化绝缘子图像中的绝缘子坐标；

对所述绝缘子坐标进行逆变换还原至原图坐标。

作为进一步地改进，所述增强处理包括：

对所述训练集的原始图像进行多种倍率的缩放处理；

对所述训练集的原始图像进行左右和上下翻转处理；

对所述训练集的原始图像进行多种角度的旋转处理；

对所述训练集的原始图像进行多种饱和度增加的色彩变换处理。

进一步地，通过金字塔场景解析网络PSPNet对各所述子块图像及其掩模进行语义分割，并通过加权损失函数提取绝缘子区域。

进一步地，所述加权损失函数为：

其中y_i是像素点x_i的真实类别标签的热编码向量，是样本x_i的网络预测标签，S₁是指绝缘子区域的坐标集合，λ为加权因子。

进一步地，所述主成分分析进行旋转包括：

获取所述连通区域内的绝缘子串坐标集合S＝{x_i∈R×R|i＝1,…,n}；通过协方差矩阵：