[发明专利]一种基于深度学习模型的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模型的绝缘子自爆检测方法，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U‑Net模型和CNN模型，用部分单通道标注图训练U‑Net模型和CNN模型，通过训练的U‑Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。采用本发明方法对绝缘子状态进行检测，可以有效减少人工工作量，提高识别效率和清晰度。

技术领域

本发明属于电子元器件故障检测技术领域，涉及一种基于深度学习模型的绝缘子自爆检测方法。

背景技术

绝缘子串是高压输电线路中的重要元件，在电绝缘和机械支撑中起重要作用。绝缘子暴露于雨水，风或降雪等野生动植物和气象条件下，这些组件很容易出现诸如破裂、污染，甚至会引起爆炸。绝缘子元件自爆会导致输电线路严重断电，对于电气公司来说，绝缘子元件自爆危害巨大，影响深远，及时对绝缘子状态进行检测，防止自爆的出现是非常必要的。

传统绝缘子自爆检测需要专业人员检查视频序列，以寻找电力传输线元件中的潜在缺陷，该过程非常耗时。基于传统计算机视觉算法的自爆检测策略可以在受控照明和背景条件下，在结构化图像中提供适当的结果，以提高绝缘子识别效率。但是这个方法需要人为设定参数和调整，误差较大。

发明内容

本发明的目的是提供一种基于深度学习模型的绝缘子自爆检测方法，解决了现有绝缘子检测方法需要人为设定参数和调整，误差较大的问题。

本发明所采用的技术方案是，一种基于深度学习模型的绝缘子自爆检测方法，其特征在于，包括采集绝缘子图像，将绝缘子图像转化为单通道标注图，构建U-Net模型和CNN模型，用部分单通道标注图训练U-Net模型和CNN模型，通过训练的U-Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像，将掩膜图像输入训练后的CNN模型中，若CNN模型输出数值0.5，则认为所述绝缘子没有发生自爆；否则，则认为所述绝缘子发生了自爆。

本发明的技术特征还在于，

包括以下步骤：

步骤1，采集同一个绝缘子的多张绝缘子图像，对采集的绝缘子图像像素进行统一化调整；

步骤2，采用图像标注工具对绝缘子图像进行标注和格式转化，得到单通道标注图；

步骤3，构建U-Net模型，使特征图在进行卷积操作前后图像的像素一致；采用步骤2获得的部分单通道标注图训练U-Net模型，以损失最小的训练参数作为U-Net模型的最终参数，然后通过训练后的U-Net模型提高其余部分单通道标注图的像素精度，获得最优像素的掩膜图像；

步骤4，构建卷积神经网络CNN模型，采用训练U-Net模型的单通道标注图来训练卷积神经网络CNN模型，以损失最小的训练参数作为CNN模型的最终参数，即获得训练后的CNN模型；

步骤5，将步骤3获得的掩膜图像输入训练后的CNN模型中，若CNN模型输出的数值0.5，则认为所述绝缘子图像完整，即绝缘子没有发生自爆；否则，则认为所述绝缘子图像有缺失，即绝缘子发生了自爆。

步骤1中，利用无人机、钢丝滚动机器人或攀爬机器人采集绝缘子图像。

步骤2的具体操作过程如下：

步骤2.1，采用图像标注工具对绝缘子图像进行标注，将绝缘件标注为disc，将连接件标注为ca；

步骤2.2，将标注好的图像保存为Json格式，得到三通道标注图；

步骤2.3，利用MATLAB将三通道标注图进行图像格式转化，得到单通道标注图。

步骤3具体包括以下步骤：