[发明专利]一种用于输电铁塔的无人机智能巡检识别方法

说明书

本发明是一种用于输电铁塔的无人机智能巡检识别方法，采用智能巡检系统对绝缘子进行巡检，所述智能巡检系统包括无人机搭载的图像采集模块、预处理模块、特征提取模块、特征融合模块、预测判断模块及故障上报模块；所述识别方法具体包括以下步骤：1）拍摄绝缘子的图像并传输到预处理模块；2）对图像进行非局部平均去噪处理并输入特征提取模块；3）采用神经特征提取网络提取绝缘子形状特征及故障特征；4）将提取的高维特征进行特征融合；5）通过预测回归网络对特征判断，判断出所拍摄的绝缘子是否存在故障；本发明快速、准确地实现了输电铁塔绝缘子故障的实时识别，提高了绝缘子的维护效率。

技术领域

本发明涉及输电铁塔故障巡检维护技术领域，具体是一种用于输电铁塔的无人机智能巡检识别方法。

背景技术

当今已经进入人工智能和大数据的时代，深度学习以及神经网络得到迅速发展。电网在我国占有十分重要的地位，电网的维护也显得重要，建设智能电网，不断得到重视。架空输电线路是将导线架起，使之远离地面的一种钢架结构设施。绝缘子在架空输电线路起着连接导线与金具的作用，绝缘子是否存在故障隐患，对电网的稳定运行有很大的影响，严重将导致绝缘子断裂，导线接地，引起巨大经济损失与人员伤亡，因此对绝缘子的故障早发现显得尤为重要，而绝缘子数量庞大，传统通过人工巡检的方式费时费力，且不能很好的判断绝缘子是否存在故障或缺陷。

发明内容

本发明的目的就是为了解决传统通过人工巡检的方式费时费力，且不能很好的判断绝缘子是否存在故障或缺陷的问题，提供一种用于输电铁塔的无人机智能巡检识别方法。

本发明的具体方案是：一种无人机图像智能巡检系统包括图像采集模块、图像预处理模块、特征提取模块、特征融合模块、预测判断模块、故障上报模块。

所述的图像采集模块采用无人机搭载SHD10T3摄像云台拍摄绝缘子可见光图像，拍摄好的图像统一存储到图像数据库，便于后续模块处理。

所述图像预处理模块采用快速非局部均值去噪法降低在图像传输过程中产生的高斯噪声，其思想是利用图像中的冗余部分进行去噪，冗余部分指的是图像中重复或相似的邻域结构，首先通过欧氏距离衡量邻域之间的相似程度，再利用权值分配给予相似邻域较大权重，最后进行加权平均得到去噪后的图像；而其时间复杂度相对较高，导致计算时间过长，故对其积分图加速，并以欧氏距离取代高斯加权的欧氏距离，得到快速滤波降噪。

所述特征提取模块采用YOLO-V4tiny网络结构为基础，并提出改进网络，将Resnet_Y模块替换原有的CSPblock网络，Resnet_Y网络由两条支路组成，其中一条输入的特征先进行1×1卷积调整通道数，之后连接一个3×3卷积模块进行特征提取，另一条支路对输入的特征进行最大池化处理，对输入的层降采样，去除冗余信息，对特征进行压缩，扩大感受野；之后连接一个1×1卷积模块，对通道信息进行整合，跨通道信息交互，增强网络的非线性特性，最后将两条支路的特征信息相加输出。在主干特征网络增加辅助特征网络，提高检测精度，加入通道注意力与空间注意力算法，通道注意力算法增强了网络学习全局信息来有选择性的加强包含有用信息的特征并抑制无用特征；空间注意力算法是定位到目标的位置获取权重，增强对图像中感兴趣的目标区域进行特征提取，最终得到若干高维特征图，更改输出的特征层尺寸，使其适应绝缘子形状特征。使用MishReLU代替原LeakyReLU激活函数，使模型具有良好的泛化能力，且优化了质量。

所述特征融合模块使用BiFPN特征融合结构，在FPN特征融合结构上，增加跨单元之间的连接，让上级特征与融合后的特征联系，使得上下特征图有更密切的关联性，特征融合的结果更加优异。

所述预测判断模块使用YOLO预测结构，去除最大预测分辨率检测头，使用两个检测头，提高检测速率；增加大尺寸分辨率的预测结构，使用k-mean聚类选择适合绝缘子的先验框尺寸，提高了判断效率。

所述故障上报模块，将获得故障图像与故障信息，上传至客户端，进行报警，使用SIM7600G-H模块拨号上网，将故障信息以及故障图像进行发送。