[发明专利]一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法

说明书

本发明公开一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法，具体包括如下步骤：构建输电线路耐张线夹的X光图像数据集，并对其进行缺陷标注、数量扩充及对比度增强等处理；引入卷积块注意力机制CBAM和空洞空间金字塔池化结构ASPP对YOLOv4模型进行改进；利用数据集对改进的模型与原模型进行训练与检测，将各模型的检测结果进行融合，提升模型的综合检测性能及泛化能力。本发明通过构建多网络融合算法模型对耐张线夹缺陷进行检测，为电力设备智能巡检领域提供技术参考。

技术领域

本发明属于输电线路技术领域，具体涉及一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法。

背景技术

耐张线夹作为输电线路的关键组成部分，主要作用为承受导线间、地线间的张力，其连接性能好坏直接关系电力系统的安全稳定运行。因线夹部分的问题导致线路掉线停电的现象时有发生。例如，2015年11月，我国东北地区因冰害造成多处耐张线夹连接功能失效，主要原因为线夹投入运行之前因压接人员操作不当造成握力不足。运行经验表明，压接质量是决定耐张线夹性能好坏的关键因素。根据架空输电线路“三跨”重大反事故措施要求，为保证输电线路安全稳定运行，需对待服役和服役中的“三跨”线夹进行压接质量检测。

X射线数字成像技术(x-ray digital radiography，X_DR)具有直观、便捷的优点，随着小型化射线发生装置的出现，X_DR技术被广泛应用于耐张线夹、气体绝缘组合电器(gas insulated switchgear，GIS)等电力设备缺陷检测领域。该技术是一种利用X射线较强的穿透能力对工件进行无损探伤的检测手段，拍摄所得的X光图片可直观反映出耐张线夹内部结构缺陷，克服了传统检测技术存在的短板。利用X_DR技术对耐张线夹进行无损探伤，可将耐张线夹内部缺陷以X光图像的的形式呈现，通过与正常工作的耐张线夹X光图像的比对，可对缺陷进行判别。但通过工作人员对耐张线夹X光图像进行缺陷判断，不仅效率低下，其检测结果受个人影响因素较大。随着深度模型的轻量化与小型计算机算力的增强，机器视觉在电力设备的缺陷检测及分类识别领域取得了突飞猛进的发展。利用机器视觉与耐张线夹缺陷图像相结合，不仅可以避免人为因素的干扰，也可对耐张线夹的缺陷进行快速准确的判断，有助于实现耐张线夹的在线实时检测，可为电力设备智能巡检在电力行业的其他应用领域提供参考。

发明内容

针对现有耐张线夹缺陷检测不能在线实时检测的不足，本发明旨在提供一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法，减少人工因素对缺陷评判结果的干扰，提升检测效率，为电力设备智能巡检提供技术参考。

为达到此发明目的，本发明通过以下方案予以实现：一种基于多网络融合模型的输电线路耐张线夹缺陷检测方法，包括如下步骤：

S1、耐张线夹X光图像数据集构建与预处理：构建含有“多压”、“C区漏压”、“弯曲”、“欠压”、“A区漏压”及“飞边”六类缺陷的耐张线夹数据集；采用先裁剪缺陷区域再旋转的方法进行样本扩充；利用对比度拉伸、Gamma校正、拉普拉斯算子增强、高斯滤波以及限制对比度直方图均衡化CLAHE对耐张线夹X光图像进行对比度增强处理；

S2、构建改进的YOLOv4耐张线夹X光图像缺陷检测模型：在原始YOLOv4模型的PANet网络嵌入CBAM注意力机制模块构建YOLOv4+CBAM模型；对YOLOv4主干网络CSPDarknet53中的SPP结构进行改进，在原SPP结构基础上加入CBAM注意力机制、全局平均池化和扩张率r分别为6、12和18的空洞卷积构建ASPP结构，并替换YOLOv4主干网络中的SPP结构，从而构建YOLOv4+ASPP模型；以YOLOv4+ASPP模型为基础，在YOLOv4+ASPP模型的PANet网络嵌入CBAM注意力机制模块构建YOLOv4+ASPP+CBAM模型；三种改进模型的具体操作如下：

YOLOv4+CBAM模型：从YOLOv4的主干网络CSPDarknet53中提取3个大小为52×52×256，26×26×512，13×13×1024的特征层，在3个特征层中分别加入注意力机制CBAM后输入PANet网络进行特征融合；