[发明专利]一种配电线路树障检测方法

说明书

本发明公开了一种配电线路树障检测方法，属于电力设备检测技术领域。本发明通过改进损失函数，在树障位置回归和背景前景分类损失上引入对标签的偶然不确定性进行估计，降低噪声标签对整体网络训练的影响，从而提升整体检测性能；改进yolov5网络结构，引入上下文注意力机制，提取上下文注意力信息，可以将树木和电线两个完全不同的物体通过全局注意力信息紧密联系起来成一个整体，加速训练过程中模型收敛提升整体检测性能；改进GC模块的Softmax为Sigmoid，改进后的GC模块，提取的注意力信息更能代表树障目标的特性，提升整体的检测性能。

技术领域

本发明涉及电力设备检测领域，具体涉及一种配电线路树障检测方法。

背景技术

由于配电线路分布十分广泛，地理环境十分复杂，配电线缆长期暴露在野外。而在这些地形复杂的区域往往存在树竹生长茂盛的情况，一旦配电线缆与树竹发生接触，可能会造成线路短路，破坏供电线路，甚至会造成森林火灾等严重事故。因此，配电线路巡视检测是否存在树障威胁十分重要。

传统的人工巡检方式是通过地面交通工具或徒步行走，利用仪器或肉眼来巡查线路附近树木的威胁进而进行砍伐，减少配电线路因为树木造成的安全隐患。然而，很多长距离配电线路分布在地形陡峭、自然环境恶劣的崇山峻岭、广袤森林之间，这导致了传统的人工巡线劳动强度大、工作条件艰苦、效率低、复寻周期长等一系列问题。

随着无人机技术的发展，配电线路巡视逐渐由原来的人工巡检替换成无人机巡检，大大的提高了巡检效率，但是无人机巡检在每条配电线路上会拍摄大量的图片，而真实存在树障的图片是极少量的，同时对于树障图片的判定也会存在很多歧义。因此需要耗费大量人力去对拍摄的图片进行人工识别，极大的降低了效率。

现有技术对配网线路树障的检测方法，基本都是采用大量数据图片对深度学习网络进行训练，以达到检测效果。但在实际的训练过程中，所采用的树障训练数据都是通过人工标注方式获得，而每个标注人员对树障的理解很难做到一致，这就会导致在数据标注时产生很多漏标、误标情况，这种情况就会导致在模型训练时对模型性能产生很大的负面影响，导致检测性能下降。为此，提出一种配电线路树障检测方法。

发明内容

本发明所要解决的技术问题在于：如何解决因人工数据标注的偶然不确定性导致的性能下降问题，提供了一种配电线路树障检测方法。

本发明是通过以下技术方案解决上述技术问题的，本发明包括以下步骤：

步骤1：数据预处理

针对配电线路树障目标制作数据集，采用人工标注方式以矩形框标注，生成标签，对经过标注后的数据进行归一化处理，然后再对数据进行增强处理；

步骤2：改进深度学习网络

对原始yolov5网络进行改进，在原始yolov5网络的C3模块中引入GC模块，并将GC模块的激活函数从Softmax函数更改为Sigmoid函数，得到改进后的yolov5网络；

步骤3：网络训练

构建损失函数，并进行改进后的yolov5网络训练，训练完成后，保存训练好的模型；

步骤4：树障检测

输入待测试的缺陷图片至模型，经过NMS处理后可检测出树障在缺陷图片中的位置。

更进一步地，在所述步骤1中，在所述步骤1中，标签格式表示为（x,y,w,h），其中x、y为矩形框的中心点坐标，w、h分别为矩形框的宽、高。

更进一步地，在所述步骤2中，所述C3模块包括三个3*3卷积层、一个GC模块；通过两个3*3卷积层进行特征提取，然后经过原始yolov5网络中特征提取层提取后的特征和经过两个3*3卷积后的特征相加，再经过一个3*3卷积层和一个GC模块进行特征提取。