[发明专利]一种输电线路杆塔本体缺陷的检测方法及系统

说明书

本发明提供了一种输电线路杆塔本体缺陷的检测方法及系统，方法包括实时或定时获取输电线路杆塔本体的初始图像，基于预设的大金具标签，从所述初始图像中切分出大金具子图像；对每个所述大金具子图像，基于预设隐患检测类型字典，若当前大金具子图像内包含小金具，则切分出符合预设分辨率的小金具子图像；将大金具子图像和小金具子图像分别输入检测模型，将识别结果均映射到初始图像上，形成包含大金具、小金具及缺陷标签的检测结果。本发明根据缺陷检测类型，它能够有效的学习到大金具特征，准确的识别大金具。通过测试，大金具的识别精度(mAP)可以达到80.1％以上，针对输电线路杆塔本体缺陷的小金具的识别精度(mAP)可以达到84.1％。

技术领域

本发明涉及输电线路安全检测技术领域，尤其是一种输电线路杆塔本体缺陷的检测方法及系统。

背景技术

输电线路巡检作业是保障输电线路稳定运行的重要基础，但随着电网建设的不断深入，输电线路架设的需求多与高人工运维成本之间的矛盾逐渐增大。而无人机巡检作为信息时代新兴起的巡检技术，它具有成本低廉、操作简单、不受环境影响等优势，能够有效缓解电网建设需求和人工运维成本之间的矛盾。因此如何应用无人机拍摄的输电线路巡检图像加速电网智能化成为目前电力领域的发展热点。

深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。在大数据的时代背景下，得益于图形处理器的飞速发展，深度学习技术在输电线路巡检领域发挥了重要作用。

在无人机拍摄的输电线路图像中，要巡检的缺陷种类众多。基于深度学习技术主要依赖目标的特征完成目标的识别，因此输电线路巡检工作仍面临着巨大的挑战，目前缺陷识别的准确率较低。

发明内容

本发明提供了一种输电线路杆塔本体缺陷的检测方法及系统，用于解决现有基于深度学习技术对输电线图杆塔的缺陷识别率较低的问题。

为实现上述目的，本发明采用下述技术方案：

本发明第一方面提供了一种输电线路杆塔本体缺陷的检测方法，所述方法包括以下步骤：

实时或定时获取输电线路杆塔本体的初始图像；

基于预设的大金具标签，从所述初始图像中切分出大金具子图像；

对每个所述大金具子图像，基于预设隐患检测类型字典，若当前大金具子图像内包含小金具，则切分出符合预设分辨率的小金具子图像；

将大金具子图像输入训练好的第一检测模型，将小金具子图像输入训练好的第二检测模型，得到缺陷标签，将所述缺陷标签及大金具子图像、小金具子图像均映射到初始图像上，形成包含大金具、小金具及缺陷标签的检测结果。

进一步地，所述第一检测模型为大金具缺陷检测模型，所述第二检测模型为小金具缺陷检测模型，缺陷检测模型均为yolov5模型。

进一步地，所述缺陷检测模型训练前，还包括步骤：

构建训练数据集，所述训练数据集包括输电线路杆塔本体缺陷的数据集；

基于缺陷检测类型以及金具间的嵌入关系，将所述训练数据集分为大金具缺陷检测数据集和小金具缺陷检测数据集。

进一步地，所述大金具缺陷检测数据集的构建过程具体为：

对于所述数据集图像中的标签，若标签类别属于大金具类型，则保留当前标签，得到包含大金具标签的图像数据集；

判断所述图像数据集中各图像的分辨率，若分辨率大于第一预设分辨率阈值，则将当前图像切分，得到若干大金具子图像；