[发明专利]基于数据模型的输电线路温度检测方法、系统及设备

说明书

本发明提供一种基于数据模型预测的输电线路温度检测方法，包括：获取输电线路图像，包括红外图像和可见光图像；根据输电线路图像获取时的地理信息进行分类存储；对输电线路图像进行对齐；利用可见光图像剔除背景影响；对红外图像进行特征抽取并存储为温度梯度和地理信息的分层立体数据库；利用分层立体数据库基于孤立森林算法构建模型；利用构建的模型进行预测；对预测值和真实值进行残差分析，预测故障点和趋势变化。利用温度数据信息建建立温度数据信息模型，利用孤立森林异常值检测以及梯度变化规律判断每个线塔的温度变化，反映线塔的故障变化规律，通过数据预测分析提前预测和告警隐患点，快速筛查预判，提高实施效率和应用实战意义。

技术领域

本发明涉及深度学习技术在输电技术领域的应用，尤其是基于数据模型预测的输电线路温度检测方法。

背景技术

深度学习技术中，图像识别技术是一门重要的技术，其目的是为了让计算机代替人工去处理大量的物理信息。图像识别技术工作过程分为信息的获取、预处理、特征抽取和选择、分类器设计和分类决策。电网安全运行是确保社会生活和经济运行的压舱石。由于输变电线路距离远、跨度大，检测点高，一般的检测手段无法满足。目前行业内普遍采用无人机拍摄线路图像信息，并结合红外热成像技术，采集数据后，可见光图像与红外图像进行对齐，找到热成像图中的高温区域，然后对齐可见光图像实现识别并与人工复检相结合的方式。在高压输电线路领域，由于铁塔高度在50米以上，高空背景干扰较少可以比较容易的进行目标识别；但，对于低矮的变电线路，背景复杂，路面上的车辆，线杆背景中的建筑物，以及树木的遮挡等都会产生干扰。导致采集的图像信息背景复杂，使用传统的图像检测方法对输电线路进行温度的检测，需要先进行图像分割，然后进行目标识别，并利用模板匹配的检测方法，如此一来难以保证较好的识别准确度。

受场景与实际应用条件及成本的限制，目前通常使用的检测方法是分割和目标识别，然后进行温度检测，但是当背景区域复杂时，线塔区域的检测很容易引入背景的干扰，背景干扰滤除是一个比较复杂的需要大量的人工标注，从时效性和投入都比较大，成为限制电力巡检的瓶颈。

发明内容

本发明旨在克服上述现有技术的至少一种缺陷，针对输电线路的线塔红外热成像检测中的问题，提出了利用温度数据信息建建立温度数据信息模型，利用孤立森林异常值检测以及梯度变化规律判断每个线塔的温度变化，反映出线塔的故障变化规律，通过数据预测分析可以提前预测和告警隐患点，快速筛查预判，提高实施效率和应用实战意义。

第一方面，本发明提供一种基于数据模型的输电线路温度检测方法，包括：

获取输电线路图像，包括红外图像和可见光图像；

根据输电线路图像获取时的地理信息进行分类存储；

对输电线路图像进行对齐；

利用可见光图像剔除背景影响；

对红外图像进行特征抽取并存储为温度梯度和地理信息的分层立体数据库；

利用分层立体数据库基于孤立森林算法构建模型；

利用构建的模型进行预测；

对预测值和真实值进行残差分析，预测故障点和趋势变化。

本发明的输电线路图像可以通过如无人机等方式拍摄，将采集的图像按照地理信息进行分类存储，同一位置的图像存储在同一个数据库表中，并可以按照方位角进行标签特征分类存储。

红外图像与可见光图像需要进行对齐，以进行一一对应，有利于后续进行数据筛选，使得线路的几何中心位于图像的中心区域，进而可以基于该特征进行比对筛选。

由于线路所在的线塔的背景中会出现不确定的物体，这些偶然采集进去的目标会干扰温度等温区域的分割，因此可以根据历史文件对偶然进入区域的目标，会给出一个筛选机制策略，增加永久性的区域，筛选掉偶然临时区域。