[发明专利]基于深度迁移学习的架空输电线路绝缘子故障检测方法

说明书

本发明公开了一种基于深度迁移学习的架空输电线路绝缘子故障检测方法，包括步骤如下：通过无人机获取绝缘子图像样本，并对图像样本进行预处理；根据迁移学习的方法将绝缘子图像样本分为源域和目标域，源域为已标记的正常绝缘子图像样本，目标域为未标记的故障绝缘子图像样本；选择Swin‑Transformer作为特征提取器提取源域和目标域的绝缘子特征，并将绝缘子特征映射到相同子空间，然后通过线性判别分析方法学习子空间的绝缘子特征，再通过最近类原型和结构化预测的方法伪标记目标域绝缘子故障样本子集；最后通过迭代学习伪标记目标域中所有的绝缘子故障样本。本发明能准确、快速的对架空输电线路中的绝缘子故障进行检测。

技术领域

本发明涉及绝缘子故障检测方法，尤其涉及一种基于深度迁移学习的架空输电线路绝缘子故障检测方法。

背景技术

随着智能电网技术的快速发展，架空输电线路巡检是保证电力系统稳定运行的重要前提。在架空输电线路的电力设备中，绝缘子是重要的绝缘部件，其主要功能是支持和固定载流导体，在保证电力传输安全性方面起到重要作用。由于架空输电线路常年暴露在户外且长期工作在高压条件下，使得绝缘子容易出现破损、跌落等问题，从而影响电力系统的稳定性和安全性。为提高电网的安全系数，必须经常对架空输电线路的绝缘子进行检测，判断绝缘子的状态，以保证电力输送质量。传统架空输电线路巡检中，主要通过人工判断绝缘子是否异常，人力成本较高，耗时长且效率低下，同时存在很大的安全隐患。相较于传统人工巡检，无人机巡检具有成本低、操控方便等显著优势，且不受限于地形状况，可以从不同的角度和视野获取绝缘子图像数据，对电力巡线和架空输电线路安全稳定具有重要的意义。

传统的电力巡检主要依靠人工巡检，由于大部分的架空输电线路位于地势险峻的地方，使得人工巡检需要专业电力人员攀爬杆塔，通过高空作业对绝缘子进行定期维护。由于人工巡检受到自然环境和气候条件的限制，危险系数较高，而且我国架空输电线路繁多，仅依靠人工巡检的方式工作量较大，效率较低。为提高电力巡检的自动化智能化水平，无人机巡检已经逐步成为电力巡检的主要方式。无人机操作简单，对环境要求低，不但可以减少人工投入，提高电力巡检的效率，而且还可以保障电力系统巡检的安全。但是由于无人机拍摄的绝缘子图像背景复杂，尺度不一，如果通过人工来辨别绝缘子状态，会耗费大量时间。因此，实现自动化处理图像数据信息和准确检测绝缘子状态是提高电力巡检效率的关键。

目前传统的绝缘子故障检测方法主要为图形分割和机器学习等方法，实现对绝缘子的定位和检测。陈文浩等人通过OTSU算法对绝缘子图像进行分割处理来判断绝缘子是否存在故障。陈国翠等人利用快速导向滤波算法提取绝缘子图像的PHOG和BOW-SURF特征，并通过SVM分类器对绝缘子图像进行训练，提高绝缘子缺陷检测的精度；HaiyanCheng等人对绝缘子的颜色特征进行图像分割，并将分割绝缘子的垂直长度以及绝缘子片连接区域的水平距离作为空间特征来判断绝缘子是否存在自爆缺陷。

传统的绝缘子故障检测方法难以满足复杂背景下的航拍绝缘子的缺陷检测，但是深度学习的检测方法是对输入的绝缘子图像整体进行特征提取，自主学习绝缘子图像上的特征进而实现缺陷检测。王义军等人通过YOLOV3-tiny对绝缘子自爆缺陷进行检测，通过引入跳跃连接对主干网络进行改进，提高网络特征提取能力；Tan Jicheng等人将DenseNet作为SSD模型的特征提取网络增强模型的分类能力，提高SSD模型的精度。Wang等人对FasterR-CNN算法进行改进，以ResNet网络作为骨干网络，将RPN网络引入ResNeSt网络加强缺陷特征提取，提升了绝缘子缺陷检测的准确率和检测速度。Liu等人提出一种改进的YOLO-v3算法，通过在Darknet53网络中加入DenseNet模块和改进的特征融合策略，实现了不同背景干扰下的多绝缘子准确定位。Fan P等人使用随机森林算法分割绝缘子进行目标识别，然后使用卷积神经网络判断绝缘子是否存在缺陷，最后再通过Faster R-CNN网络定位出绝缘子缺陷的所在位置；申泽浩等人对Faster R-CNN各层特征进行融合，并通过减少锚框尺寸提高绝缘子的检测精度。