[发明专利]一种专用于输电线路运维的巡检图像缺陷检测方法

说明书

本发明公开了一种专用于输电线路运维的巡检图像缺陷检测方法包括，基于ResNet卷积神经网络架构提出一种专用于输电线路运维的巡检图像缺陷检测模型；采用多尺度预测方案和金字塔关联模型提高小目标检测精度；通过采用深度可分解模型替代卷积神经模块，提高巡检图片缺陷检测速度；构建输电线路电力目标缺陷数据集，设置模型参数，训练巡检图像缺陷检测模型；使用训练好的模型，对输电线路巡检图片中的电力设备缺陷进行识别。在精度层面，使用上下文信息融合架构将浅层特征图和深度特征图进行融合，减少信息损失，在速度层面，用卷积分解将标准卷积计算分解为深度卷积和逐点卷积，降低模型的计算量改善输电线路巡检图像识别中精度低和速度慢的问题。

技术领域

本发明涉及数字图像技术领域，尤其涉及一种专用于输电线路运维的巡检图像缺陷检测方法。

背景技术

电网的安全、稳定、可靠运行，对于国民经济的平稳发展具有重要作用，对输电线路的巡检和维护是保障输电网正常运行的主要手段。传统的电力巡检主要是人工完成，检修人员定期对输电线及沿线周边环境进行巡视和排查，但该巡检方式存在如下问题：(1)巡检安全难以保证。(2)巡检效率低下。(3)巡检故障发现率低。2013年，国家电网公司和南方电网公司相继开展“输电线路机巡作业”计划，采用直升机、无人机搭载照相(摄像)机及在线监测手段，对架空输电线路进行巡视检查或状态监测，并于2020年底，基本实现“机巡为主、人巡为辅”的协同巡检目标。

输电线机巡影像具有体量大、增长快和价值密度低的典型大数据特征，而对其进行故障识别多以人工判读为主。虽然这种方式也可能发现故障隐患，但仍存在明显弊端：一方面，输电通道运行状况复杂，运维人员在现场评判设备运行状况及通道状况所能获取信息有限，给出的结果存在主观性、模糊性、不完全，易出现漏检和误检的问题；另一方面，远距离的高电压输电线路周围通信条件不佳，传输速度慢且传输的数据量有限，因此多以离线检测为主。

近年来，随着计算硬件工艺、无人机技术的显著提高，以及计算机视觉和人工智能等领域的快速发展，通过对海量图像的深度挖掘，可提取图像中显著目标及特征，实际应用表明，当前的技术具有高速、高精度和高度扩展性等优势，各方面的评判指标均超过人工判别。基于此，本发明拟应用相关计算机视觉和人工智能技术，并针对输电线路机巡影像的实际应用需求进行相应的改进，提出一种针对输电线路运维的高可靠性目标检测模型，用于检测输电线路外观、运行环境、元件异常等输电线路主要缺陷，及时提出告警，为设备管理和运行维护提供参考，提高输电线路巡检的效率和可靠性。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种专用于输电线路运维的巡检图像缺陷检测方法，能够解决传统技术中输电线路巡检图像识别中精度低和速度慢的问题并在保证精度的情况下，降低模型的计算量。

为解决上述技术问题，本发明提供如下技术方案，一种专用于输电线路运维的巡检图像缺陷检测方法，包括：

基于ResNet卷积神经网络架构提出一种专用于输电线路运维的巡检图像缺陷检测模型；

采用多尺度预测方案和金字塔关联模型；

通过采用深度可分解模型替代卷积神经模块；

构建输电线路电力目标缺陷数据集，设置模型参数，训练巡检图像缺陷检测模型；

使用训练后的巡检图像缺陷检测模型，对输电线路巡检图片中的电力设备缺陷进行识别。