一种牵引变电所户外绝缘子异常检测方法与流程

本发明涉及计算机视觉、模式识别与智能系统技术领域。

背景技术：

绝缘子是输电线路中重要的装置,对维护输电线路稳定,保障输电网络正常运行有重要意义。绝缘子一旦发生故障,将会造成严重的输电故障和经济损失。因此,在输电线路巡检的过程中,检查绝缘子是否正常工作是重要任务。根据变电电站例行巡视、检查项目及要求(一)例行巡视检查日常巡视检查内容项目及要求：1)瓷裙表面污秽程度无放电现象。2)瓷裙、法兰无裂纹、破损现象。3)高压瓷柱绝缘支柱无受力(引线)，支柱无倾斜，底座螺栓紧固。4)设备法兰及铁件等部位无裂纹、裂缝现象。对各种值班方式下的巡视时间、次数、内容，各单位应做出明确规定。例行检查巡视分为正常巡视、全面巡视、熄灯巡视。正常巡视：1)有人值班变电所的支柱绝缘子设备，每天至少一次：每周至少进行一次夜间巡视：2)无人值班变电站内的支柱瓷绝缘子设备每周二次巡视检查。全面巡视内容主要是对设备进行全面的外部检查。每周应进行熄灯巡视一次，内容是检查设备有无电晕、放电、接头有无过热现象。为了提高支柱瓷绝缘子的耐污水平，根据设备运行情况，可在污秽较严重地区运行的支柱瓷绝缘子可采用表面涂刷盯v涂料等技术措施。检查中发现缺陷时应在设备异常与缺陷记录中详细记录，同时向上级汇报。因此，传统的电力巡检方法主要靠人工巡检，该方式耗费时力、效率低下、巡检周期长。寻找一种可减少人力资源，方便高效率，解决数据不足问题的绝缘子异常检测方法具有重大的意义。无人机与高清摄像头的出现，使得拍摄绝缘子图像代替原始的目视检查成为可能。通过智能设备进行巡检的方式相较于传统的方式具有安全性高、便于实施、效率高等优点，使用设备拍摄绝缘子的图像，进行分析和处理，提高了数据的利用效率，为整个智能化系统的实现提供了依据。随着深度学习的发展，其也成为一种重要的检测手段。但在深度神经网络模型的训练过程中，异常绝缘子图像数量不足是一个很大的问题。

技术实现要素：

本发明的目的是提供一种牵引变电所户外绝缘子异常检测方法，它能有效地解决判断牵引变电所户外绝缘子的工作状态是否正常的技术问题。

本发明的目的是通过以下技术方案来实现的：一种牵引变电所户外绝缘子异常检测方法，包括如下步骤：

步骤一、绝缘子定位网络数据集构建

采用牵引变电所内杆塔搭载监控摄像头拍摄的图像构成图像库，对图像库中每张图像进行中值滤波处理以抑制噪声，具体为：用3×3像素滑窗算法遍历图像，对滑窗内9个像素点按像素值大小进行排序，取中值作为该滑窗中心点像素值；通过人工标注的方式，使用能够包围完整绝缘子的包围框标注出图像中的绝缘子区域，所有图像及其标注结果共同构成绝缘子定位网络数据集；

步骤二、绝缘子图像生成网络数据集构建

对图像库中的图像进行裁剪，提取出单独的绝缘子图像，考虑到实际中存在异常的绝缘子图像较少，对每一张正常绝缘子图像，通过人工制作其对应的裂纹、掉磁、闪络的异常绝缘子图像，使每张正常绝缘子图像都有一张异常绝缘子图像所对应；所有的两种图像共同构成绝缘子图像生成网络数据集；

步骤三、绝缘子定位网络的构建与训练

绝缘子定位网络采取fasterr-cnn网络模型，包括特征提取网络，候选区域生成网络和分类与边界框回归网络；采用在大型分类识别数据集imagenet上经预训练的vgg-16的前16层作为特征提取网络，生成特征图；在原始图像的对应位置生成不同面积和宽高比的区域，利用softmax函数计算每个区域含有绝缘子的概率p，作为候选区域生成网络；再将该候选区域输入到分类与边界框回归网络对目标进行分类，同时对目标边界框进行回归，输出绝缘子包围框位置及其经全连接层被分类为绝缘子的概率p0，具体为：特征图进入候选区域生成网络后，用3×3像素滑窗算法遍历特征图，在每个滑窗位置上基于9个固定比例的默认边界框生成多个区域，每个区域可能含有绝缘子，也可能不含绝缘子，通过softmax函数对所有生成的区域进行二分类，选取概率p最高的前300个区域作为候选区域；设置候选区域默认边界框的长宽比为0.5，1，2，尺寸为8倍，16倍，32倍；设置基础边界框坐标为[0,0,15,15]，其中(0,0)为边界框左上角坐标，(15,15)为边界框右下角坐标；保持该边界框面积与中心点不变，根据三种长宽比可得三个新边界框，将三种尺寸与三个新边界框的长与宽相乘，保持中心点不变，即可得到9个默认边界框；将得到的候选区域作用于特征图，通过roi池化提取区域特征，分类与边界框回归网络对这些特征进行分类与边界框的预测；使用绝缘子定位网络数据集对绝缘子定位网络进行训练，使其获得对图像中绝缘子定位能力；

步骤四、绝缘子图像生成网络的构建与训练

绝缘子图像生成网络基于gan网络结构搭建，包含三个部分：生成器、判别器、重构编码器；其中生成器基于自动编码器结构搭建，包含一个编码器和一个解码器；编码器将一张3通道的图片x映射为一个32维的向量z；在解码器一端加入u-net跨层连接方式，以获得更佳的图像生成效果，最终将编码得到的32维向量z重建为3通道图片x`；判别器采取与生成器中编码器相同的网络结构，用于区分原图与生成器生成的重建图；重构编码器将生成器生成的重建图片x`再压缩为一个32维的向量z`，其结构与生成器中编码器相同，用于对比原图与重建图在高一层抽象空间中的差异，具体为：编码器由4个4×4卷积层组成，输出一个大小为1×1×32的向量，其宽高为1，维数为32；解码器对该向量进行反卷积操作，每进行一次反卷积操作，就进行一次上采样，随后与编码器中对应层的具有相同尺寸的特征进行拼接，经4个4×4反卷积层后输出重建图；重建图通过重构编码器再进行一次编码，获得大小同为1×1×32的向量；网络损失包括三个部分，分别为：1)生成器重建损失，比较的是原图与重建图，采用l1损失；2)编码网络损失即生成器+重构编码器的损失，比较的是原图的编码特征与重建图的编码特征，采用l2损失；3)判别网络损失，采用二分类的交叉熵损失；使用绝缘子图像生成网络训练集对绝缘子图像生成网络进行训练，训练方法采取adam训练方法，使其获得对绝缘子图像重建能力；

步骤五、图像输入

在实时处理情况下，提取通过摄像头采集并保存在存储区的原始视频图像，作为要进行异常检测的输入图像；在离线处理情况下，将已釆集的视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像，如果输入图像为空，则整个流程中止；

步骤六、绝缘子定位

将输入图像尺寸归一化为绝缘子定位网络输入端所需尺寸224×224像素，然后经过网络的正向处理后得到绝缘子包围框的位置及概率p0；若该概率p0大于预先设置的阈值0.9，则认为定位成功，提取出所有定位成功的绝缘子图像；

步骤七、绝缘子异常检测

将步骤六中提取的绝缘子图像输入绝缘子图像生成网络进行异常检测，将网络损失中的编码网络损失作为输入图像的异常分数，同时设置一个阈值为0.2的异常判断阈值，如果输入图像的异常分数小于该异常判断阈值时则判定为正常，否则判定为异常；将判定为异常的图像与其通过绝缘子图像生成网络所生成的图像同时进行lbp特征提取，得到各自的lbp特征图，任选一图进行逐像素搜索，并与另一图的对应位置像素进行比较；若一像素点满足：该像素点在两图中像素差值大于等于30，且以该像素点为中心的3×3像素窗口内8个像素点的像素差值均大于等于30，则将该像素点判断为存在异常；然后对判定为异常的图像进行二值化处理，令判断为存在异常的像素点灰度值为255，其它像素点灰度值为0，即可获得异常区域，跳转到步骤五。

本发明的优点和积极效果：该方法首先构建了一个绝缘子定位网络，对摄像头拍摄的牵引变电所图像中绝缘子进行目标提取，得到绝缘子图像。然后构建了一个绝缘子图像生成网络，该网络基于gan网络结构搭建，其中生成器部分基于自动编码器结构搭建，在解码器一端加入u-net跨层连接方式，判别器部分采取与生成器中编码器相同的网络结构，并在生成器生成的图片之后再加上一个编码器，作为重构编码器。在其训练过程中，使用正常绝缘子图像及其对应的异常绝缘子图像进行训练，使该网络拥有将输入绝缘子图像重建为正常绝缘子图像的能力。异常检测过程中，将任意绝缘子图像输入网络，对每张图像给予一个异常分数，若该分数超过设置的异常判断阈值，则判断为异常样本，若低于异常判断阈值，则判断为正常样本。最后对判定的异常图像及其生成图像进行特征提取，通过比较两图差异定位出异常区域。本发明方法可实现较高的异常检测准确性，符合电力巡检智能化的趋势。

附图说明

图1为本发明绝缘子图像生成网络结构图

图2为本发明技术流程图

具体实施方式

本发明的方法可用于含有绝缘子的牵引变电所，传统的电力巡检方法主要靠人工巡检，该方式耗费时力、效率低下、巡检周期长。直升机、无人机、高清摄像头的出现，使得拍摄绝缘子图像代替原始的目视检查成为可能。通过智能设备进行巡检的方式相较于传统的方式具有安全性高、便于实施、效率高等优点。对牵引变电所户外绝缘子的异常检测便可以采用本发明提出的检测方法实现。

具体为，首先构建了一个绝缘子定位网络，对摄像头拍摄的牵引变电所图像中绝缘子进行目标提取，得到绝缘子图像。然后构建了一个绝缘子图像生成网络，该网络基于gan网络结构搭建，其中生成器部分基于自动编码器结构搭建，在解码器一端加入跨层连接方式，判别器部分采取与生成器中编码器相同的网络结构，并在生成器生成的图片之后再加上一个编码器，作为重构编码器。在其训练过程中，使用获得的正常绝缘子图像及其对应的异常绝缘子图像进行训练，训练好的网络模型的数据分布适应于将输入图重建为对应的正常绝缘子图像，当异常绝缘子图像输入模型时，其被重构生成的图像会失去异常特征，进而其经重构编码器编码的向量也会丢失异常特征，使该向量与原图的编码向量存在差异。测试过程中，将绝缘子图像同时输入网络，对每张图像给予一个异常分数，若打分超过设置的阈值，则判断为异常样本，若低于阈值，则判断为正常样本。最后对判定的异常图像及其生成图像进行特征提取，定位出异常区域。本发明方法可实现较高的异常检测准确性，符合电力巡检智能化的趋势。

本发明方法可通过任何计算机程序设计语言(如python语言)编程实现，基于本方法的检测系统软件可在任何pc或者嵌入式系统中实现实时异常检测应用。