一种电力系统绝缘子串缺陷检测方法与流程

1.本发明涉及工业物联网与边缘计算领域，具体涉及一种电力系统绝缘子串缺陷检测方法。


背景技术：

2.近年来，无人机巡检已成为输电线路巡检的重要技术手段和发展方向。而无人机在巡检过程中会产生大量的图像信息，而现有的无人机巡检图像识别方式大都是基于人工判读的方式来完成目标部件的标定和缺陷的分类，使用此种方式对图像进行排查，不仅检测效率较低，易受人工主观因素的影响，而且由于重复劳动易使检测出现误识。因此使用一种自动化、智能化的图像识别方式代替人工排查方式已成为电力行业的迫切需要。近年来，利用计算机视觉的方法识别输电线路中的设备已成为研究中的热点。
3.而绝缘子串作为输电线路中起绝缘和支撑作用的关键组成部分，其一旦出现故障，可能会使整个输电线路处于瘫痪状态，因而，绝缘子串识别和缺陷检测作为电力系统中输电线路巡检的核心部分，具有十分重要的现实意义。绝缘子串根据电压等级是有多个绝缘子片周期性排列组成，当图像中的绝缘子串出现缺失时，相应的缺陷在整幅图像中的面积占比将会很小，若直接使用基于深度学习的目标检测算法识别绝缘子串的缺陷，将会在一定程度上降低相应识别算法的识别准确率。并且，目前的绝缘子串缺陷检测算法大都针对单独的绝缘子串设计，而对于真实场景中无人机巡检拍摄的绝缘子串图像的表现形式可能会有多种，当绝缘子串成对出现且存在遮挡现象时，绝缘子串的缺陷识别难度将会大大增加。


技术实现要素：

4.针对现有技术的不足，本发明提供一种精确识别绝缘子串缺陷的方法，不仅可以准确地识别出单独的绝缘子串中存在的缺陷，而且对成对出现，互相遮挡的绝缘子串的缺陷检测亦十分有效，本发明在检测出绝缘子串的基础上，提出了一种新的绝缘子串缺陷检测流程。
5.本发明为实现上述目的所采用的技术方案是：一种电力系统绝缘子串缺陷检测方法，包括以下步骤：
6.1)无人机通过搭载摄像头获取场景的图像信息，对图像进行目标识别来判定图像中是否存在绝缘子串；若图像中存在绝缘子串，则将该张图像发送回地面服务器进行处理；
7.2)地面服务器通过使用u-net网络对图像进行分割提取绝缘子串，得到包含一对或多对绝缘子串的结果图像se；
8.3)当结果图像se中只包含单一的绝缘子串时，直接利用缺陷检测算法得到缺失位置；
9.当结果图像se中包含一对或多对绝缘子串时，将结果图像se输入到缺陷检测算法中，把结果图像se中每对绝缘子串划分成两部分图像，分别对每对绝缘子串划分后的两部
分图像进行峰值点或谷值点检测，得到峰值点和谷值点列表；
10.4)对峰值点或谷值点列表p中峰值点或谷值点的位置分布进行分析，得到存在缺陷位置的区间，将存在缺陷位置的区间映射回原图像并在原图像中标记出绝缘子串缺失的位置。
11.步骤2)中，所述对分割后的结果图像se进行划分具体为：
12.将结果图像se中每对绝缘子串的上下两个绝缘子串图像的交界处为边界，上下两个绝缘子串之间用白色像素进行填充，再将结果图像se分成上半部分和下半部分两部分，分别定义为u和d；
13.对于上半部分u以及下半部分d，得到上半部分的轮廓以及下半部分轮廓，分别用u
c
和d
c
表示。
14.步骤3)中，所述分别对划分后的两部分图像进行峰值点或谷值点检测，得到峰值点或谷值点列表p，具体为：
15.对于u
c
的峰值点或d
c
的谷值点，可用序列p表示，即：
16.p＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)}；
17.其中，n是p中的项数，(x
i
,y
i
)表示对应峰值点或谷值点的横纵坐标，i＝1
…
n。
18.所述步骤4)中对p位置分布进行峰值点或谷值点的分析，得到存在缺陷位置的区间具体为：
19.对p进行四阶非线性回归操作，并构成相应的所有峰值或谷值的回归点集合q表示为q＝{(x1,z1),(x2,z2),...,(x
n
,z
n
)}；
20.计算p与q的差值，得到峰值点序列和峰值点的回归点序列的差值、或得到谷值点序列和谷值点回归点序列的差值，差值绝对值的平均值表示为k；
21.根据平均值k去除峰值点或谷值点序列中的伪峰值点或伪谷值点；
22.当去除掉伪峰值点或伪谷值点后的峰值点或谷值点序列p中的项数为m，计算峰值点或谷值点序列中相邻两点间的平均距离为d，判定上半部分或下半部分两相邻点间是否存在缺陷；合并u和d为s并标记出缺陷。
23.所述根据k将峰值点或谷值点序列p中的伪峰值点或伪谷值点去除掉，具体为：
24.当i≤n时，对峰值点或谷值点序列中所有峰值点或谷值点校验：对于每个峰值点或谷值点，当满足约束条件|y
i-z
i
＞4*k|时，该峰值点或谷值点为伪峰值点或伪谷值点(x
iw
,y
iw
)，去除满足约束条件的伪峰值点或伪谷值点；
25.其中，y
i
为对应峰值点的纵坐标，z
i
为四阶非线性回归之后得到的纵坐标。
26.所述计算峰值点或谷值点序列p中相邻两点间的平均距离为d，通过下式得到，即：
[0027][0028]
其中，m为去除掉伪峰值点或伪谷值点序列p的项数，x
(i+1)
为下一个峰值点的横坐标，x
i
为当前峰值点的横坐标，i＝1....m-1。
[0029]
所述判定上半部分或下半部分两相邻点是否存在缺陷，具体为：
[0030]
对于峰值点或谷值点序列中已去除伪峰值点或伪谷值点后的所有峰值点或谷值点，并根据得到的峰值点或谷值点序列中相邻两点间的平均距离为d，当i＜m时，m为去除掉伪峰值点或伪谷值点序列p的项数，则执行下面循环：
[0031]
当x
(i+1)-x
i
＞1.5*d时：
[0032]
则上半部分或下半部分对应的每个绝缘子串在x
i
和x
(i+1)
之间的区间内存在缺陷。
[0033]
本发明具有以下有益效果及优点：
[0034]
本发明提出了一种新的绝缘子串缺陷检测的方法，不仅可以解决单一绝缘子串出现的缺失位置，还可以很好地解决绝缘子串在成对出现，相互遮挡的情况下出现缺失的问题。本发明与基于深度学习的方法相比，具有更高的准确率和召回率，且有效地降低了计算的复杂度。
附图说明
[0035]
图1为本发明的缺陷识别流程图；
[0036]
图2为本发明使用的绝缘子串分割算法网络架构图；
[0037]
图3为本发明对波峰值或波谷值的集合序列采用四阶非线性回归步骤；
[0038]
图4为本发明提出的缺陷识别算法流程结果图的具体实施样例。
具体实施方式
[0039]
下面结合附图及实施例对本发明做进一步的详细说明。
[0040]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本发明。但本发明能够以很多不同于在此描述的其他方式来实施，本领域技术人员可以在不违背发明内涵的情况下做类似改进，因此本发明不受下面公开的具体实施的限制。
[0041]
如图1所示，此流程图主要包括3个步骤，
[0042]
步骤1：使用基于vgg16的u-net网络对绝缘子串进行分割；
[0043]
步骤2：对分割结果进行峰值点检测；
[0044]
步骤3：对峰谷值点的位置分布进行分析，从而确定出绝缘子串的缺失位置。
[0045]
如图2所示，为本发明使用的绝缘子串分割算法网络架构图，对于绝缘子串的分割，本发明采用基于vgg16的u-net网络对图像进行像素级分割。u-net网络架构由编码部分和解码部分组成，其编码部分使用vgg16网络架构，vgg16网络架构由步幅为1的3*3的卷积层、relu激活函数，以及步幅为2的2*2的最大池化层组成，每次池化操作后，通道数量变为原来的2倍，直到编码部分的第四个卷积块达到512个通道。解码部分与编码部分几乎对称，由上采样和卷积层组成。在上采样中，采用上采样因子为2的最近邻插值，使上一层的特征图的分辨率翻倍，之后紧接一个2*2的卷积层，使通道数量减半，这允许使用跳层连接来融合来自编码部分的信息。每个2*2的卷积之后又接步幅为1的3*3的卷积和relu激活函数，用于模拟编码部分的设计。解码部分的最后一层包含一个1*1的卷积，是为了将特征通道的数量减少到模型输出标签的数量。
[0046]
在本发明中，u-net网络的最后一层的激活函数使用sigmoid函数，将网络的输出预测映射到[0,1]区间，其中0代表背景像素，1代表绝缘子串的像素标签，仅用于区分像素值是属于绝缘子串还是背景。
[0047]
本发明中涉及到的实验均在ubuntu18.04，python3.6，rtx2080ti上进行，绝缘子串分割的标签使用labelme软件进行标注，在训练阶段，初始学习率设为0.0001，权重衰减
系数设为0.0005，动量值设为0.9，优化算法使用adam，损失函数使用二元交叉熵函数。
[0048]
对于绝缘子串的缺陷检测，本发明提出了一种有效的绝缘子串缺陷检测方法，如本发明的缺陷检测算法中所展示，该算法不仅可以针对单串绝缘子串中存在缺陷的情况，对于绝缘子串成对且相互遮挡的情况下绝缘子串的缺陷检测亦非常有效。此算法的核心思想是通过分析峰谷值点的分布来确定绝缘子串的缺失位置，如果相邻的两个峰值点或谷值点的距离明显大于其它峰值点或谷值点，则它们之间应该存在绝缘子串的缺失。
[0049]
当绝缘子串成对出现且相互遮挡时，此时检测绝缘子串的缺陷比检测单串的绝缘子串的缺陷更加困难。因而，如图2所示，给出了一个使用本发明提出的绝缘子串缺陷检测算法检测成对绝缘子串的具体实施样例，从上到下依次是：(a)是绝缘子串的检测结果；(b)是使用labelme软件标注后的绝缘子串分割标签；(c)是使用语义分割后的结果；(d)是绝缘子串上半部分的初始峰值点；(e)是过滤后保留的峰值点；(f)是绝缘子串下半部分的初始谷值点；(g)是过滤后保留的谷值点；(h)是绝缘子串缺陷识别的结果。图中圆点表示峰谷点，两个间距较大的圆点表示峰点或谷点之间没有绝缘子片，即存在缺失情况。在最下面的一行中，红色矩形框表示缺陷所在的位置。
[0050]
如图1所示，无人机通过搭载摄像头获取场景的图像信息，对图像进行目标识别来判定图像中是否存在绝缘子串；若图像中存在绝缘子串，则将该张图像发送回地面服务器进行处理；
[0051]
地面服务器通过使用u-net网络对图像进行分割提取绝缘子串，得到包含单一、一对或多对绝缘子串的结果图像se；
[0052]
当结果图像se中只包含单一的绝缘子串时，直接利用缺陷检测算法得到缺失位置；
[0053]
当结果图像se中包含一对或多对绝缘子串时，将结果图像se输入到缺陷检测算法中，把结果图像se中每对绝缘子串划分成两部分图像，分别对每对绝缘子串划分后的两部分图像进行峰值点或谷值点检测，得到峰值点和谷值点列表；
[0054]
当结果图像se中只包含单一的绝缘子串时，无须对包含一个绝缘子串的结果图像se进行划分部分，直接检测绝缘子串的波峰值或波谷值；
[0055]
1)得到峰值点或谷值点列表p，具体为：
[0056]
对于u
c
的峰值点或d
c
的谷值点，可用序列p表示，即：
[0057]
p＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)}；
[0058]
其中，n是p中的项数，(x
i
,y
i
)表示对应峰值点或谷值点的横纵坐标，i＝1
…
n。
[0059]
2)对p进行四阶非线性回归操作，并构成相应的所有峰值或谷值的回归点集合q表示为q＝{(x1,z1),(x2,z2),...,(x
n
,z
n
)}；
[0060]
3)如图3所示，计算p与q的差值，得到峰值点序列和峰值点回归点序列的差值、或得到谷值点序列和谷值点回归点序列的差值，差值绝对值的平均值表示为k；
[0061]
4)根据平均值k去除峰值点或谷值点序列中的伪峰值点或伪谷值点；
[0062]
当i≤n时，对峰值点或谷值点序列中所有峰值点或谷值点校验：对于每个峰值点或谷值点，当满足约束条件|y
i-z
i
＞4*k|时，该峰值点或谷值点为伪峰值点或伪谷值点(x
iw
,y
iw
)，去除满足约束条件的伪峰值点或伪谷值点；
[0063]
其中，y
i
为对应峰值点的纵坐标，z
i
为四阶非线性回归之后得到的纵坐标。
[0064]
5)当去除掉伪峰值点或伪谷值点后的峰值点或谷值点序列p中的项数为m，计算峰值点或谷值点序列中相邻两点间的平均距离为d，判定上半部分或下半部分两相邻点间是否存在缺陷；
[0065]
当结果图像se中包含一对或多对绝缘子串时，执行以下步骤：
[0066]
缺陷检测算法的输入：使用u-net网络语义分割后的结果图像se。
[0067]
1)将结果图像se中每对绝缘子串的上下两个绝缘子串图像的交界处为边界，上下两个绝缘子串之间用白色像素进行填充，再将结果图像se分成上半部分和下半部分两部分，分别定义为u和d；
[0068]
对于上半部分u以及下半部分d，得到上半部分的轮廓以及下半部分轮廓，分别用u
c
和d
c
表示。
[0069]
2)分别对划分后的两部分图像进行峰值点或谷值点检测，得到峰值点或谷值点列表p，具体为：
[0070]
对于u
c
的峰值点或d
c
的谷值点，可用序列p表示，即：
[0071]
p＝{(x1,y1),(x2,y2),...,(x
n
,y
n
)}；
[0072]
其中，n是p中的项数，(x
i
,y
i
)表示对应峰值点或谷值点的横纵坐标，i＝1
…
n。
[0073]
3)对p位置分布进行峰值点或谷值点的分析，得到存在缺陷位置的区间，具体为：
[0074]
对p进行四阶非线性回归操作，并构成相应的所有峰值或谷值的回归点集合q表示为q＝{(x1,z1),(x2,z2),...,(x
n
,z
n
)}；
[0075]
如图3所示，计算p与q的差值，得到峰值点序列和峰值点回归点序列的差值、或得到谷值点序列和谷值点回归点序列的差值，差值绝对值的平均值表示为k；
[0076]
4)根据平均值k去除峰值点或谷值点序列中的伪峰值点或伪谷值点；
[0077]
当i≤n时，对峰值点或谷值点序列中所有峰值点或谷值点校验：对于每个峰值点或谷值点，当满足约束条件|y
i-z
i
＞4*k|时，该峰值点或谷值点为伪峰值点或伪谷值点(x
iw
,y
iw
)，去除满足约束条件的伪峰值点或伪谷值点；
[0078]
其中，y
i
为对应峰值点的纵坐标，z
i
为四阶非线性回归之后得到的纵坐标。
[0079]
5)当去除掉伪峰值点或伪谷值点后的峰值点或谷值点序列p中的项数为m，计算峰值点或谷值点序列中相邻两点间的平均距离为d，判定上半部分或下半部分两相邻点间是否存在缺陷；合并u和d为s并标记出缺陷。
[0080]
计算峰值点或谷值点序列p中相邻两点间的平均距离为d，通过下式得到，即：
[0081][0082]
其中，m为去除掉伪峰值点或伪谷值点序列p的项数，x
(i+1)
为下一个峰值点的横坐标，x
i
为当前峰值点的横坐标，i＝1
…
m-1。
[0083]
所述判定上半部分或下半部分两相邻点是否存在缺陷，具体为：
[0084]
对于峰值点或谷值点序列中已去除伪峰值点或伪谷值点后的所有峰值点或谷值点，并根据得到的峰值点或谷值点序列中相邻两点间的平均距离为d，当i＜m时，m为去除掉伪峰值点或伪谷值点序列p的项数，则执行下面循环：
[0085]
当x
(i+1)-x
i
＞1.5*d时：
[0086]
则上半部分或下半部分对应的每个绝缘子串在x
i
和x
(i+1)
之间的区间内存在缺陷。
[0087]
缺陷检测算法的输出：如图4中(h)所示，在缺失位置处以红点标记，最后把红点映射回图像在图像上画红色框标记出缺陷位置的结果图像se。
[0088]
经过实验验证，最终本发明提出的方法具有比其它算法更高的准确率和召回率，可以很好地识别出绝缘子串的缺失位置。