一种基于绝缘子检测的配电网精细航线规划方法与流程

本发明涉及电力巡检，具体涉及一种基于绝缘子检测的配电网精细航线规划方法。

背景技术：

1、随着电力需求的不断增长，配电网作为电力系统的重要组成部分，扮演着将电力从发电站传输到终端用户的关键角色。在配电网中，绝缘子是电路安全稳定运行过程中用量庞大的关键零部件，因此，需要对配电网中的绝缘子进行定期巡检工作。

2、传统的电力巡检通常依赖于人工巡视，这种方式存在着效率低、成本高、安全性差等问题。而随着无人机技术的成熟和普及，将无人机应用于电力巡检成为一种高效、安全、经济的选择。无人机电力巡检的关键就是制定一条高效而安全的航线。通过科学规划飞行路线，无人机能够避开障碍物，选择最短、最经济的路径，充分覆盖巡检区域，提高任务执行效率，减少飞行时间和能源消耗。

3、专利cn 116594416a公开了一种基于航线校正的变电站无人机航线规划方法，包括步骤一、建立航线3d立体模型并确定参考基准航点，步骤二、基于参考基准航点新建航点并进行数据设定，步骤三、对新建航点的参数进行优化调整，步骤四、优化航点的排序标定并顺次连接航点得到校正轨迹，步骤五、模拟飞行验证分析矫正结果。该方法基于卫星遥感和已有航线建立航线3d立体模型，实现了无人机巡检，降低了巡检的人力物力消耗，但是仍存在以下问题：(1)无法应对动态变化：上述方法没有充分考虑无人机巡检过程的动态性，不能有效地处理巡检路径节点之间的特殊情况。(2)缺乏智能化：传统航线规划通常基于简单的几何形状或地理信息系统(gis)数据，缺乏对环境复杂性的深入理解和智能化分析。(3)拍摄部件位置远：无人机与巡检目标之间的距离较大，导致图像分辨率较低，图像质量不佳，影响了对巡检目标的细节观察。(4)配电网绝缘子检测难度大：配电网的绝缘子小，背景和种类复杂，在面对复杂背景下检测绝缘子时存在着误检率、漏检率高等问题。

技术实现思路

1、本发明的目的在于提供一种基于绝缘子检测的配电网精细航线规划方法，该方法有利于对配电网进行全面、高效、精细、安全的巡检。

2、为了实现上述目的，本发明采用的技术方案是：一种基于绝缘子检测的配电网精细航线规划方法，包括：

3、构建基于改进yolov7模型的绝缘子检测模型，并在离线状态下进行训练；再将训练完成的绝缘子检测模型转换成适用于目标部署环境的格式，并将其部署至无人机的硬件设备上；然后按如下步骤进行配电网精细航线规划：

4、s1、对配电网点云数据和杆塔检查表进行数据清洗，获得可用数据；然后根据获得的可用数据进行粗略航点与航线规划，得到预设航线；

5、s2、在无人机按照预设航线进行巡检飞行中，不断拍摄图像并通过部署的绝缘子检测模型检测绝缘子；当检测到绝缘子时，实时调整无人机的位置至满足要求后，将该位置作为新航点进行更为精细化的航线规划；

6、s3、在飞行任务结束后，将拍摄到的绝缘子图像作为训练绝缘子检测模型的新样本；同时将新生成的精细化航点与航线作为下一次飞行的粗略航点和航线，进入下一轮飞行任务。

7、进一步地，所述改进yolov7模型在原yolov7模型数据增强算法上，通过增加边缘细节形状数据增强方式来增强对绝缘子形状的关注，具体为：首先使用图像边缘提取算法生成边缘细节图像，然后将边缘细节图像拷贝两份进行拼接生成三通道的边缘细节图像，然后将其扩充到训练集中。

8、进一步地，采用sobel算子生成边缘细节图像。

9、进一步地，所述改进yolov7模型在原yolov7模型中加入跨通道和空间多尺度关注模块ccsma；ccsma模块采用并行子结构，ccsma模块整体分为跨通道学习模块和跨空间学习模块两个部分，采用三个并行线路来提取分组特征图的注意力权重描述符，分别为两条1×1分支平行线路和一条3×3分支；在跨通道学习模块部分，两条并行1×1分支采用两个全局平均池化对通道进行编码，然后把两条分支特征进行拼接后进行分组1×1卷积操作，然后将两条分支特征和低层特征以及3×3卷积分支的特征同时传入softmax函数以拟合其线性变换，每条分支获得自适应权重值，然后进行加权求和特征重组得到跨通道学习模块的输出；跨通道学习模块的输出用下列公式表示：

10、

11、

12、其中，fi表示传入softmax函数的特征向量；ai表示各向量经softmax函数计算后得到的权重值，outputc表示经跨通道学习模块重组后的特征；

13、将通过跨通道学习模块输出的特征和3×3输出的特征分别进行2d全局平均池化操作，然后分别传入跨空间学习模块以生成两个空间注意力权重的聚合，最后再通过sigmoid函数与低层特征进行特征聚合，得到输出特征；其中2d全局平均池化操作表示为：

14、

15、其中，h、w分别表示输入特征尺寸的高和宽，xc表示第c个通道的输入特征；

16、跨空间学习模块的输出用下列公式表示：

17、δ＝sigmoid(x11·x12+x21·x22)  (4)

18、

19、通过ccsma模块融合网络中不同尺度的上下文信息使yolov7网络对绝缘子特征产生更好的像素级关注，且ccsma模块的输出与输入的尺寸一致。

20、进一步地，在原始yolov7模型中，损失函数由置信度损失函数lobj、分类损失函数lcls和定位损失函数lbox三个部分组成：

21、lossyolov7＝lobj×ω1+lcls×ω2+lbox×ω3  (6)

22、其中，ω1,ω2,ω3分别表示lobj、lcls和lbox的权重系数；

23、所述改进yolov7模型在定位损失函数部分采用mpdiou损失函数来计算损失值；所述mpdiou损失函数的实现方法为：

24、在绝缘子图像中，用表示真实框左上角点的坐标，表示真实框右下角点的坐标，表示预测框左上角点的坐标，表示真实框右下角点的坐标，d1和d2分别表示真实框和预测框之间左上角与左上角、右下角与右下角的距离；

25、

26、

27、计算出真实框和预测框之间左上角与左上角、右下角与右下角的距离后，计算：

28、

29、lmpdiou＝1-mpdiou  (10)

30、其中，mpdiou为边界框相似性比较指标，lmpdiou为边界框回归损失函数，即mpdiou损失函数；

31、mpdiou损失函数简化了两个边界框之间的相似性比较，可适应重叠或非重叠边界框回归；此外，lmpdiou的所有因素都用以上的四个点坐标表示，计算公式如式(11)-(13)所示：

32、

33、

34、

35、其中，|c|表示真实框和预测框最小外接矩形的面积，和分别表示真实框和预测框的中心点坐标，wgt和hgt表示真实框的宽度和高度，wpd和hpd表示预测框的宽度和高度；通过式x-式x还能计算出非重叠区域、中心点距离、宽度和高度的偏差。

36、进一步地，所述改进yolov7模型将经过图像增强后的图像数据传入网络中，首先经过backbone部分，即骨干网络处理，backbone部分由cbs块、elan模块和downsampling-mp1模块组成；cbs块由conv-batchnorm-silu构成，elan模块由多个cbs块堆叠而成，elan模块使用4次分组卷积，其内部残差结构使用跳跃连接；downsampling-mp1模块由两个分支拼接而成，输出通道数与输入通道数保持一致；经backbone部分处理后，获得三个有效特征层进行下一步网络的构建，这三个有效特征层的shape分别是(80,80,512)，(40,40,1024)，(20,20,1024)；

37、neck部分由路径聚合网络pan和特征金字塔网络fpn组成，用于对backbone部分获得的三个不同尺度的有效特征层进行加强特征融合；首先将stage5获得的有效特征层传入sppcspc模块进行处理，此时通道数从1024变成512，但尺寸保持不变；然后将stage3、stage4和经sppcspc模块处理的stage5三个有效特征层传入ccsma模块中进行处理，使模型在跨通道和空间的方式下增强更值得关注的特征的表达；接下来网络整体进行上采样，并对三个分支的上采样后的特征进行逐一拼接，再通过elam模块和downsampling-mp2模块进行下采样并对特征逐一拼接；downsampling-mp2与downsampling-mp1的网络结构一致，但输出通道变成输入通道的2倍；经过neck部分处理后，获得三个加强特征层，这三个加强特征层的shape分别为(80,80,128)，(40,40,256)，(20,20,512)；

38、将三个加强特征层特征传入head部分，经repconv处理后传入yolohead生成预测框；经过head部分处理后，获得最后三个特征层，最后三个特征层的shape分别为(80,80,18),(40,40,18)(20,20,18)；最后再进行解码并进行得分排序与非极大抑制筛选，生成满足置信度的最优预测框。

39、进一步地，步骤s1中，进行数据清洗包括：

40、a1)检查点云数据：检查导入的数据，识别数据中可能存在的问题，包括坐标异常、缺失数据、重复记录；

41、a2)检查杆塔明细表：检查并处理可能存在的重复记录，避免引入冗余数据；对杆塔明细表中的缺失值和异常值，进行再次确认；

42、a3)检查数据一致性：确保点云数据中的杆塔位置与杆塔明细表中的地理位置一致，可以进行空间匹配和比对；同时，检查杆塔明细表中的属性信息与点云数据中的属性信息是否一致；

43、进行粗略航点与航线规划包括：

44、b1)生成航点：从点云数据中提取绝缘子的精确地理坐标，同时从杆塔记录表中获取每个杆塔的属性信息；根据无人机的飞行高度、视野范围和任务要求，确定航点之间的密度；将绝缘子外侧的坐标作为航点的位置，根据确定的航点密度，在绝缘子外侧之间均匀插值生成额外的航点，确保绝缘子之间的航线平滑连接；

45、b2)生成航线：首先在航点之间加入转弯点，确保飞行器能够顺利转向，将生成的航点按照顺序连接，形成初步的航线；然后考虑地形、障碍物因素，采用牛耕法对初步航线进行优化，确保航线安全、高效；最后验证航线可行性，确保覆盖到所有的绝缘子。

46、进一步地，步骤s2中，通过无人机上的摄像头云台拍摄图像，以检测绝缘子。

47、进一步地，步骤s2中，进行精细化航点与航线包括：

48、(1)无人机飞行与数据采集：无人机按照粗略规划的航点与航线开始飞行，并在飞行过程中持续拍摄周围环境的图像；

49、(2)实时绝缘子检测与调整：通过绝缘子检测模型实时检测绝缘子，当检测到绝缘子时，不断调整无人机的姿态与位置，确保绝缘子目标始终位于视野中心；同时由于绝缘子和杆塔之间的距离小于杆塔半径，判定绝缘子是否属于相应的杆塔，并根据高度判断绝缘子在杆塔的哪一层；

50、(3)新航点记录与迭代更新：当绝缘子几乎填满画面和达到阈值距离后，记录当前位置为新的航点，将记录的新航点加入到航线序列中，并删除属于该绝缘子的航点；

51、(4)新航线规划：当得到新的航点和拍摄到清晰的绝缘子图像时，重写规划航线；基于当前无人机位置和新记录的航点，使用路径规划a*算法生成新的航线；同时新航线考虑航线的平滑性，避免过于剧烈的航向变化和高度变化，以提高飞行的舒适性和稳定性；在生成新的航线时，考虑环境因素，包括避免障碍物、适应不同的飞行高度；

52、(5)实时更新飞行航线：一旦新的航线生成，实时反馈给无人机飞控系统，使无人机根据新的航线调整飞行方向和姿态，确保飞行路径与检测目标保持一致。

53、与现有技术相比，本发明具有以下有益效果：本发明首先通过点云数据和杆塔检查表进行粗略的航点与航线规划，然后通过构建的基于改进yolov7模型的绝缘子检测模型对巡检飞行中的绝缘子进行实时检测，在面对复杂背景下检测绝缘子时，依然具有较高的准确性和可靠性；最后通过实时检测到的绝缘子不断动态调整无人机位置从而实现精细化的航点与航线规划，充分考虑到无人机巡检过程的动态性，确保无人机在飞行过程中准确、高效地覆盖每个绝缘子，并避免障碍物，以实现对配电网的全面、高效、精细、安全的巡检，不仅提高了巡检效率，也确保了电力系统的稳定性和安全性。