一种输电线路外力破坏智能识别的方法与流程

本发明涉及输电线路隐患检测技术领域，尤其涉及一种输电线路外力破坏智能识别的方法。

背景技术

目前利用无人机对输电线路进行输电线路外力破坏巡视已经成为输电线路日常巡检工作的一部分。利用无人飞机巡线，虽然无人机巡线可以减轻巡检班组的外业劳动强度，降低线路的运行维护成本，尤其是能有效发现较隐蔽的外力破坏隐患，但是目前巡视人员对无人机图像是人工判读，而无人机获取的繁多的图像信息也让图像判读、信息提取等工作的工作量倍增，大量的冗余数据信息也会影响巡视人员对输电线路外力破坏隐患判读识别的准确率。

技术实现要素：

本发明的目的是通过基于计算机视觉和机器学习技术的人工智能图像识别技术，建设输电线路外力破坏隐患库，研发输电线路外力破坏智能图像识别系统，将无人机图像数据数字化，主动识别输电线路外力破坏隐患，并将隐患告警信息自动推送至维护人员，能减轻基层巡线人员的工作量，提高运行人员工作效率，大幅降低电网运营成本，提升电网的智能化管理技术水平，促进输电线路精益化管理的提升。

本发明的技术方案是；一种输电线路外力破坏智能识别的方法，包括以下步骤；

s1：建设输电线路外力破坏隐患库，输电线路外力破坏隐患库包括图像预处理、特征提取、特征建库三个环节；

图像预处理过程是采用图像增强将图像信息归一化，以便于后续处理工作；

特征提取的作用是提取出最能表征一个物体的特征信息，并将其转变成特征向量或矩阵的形式；

特征建库是将图像特征提取的结果通过卷积神经网络建立深度学习模型库，为隐患图像智能模式识别提供标准隐患库；

s2：使用采集设备对输电线路走廊进行智能图像获取；

s3：隐患图像智能模式识别；用从采集设备采集的智能图像的特征与隐患库中的特征信息进行比对，通过选择合适的分类器达到识别的目的；

s4：服务端通过b/s架构将智能识别结果推送到多源客户端。

进一步，步骤s1中的图像增强有两种方法，包括空间域法和频率域法；

空间域法是直接在空间域内对图像进行运算处理，分为两个方面：点运算和领域运算（局部运算），其中，点运算包括图像灰度变换、直方图均衡化和局部统计法等几种方法；领域运算包括图像平滑和图像锐化等几个方面；

频率域法则只在图像的某种变换域里对图像的变换值进行运算，例如对图像进行傅立叶变换，然后在变换域里对图像的频谱进行某种计算，最后把计算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波等。

进一步，步骤s1中特征提取的过程为；对原始数据进行交换，从若干特征中寻找出最有效的特征，比如设备的特殊形状、颜色、大小等特征信息，得到最能反应分类本质的特征，即最能表征一个物体的特征信息，将维数高的测量空间（原始数据组成的空间）转变为维数低的特征空间（分类识别赖以进行的空间），以降低后续处理过程的难度。这里的维数高低是以维度的数量作为界限，抓住最有效的特征，减少数量，就是降维的过程。

进一步，步骤s1中的卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（poolinglayer），这一结构使得卷积神经网络能够利用输入数据的二维结构，随着网络层数的增加，在二维空间中的感受域也得到扩展，因此与其他深度学习结构相比，卷积神经网络在图像识别方面能够给出更优的结果。

进一步，步骤s2中的采集设备包括带摄像头的无人机，通过使用无人机在相对于输电线路塔顶高度120米的空域内，对输电线路走廊进行智能图像获取，图像采样间隔3秒，无人机电量预警时，自动返航。

进一步，步骤s3中通过建立的深度学习模型库与无人机采集的输电线路走廊图像进行信息对比，其过程如下:从已知训练集里每个隐患的所属类别，寻求对应判别函数或判别准则，设计判决函数模型，然后根据训练集中的样品确定模型中的参数，便可将这模型用于判别，利用判别函数或判别准则去判别每个未知隐患点应该属于哪一类隐患，从而实现对线路走廊大型机具、山体滑坡、漂浮物的智能识别。其中，分类器利用的是结构化分类器，采用神经网络来实现。

进一步，步骤s4的b/s结构中，数据的查询、处理和表示都由服务端完成，在客户端只需运行客户自己的操作系统和通用的web浏览器。和c/s结构的应用系统相比，b/s结构的客户端变得非常“瘦”，b/s具有统一的浏览器客户端软件，不仅节省了客户端软件开发的投入，减少维护客户端软件的时间与精力和客户培训等工作，也方便了用户的使用。同时b/s是一种跨平台的应用软件结构，支持tcp/ip协议的所有软硬件系统，一次开发，可以跨平台使用，减少了开发人员在客户端的工作量，使他们可以把注意力集中到怎样合理地组织信息、提供客户服务的服务端的编程工作上去。

服务端的作用是完成智能隐患库的计算、管理，以及智能模式识别和识别成果的分发，客户端的作用则是完成图像采集和隐患管理、现场辅助消除隐患。

本发明的有益效果是；本发明采用人工智能、云计算、b/s架构等移动互联网技术，通过构建一个分布式无人机输电线路外力破坏智能识别系统，实现无人机数据智能采集、数据智能分析，隐患自动预警，为电力企业提供高效、稳定、安全的输电线路智能巡检一体化解决方案。减轻基层巡线人员的工作量，提高运行人员工作效率，大幅降低电网运营成本，提升电网的智能化管理技术水平，促进输电线路精益化管理的提升。

附图说明

图1是本发明的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本专利的限制。

实施例1：

本发明采用人工智能、云计算、b/s架构等移动互联网前沿技术，构建输电线路外力破坏智能识别隐患库和端加云的隐患智能识别预警系统。

智能识别作业流程如图1所示，由建设输电线路外力破坏隐患库、无人机图像采集、隐患图像智能模式识别和识别结果推送四步组成。智能识别隐患库和端加云的隐患智能识别预警系统设置在服务端，由服务端将结果发送到客户端。

一种输电线路外力破坏智能识别的方法，包括以下步骤；

s1：建设输电线路外力破坏隐患库，输电线路外力破坏隐患库包括图像预处理、特征提取、特征建库三个环节；

图像预处理过程是采用图像增强将图像信息归一化，以便于后续处理工作，图像增强有两种方法，包括空间域法和频率域法；空间域法是直接在空间域内对图像进行运算处理，分为两个方面：点运算和领域运算（局部运算），其中，点运算包括图像灰度变换、直方图均衡化和局部统计法等几种方法；领域运算包括图像平滑和图像锐化等几个方面；频率域法则只在图像的某种变换域里对图像的变换值进行运算，例如对图像进行傅立叶变换，然后在变换域里对图像的频谱进行某种计算，最后把计算后的图像逆变换到空间域。频率域法通常分为高、低通滤波、频率带通和带阻滤波等；

特征提取的作用是提取出最能表征一个物体的特征信息，并将其转变成特征向量或矩阵的形式，特征提取的过程为；对原始数据进行交换，从若干特征中寻找出最有效的特征，比如设备的特殊形状、颜色、大小等特征信息，得到最能反应分类本质的特征，即最能表征一个物体的特征信息，将维数高的测量空间（原始数据组成的空间）转变为维数低的特征空间（分类识别赖以进行的空间），以降低后续处理过程的难度。这里的维数高低是以维度的数量作为界限，抓住最有效的特征，减少数量，就是降维的过程；

特征建库是将图像特征提取的结果通过卷积神经网络建立深度学习模型库，为隐患图像智能模式识别提供标准隐患库，卷积神经网络由一个或多个卷积层和顶端的全连通层（对应经典的神经网络）组成，同时也包括关联权重和池化层（poolinglayer），这一结构使得卷积神经网络能够利用输入数据的二维结构，随着网络层数的增加，在二维空间中的感受域也得到扩展，因此与其他深度学习结构相比，卷积神经网络在图像识别方面能够给出更优的结果。

s2：使用采集设备对输电线路走廊进行智能图像获取；采集设备包括带摄像头的无人机，通过使用无人机在相对于输电线路塔顶高度120米的空域内，对输电线路走廊进行智能图像获取，图像采样间隔3秒，无人机电量预警时，自动返航；

s3：隐患图像智能模式识别；用从无人机采集的智能图像的特征与隐患库中的特征信息进行比对，通过选择合适的分类器达到识别的目的；通过建立的深度学习模型库与无人机采集的输电线路走廊图像进行信息对比，其过程如下:从已知训练集里每个隐患的所属类别，寻求对应判别函数或判别准则，设计判决函数模型，然后根据训练集中的样品确定模型中的参数，便可将这模型用于判别，利用判别函数或判别准则去判别每个未知隐患点应该属于哪一类隐患，从而实现对线路走廊大型机具、山体滑坡、漂浮物的智能识别，其中，分类器利用的是结构化分类器，采用神经网络来实现；

s4：服务端通过b/s架构将智能识别结果推送到多源客户端，在b/s结构中，数据的查询、处理和表示都由服务端完成，在客户端只需运行客户自己的操作系统和通用的web浏览器，和c/s结构的应用系统相比，b/s结构的客户端变得非常“瘦”，b/s具有统一的浏览器客户端软件，不仅节省了客户端软件开发的投入，减少维护客户端软件的时间与精力和客户培训等工作，也方便了用户的使用。同时b/s是一种跨平台的应用软件结构，支持tcp/ip协议的所有软硬件系统，一次开发，可以跨平台使用，减少了开发人员在客户端的工作量，使他们可以把注意力集中到怎样合理地组织信息、提供客户服务的服务端的编程工作上去。

服务端的作用是完成智能隐患库的计算、管理，以及智能模式识别和识别成果的分发，客户端的作用则是完成图像采集和隐患管理、现场辅助消除隐患。

利用pc作为服务器，在服务器建设输电线路外力破坏隐患库，同时通过b/s架构搭建服务端，使服务端在pc上运行，无人机对输电线路走廊进行智能图像获取，图像采样间隔3秒，无人机通过无线的方式将图片传输到pc，服务端的隐患图像智能模式识别系统用从无人机采集的智能图像的特征与输电线路外力破坏隐患库中的特征信息进行比对，选择神经网络作为分类器进行对图像的智能识别，pc上的服务端得到识别图像的隐患结果，其通过有线或无线的方式将识别的结果推送到客户端，可通过客户端监测到输电线路的隐患情况，辅助现场及时解决隐患。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。