基于目标检测和长短时记忆模型的导地线断散股识别方法与流程

本发明属于电力巡检故障识别领域，尤其涉及一种基于目标检测结合长短时记忆模型的导地线断股、散股识别的方法。

背景技术：

随着国民经济的日益增长，电网为了适应其发展也变得更加庞大，电网传输线路也因此变得越来越复杂，人工巡检已经不能满足当下的要求了。因此无人机电力巡检应运而生，在经过了实践的检验后电力巡检变成了人力巡检、载人直升机巡检和无人机巡检“协同发展”。无人机在线路架设牵引及线路巡检上方式灵活、成本低，不仅能够发现线路上的小尺寸部件，如绝缘子、鸟巢等，而且还能够发现金具腐蚀、开口销和螺帽缺失等人工巡检不能发现的问题。

无人机应用于电力部件的故障检测一般是通过现场拍摄后直接人工判断或者将数据带回进行诊断。但是无人机巡线过程会产生大量的图片，人工判断设备是否发生故障必然是效率低下且不够准确的。导地线由于长期处于暴露的状态下，其在多处受到应力的作用下会导致其材质变脆，再加上外力破坏和雷击闪络等影响导地线会变得容易产生断股、散股和裂纹等故障，这些故障发生后严重的会造成断线事故，影响电力传输的运行。因此导地线的故障识别成了急需解决的问题。

技术实现要素：

本发明的目的在于：解决现有在复杂的输电环境中导地线断股或者散股的故障点识别不高的问题，提供了一种更加通用，对在面对复杂的环境中导地线故障点精确定位的基于目标检测结合长短时记忆模型的导地线断股、散股识别的技术。

为实现上述目的，本发明具体采用以下技术方案：

一种基于目标检测和长短时记忆模型的导地线断散股识别方法，其特征在于，包括以下步骤：

步骤s1：收集输电线路中的导地线故障图片作为初始训练数据，生成导地线数据集；

步骤s2：对导地线数据集进行预处理，将处理后的数据做标注；之后将导地线数据集分为训练集和测试集；

步骤s3：初始化预训练的模型，将数据输入到faster-rcnn目标检测模型中训练，模型收敛后终止训练；

步骤s4：将通过步骤s3提取到导地线的数据分段输入到长短时记忆模型中训练；

步骤s5：固化模型，将只用于训练的变量和网络结构剔除，保留最终检测的权值，通过固化后的模型检测故障。

优选地，在步骤s1中，对原始图像采用三次样条插值缩放尺寸，在所述初始训练数据中混入导地线正常图片。

优选地，步骤s2包括以下步骤：

步骤s21:在导地线数据集中，对导地线故障和正常的图片分别定义为正样本和负样本，且正样本和负样本的比重相同；

步骤s22:去除模糊，识别不清的样本；

步骤s23:对样本进行标注；

步骤s24：按照8：2的比例将导地线数据集分为训练集和测试集。

优选地，在步骤s23中，首先对样本进行增强，再对增强后的样本进行标注。

优选地，在步骤s3中：目标检测模型采用迁移学习，其权重来源于使用coco数据集预训练的模型初始化；在步骤s4中，长短时记忆模型的权重采用xavier算法初始化。

优选地，在步骤s4中：对通过步骤s3提取到导地线的每一图片数据，采用三次样条插值使所有输入都具有相同的尺寸，并照固定列长分段输入到长短时记忆模型中。在采用三次样条插值缩放图片尺寸之后，输入到长短时记忆模型之前，对图片数据进行归一化和增强的处理。

优选地，在步骤s4中：所述通过步骤s3提取到导地线的数据，按列的方式分段输入像素点，作为长短时记忆网络的训练数据。

由于在实际的无人机巡检图像中，导地线部件非常的小，再加下要精确的定位出故障点，这两个困难使得普通的目标识别网络将会难以胜任。本发明及其优选方案采用了先识别导地线后再检测故障点的方法，通过一次检测将检测出图片中所有的导地线，提高了故障检测的召回率。再从原图中裁剪出一次检测出的导地线后输入到长短时记忆网络，该网络能结合分段的导地线，区别出故障线段和正常线段，这样识别断股和散股的准确率将会大大的提升。

本发明及其优选方案通过将目标检测模型和长短时记忆网络结合，实现对具有复杂背景的导地线故障精确定位其故障点。通过先分类后再进行故障识别，这样处理对于故障的召回率得到了极大的提升。在训练过程中我们使用了多尺度训练，保证了在预测的时候能够针对不同尺度的导地线都能定位到，同时由于断股和散股都是故障的地方都是非常小的，故障检测长短时记忆网络分段将导地线分段检测，模型结合所以历史的信息能够找到区别于正常区域的故障点，极大的提升了预测框的iou。

附图说明

下面结合附图和具体实施方式对本发明进一步详细的说明：

图1是本发明实施例方法整体流程示意图；

图2是本发明实施例网络结构示意图；

图3是本发明实施例中对导地线标注一、二次检测框图示意图；

图4是本发明实施例中利用长短时记忆网络的故障检测模型输入分段示意图。

具体实施方式

为让本专利的特征和优点能更明显易懂，下文特举实施例，作详细说明如下：

如图1、图2所示，本实施例方法的整体流程包括以下步骤：

步骤s1：收集输电线路中的导地线故障图片作为初始训练数据，生成导地线数据集；

步骤s2：对导地线数据集进行预处理，将处理后的数据做标注；之后将导地线数据集分为训练集和测试集；

步骤s3：初始化预训练的模型，将数据输入到faster-rcnn目标检测模型中训练，模型收敛后终止训练；完成一次检测；

步骤s4：将通过步骤s3提取到导地线的数据分段输入到长短时记忆模型中训练；完成二次检测；

步骤s5：固化模型，将只用于训练的变量和网络结构剔除，保留最终检测的权值，通过固化后的模型检测故障。

在步骤s1中，对原始图像采用三次样条插值缩放尺寸，在初始训练数据中混入导地线正常图片。

由于本实施例中使用的是无人机采集的图像，其尺寸较大，因此对其统一采用三次样条插值缩放尺寸。

此外，在选取图像时应该具有不同场景的不同状态的导地线，优选为该数据集中各种类的导地线比例相同，以此保证模型不会偏向于某一种场景的导地线。为了在第一阶段的目标识别模型能够更好的找到导地线的位置，数据集中应该适当的混入正常类的导地线样本来提高模型的识别率。

步骤s2具体包括以下步骤：

步骤s21:在导地线数据集中，对导地线故障和正常的图片分别定义为正样本和负样本，且正样本和负样本的比重相同；

步骤s22:去除模糊，识别不清的样本；

步骤s23:首先对样本进行增强（由于部件在图片中所处的位置和不同的拍摄角度引起的色差等外在的影响，对数据进行的增强可以使得模型能够学习到这些外在的因素带来的误差），再对增强后的样本进行标注；如图3所示，标注时需要标注导地线整体（作为一次检测框）和出现断股、散股的故障区域（作为二次检测框），为了方便网络的训练，标注应当符合标准pascalvoc格式的xml标签文件。其中xml标签中包含部件区域的检测框（xmin,ymin,xmax,ymax）,四个值分别为一次检测框和二次检测框左上角、右下角的坐标。

步骤s24：按照8：2的比例将导地线数据集分为训练集和测试集。

之后，为了更好地拟合图片的特性，可以对样本进行归一化操作。

如图2所示，在步骤s3中：目标检测模型（一次检测）采用迁移学习，其权重来源于使用coco数据集预训练的模型初始化。

在步骤s4中，长短时记忆模型（二次检测）的权重采用xavier算法初始化。该算法根据输入和输出神经元的数量会自动决定初始化的范围，这么做可以帮助减小梯度弥散问题，使得信号在训练过程可以传递更深。

当初始化结束后将训练数据集和对应的标签文件输入到如图2所示的整体模型当中开始训练，在训练过程中可以实时查看训练的效果图，当发现模型已经收敛可选择手动停止训练。

在步骤s4中：为了解决由于截取出来的导地线图片尺寸不一致，对通过步骤s3提取到导地线的每一图片数据，采用三次样条插值使所有输入都具有相同的尺寸（reshape操作），在尺寸固定后，按如图4所示将图片按照固定列长分段将像素点输入故障识别网络（长短时记忆模型）中，这里的分段数可根据实际数据进行调节。

最为一个优选的方案，此处输入的图片也需要归一化和数据增强，同时将预测框也归一到0-1之间，这样做的目的是为了更好的收敛模型。

本实施例在训练过程中，每隔一定步数保存训练模型，保存的模型将在测试集上测试其模型性能，观察模型性能随步数的变化，当模型性能稳定在一定水平时，选择此时保存的模型作为模型固化的模型文件。具体方法是将模型中所含的训练过程变量剔除，只保留前向传播的权重等常量，缩小模型体积，方便模型移植。

本专利不局限于上述最佳实施方式，任何人在本专利的启示下都可以得出其它各种形式的基于目标检测和长短时记忆模型的导地线断散股识别方法，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本专利的涵盖范围。