一种输电线路缺陷检测方法、系统及电子设备与流程

本申请属于智能电网技术领域，特别涉及一种输电线路缺陷检测方法、系统及电子设备。

背景技术：

目前，面对工业化和商业化的迅速发展，电力在我们的生活和工作中扮演着越来越重要的角色，保证电力设备顺利运行不断电成为重点保障。输电线路是电力系统的重要组成部分，也是电网中容易出现故障的位置之一。但是，电力线路经常因风化和热效应导致线路故障，影响电力线路乃至整个电网的正常运行。因此对输电线路进行实时检测、及时预防电力线路故障的发生，直接关系到整个电力系统的稳定运行。电力线路的结构特殊，分布范围大，地理环境极其复杂多变，长期处于风吹日晒或湿度极高的环境下；因远距离传输要求，输电线长期处于高压状态，高电流电压会致使导体异常发热，出现事故。

传统的输电线路巡检主要是通过工作人员用眼睛或者望远镜等其他工具和仪器，对输电线路的各个部件进行观察、检查和测量，掌握线路的运行状况、及时发现设备缺陷和威胁线路安全的问题。由于人工巡检输电线路存在较多的局限性，无人机在巡检中有较大的优势，但目前对获取图像处理主要通过后期人工判读方式，工作量繁重、对人工技术要求较高、精准度有待提高，不能实时对图像进行缺陷分析预警，实际效果还不尽理想。

国家能源局发布的国家标准《dlt1482-2015架空输电线路无人机巡检作业技术导则》，规定了采用无人机对架空输电线路进行巡检的巡检系统、巡检作业要求、巡检前准备、巡检方式及方法、巡检内容、巡检资料的整理及移交、异常情况处置等。也建立了输电线路机巡缺陷规范，描述库包括缺陷元件、缺陷类型、缺陷相位、缺陷描述、缺陷表象、缺陷等级等字段，其中缺陷元件包括导地线、杆塔、金具、绝缘子串金具组装串、杆塔基础、接地装置、拉线系统、附属设施、防雷设施等。

目标检测作为图像处理和计算机视觉领域中的经典课题，在交通监控、图像检索、人机交互等方面有着广泛的应用。传统的目标检测算法中特征提取和分类决策分开进行，对特征选取的要求很严格，在面对复杂场景的时候很难得到理想效果。深度学习成为研究热点以来，越来越多的基于深度学习的模型被提出，该类模型不完全相同，但大都采用卷积神经网络来处理目标检测问题。相比于传统目标检测算法，卷积神经网络中特征提取和模式分类并行进行，而且随着层数的增多可以更好的处理复杂场景。强化学习在人工智能领域得到广泛而深入的应用，并成为当前突破类人智能的关键性机器学习方法。深度学习主要分析环境信息，从中提取特征；强化学习将基于这些特征进一步分析环境特征，并选择对应动作，实现目标回报。深度强化学习是将深度学习和强化学习结合起来，实现从感知到动作一一对应的学习方法。对于电网灾害评估这一复杂决策问题，考虑将人工智能方法引入决策控制中，实现从电网运行环境中提取有效信息，再结合环境信息和电网运行状态确定决策评价方式，具有重要意义和可行性。

技术实现要素：

本申请提供了一种输电线路缺陷检测方法、系统及电子设备，旨在至少在一定程度上解决现有技术中的上述技术问题之一。

为了解决上述问题，本申请提供了如下技术方案：

一种输电线路缺陷检测方法，根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，具体包括以下步骤：

步骤a：构建虚实集成的虚拟样本生成及标注模型，集成虚拟数据与真实图像数据中丰富的地物信息，对虚拟数据与真实数据进行融合；

步骤b：构建深度学习迁移学习模型，完成基于迁移学习的模型优化；

步骤c：基于目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断。

本申请实施例采取的技术方案还包括：所述输电线路元件的图像样本数据包括可见光、红外、紫外样本数据，并包括正常标注图像和缺陷标注图像。

本申请实施例采取的技术方案还包括：在所述步骤c中，所述深度学习模型包括：针对可见光、红外、紫外图像样本数据分别构建缺陷目标检测模型、多模型的集成学习模型及融合检测模型，并完成模型训练和调参优化，输出输电线路缺陷检测模型，进行输电线路元件缺陷识别。

本申请实施例采取的技术方案还包括：根据所述输电线路缺陷检测模型构建基于深度强化学习和时空弱关联分析的风险评估预警模型，用于进行灾害信息的策略学习、灾害多源信息融合及分析、风险评估灾害预警；所述构建基于深度强化学习和时空弱关联分析的风险评估预警模型具体包括：

步骤d：构建输电线路故障时空弱关联分析模型；

步骤e：构建线路缺陷隐患风险评估及故障预测模型；

步骤f：采用深度强化学习算法建立强化学习风险评估预警模型。

本申请实施例采取的技术方案还包括：根据所述输电线路缺陷检测模型和风险评估预警模型构建基于深度学习的缺陷检测模型分发部署体系及模型优化体系，用于进行模型移动部署、缺陷识别及风险评价应用；具体包括：

步骤g：基于caffe2框架进行终端的移动端部署，包括权值剪枝、权值量化、模型存储、前向加速计算的提高与应用，在移动端部署设备识别和输电线路缺陷检测模型；

步骤h：使用训练好并通过测试的缺陷检测模型在移动端进行在线缺陷检测，识别出检测图像中的缺陷元件并标注；

步骤i：构建输电线路缺陷及风险的多源异构海量大数据平台，用于进行海量数据采集接入；

步骤j：制定接口规范，在服务器端实现各种流数据实时采集接入验证、强化学习模型优化调整，针对调优模型通过接口规范实现分发部署，终端接收进行模型更新。

本申请实施例采取的另一技术方案为：一种输电线路缺陷检测系统，包括：

缺陷检测模型构建模块：用于根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型；所述缺陷检测模型构建模块包括：

虚实集成单元：用于构建虚实集成的虚拟样本生成及标注模型，集成虚拟数据与真实图像数据中丰富的地物信息，对虚拟数据与真实数据进行融合；

迁移学习单元：用于构建深度学习迁移学习模型，完成基于迁移学习的模型优化；

模型训练单元：用于基于目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断。

本申请实施例采取的技术方案还包括：所述输电线路元件的图像样本数据包括可见光、红外、紫外样本数据，并包括正常标注图像和缺陷标注图像。

本申请实施例采取的技术方案还包括：所述深度学习模型包括：针对可见光、红外、紫外图像样本数据分别构建缺陷目标检测模型、多模型的集成学习模型及融合检测模型，并完成模型训练和调参优化，输出输电线路缺陷检测模型，进行输电线路元件缺陷识别。

本申请实施例采取的技术方案还包括风险评估预警模型构建模块：用于根据所述输电线路缺陷检测模型构建基于深度强化学习和时空弱关联分析的风险评估预警模型，用于进行灾害信息的策略学习、灾害多源信息融合及分析、风险评估灾害预警；所述风险评估预警模型构建模块具体包括：

第一模型构建单元：用于构建输电线路故障时空弱关联分析模型；

第二模型构建单元：用于构建线路缺陷隐患风险评估及故障预测模型；

第三模型构建单元：用于采用深度强化学习算法建立强化学习风险评估预警模型。

本申请实施例采取的技术方案还包括部署及应用模块：用于根据所述输电线路缺陷检测模型和风险评估预警模型构建基于深度学习的缺陷检测模型分发部署体系及模型优化体系，用于进行模型移动部署、缺陷识别及风险评价应用；所述部署及应用模块具体包括：

模型部署单元：用于基于caffe2框架进行终端的移动端部署，包括权值剪枝、权值量化、模型存储、前向加速计算的提高与应用，在移动端部署设备识别和输电线路缺陷检测模型；

缺陷识别单元：用于使用训练好并通过测试的缺陷检测模型在移动端进行在线缺陷检测，识别出检测图像中的缺陷元件并标注；

风险评价单元：用于构建输电线路缺陷及风险的多源异构海量大数据平台，用于进行海量数据采集接入；

优化更新单元：用于制定接口规范，在服务器端实现各种流数据实时采集接入验证、强化学习模型优化调整，针对调优模型通过接口规范实现分发部署，终端接收进行模型更新。

本申请实施例采取的又一技术方案为：一种电子设备，包括：

至少一个处理器；以及

与所述至少一个处理器通信连接的存储器；其中，

所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的输电线路缺陷检测方法的以下操作：

根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，具体包括以下步骤：

步骤a：构建虚实集成的虚拟样本生成及标注模型，集成虚拟数据与真实图像数据中丰富的地物信息，对虚拟数据与真实数据进行融合；

步骤b：构建深度学习迁移学习模型，完成基于迁移学习的模型优化；

步骤c：基于目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断。

相对于现有技术，本申请实施例产生的有益效果在于：本申请实施例的输电线路缺陷检测方法、系统及电子设备通过对海量图像样本进行深度学习分布式训练，建立基于可见光、红外、紫外等多图像融合的输电线路缺陷检测模型；针对灾害信息多维度、多源异构的特点，构建多模异构海量数据的实时高效处理大数据平台，建立强化学习风险评估模型，进行灾害信息的策略学习，实现灾害多源信息融合及分析、风险评估灾害预警。相对于现有技术，本申请可以提高缺陷识别准确率，提高巡检工作效率和质量。

附图说明

图1是本申请实施例的输电线路缺陷检测方法的流程图；

图2是本申请实施例的输电线路缺陷检测系统的结构示意图；

图3是本申请实施例提供的输电线路缺陷检测方法的硬件设备结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

请参阅图1，是本申请实施例的输电线路缺陷检测方法的流程图。本申请实施例的输电线路缺陷检测方法包括以下步骤：

步骤100：根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，进行输电线路元件的异常诊断；

步骤100中，输电线路元件的图像样本数据包括可见光、红外、紫外等样本数据，并包括正常标注图像和缺陷标注图像，图像样本数据中包含所有类型元件的多源图像，且每类元件的图像数量满足深度学习网络训练所需。基于虚实样本集成和迁移学习的输电线路缺陷检测模型可以实现虚拟场景的目标识别的源任务迁移到真实场景识别的目标任务的学习模式，实现元件自动标记样本和人工标注样本的融合及迭代式增量学习，减轻人工标注训练数据集的工作量，并改善缺陷数据过少导致的过拟合。具体地，基于虚实样本集成和迁移学习的输电线路缺陷检测模型构建方式主要包括以下步骤：

步骤101：构建虚实集成的虚拟样本生成及标注模型，用于集成虚拟数据与真实图像数据中丰富的地物信息，实现虚拟数据与真实数据的有效融合；

步骤102：构建深度学习迁移学习模型，实现基于迁移学习的模型优化；

步骤102中，在构建虚实集成的虚拟样本生成及标注模型之后，将该模型迁移到实际数据训练，基于深度学习框架实现迁移学习，先进行虚拟数据学习模型的源任务，再进行实际数据学习优化模型的目标任务，实现基于迁移学习的模型优化。

步骤103：基于spark、tensorflow、caffe框架和fasterr-cnn、yolo、ssd等目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断；

步骤103中，深度学习模型包括：针对可见光、红外、紫外图像样本数据分别构建缺陷目标检测模型、多模型的集成学习模型及融合检测模型，并完成模型训练和调参优化，输出输电线路缺陷检测模型，实现输电线路元件缺陷在线智能识别。

步骤200：根据输电线路缺陷检测模型构建基于深度强化学习和时空弱关联分析的风险评估预警模型，进行灾害信息的策略学习，实现灾害多源信息融合及分析、风险评估灾害预警；

步骤200中，构建基于深度强化学习和时空弱关联分析的风险评估预警模型主要包括以下步骤：

步骤201：构建输电线路故障时空弱关联分析模型；基于架空线路历史故障数据的深度挖掘，研究架空线路状态特征的时空特性，分析架空线路缺陷发展、故障链式效应与环境影响的关联关系，采用特征匹配算法从多维状态量中筛选不同类型的故障特征，解算输电线路故障特征与环境信息、气象信息、本体特征信息等多维数据参量的本征关联关系，构建输电线路故障时空弱关联分析模型，实现基于时空关联特性的架空线路风险评估；

步骤202：构建线路缺陷隐患风险评估及故障预测模型；

步骤202中，输电线路地处环境复杂多样，导线、绝缘子、金具、杆塔、接地装置都暴露在外，随着季节的交替、气候的变化、极端自然灾害的发生，对线路造成非常大的危害。本申请实施例中，基于历史缺陷监测数据、气象数据、外部隐患及本体缺陷状况大数据信息，依据输电走廊环境特征、杆塔本体特征信息，根植于架空输电线路历史运维数据，分析输电线路缺陷与气象数据的关联特性，利用时空数据挖掘算法，分析气象因子与输电线路缺陷和隐患的关联关系；通过研究不同缺陷类型发生的空间特性，分析不同地区的缺陷发生概率；结合时空关联结果和架空线路缺陷空间分布特性分析架空输电线路不同缺陷发生概率，构建线路缺陷隐患风险评估及故障预测。

步骤203：采用深度强化学习算法建立强化学习风险评估预警模型；

步骤203中，数据预处理将输入信息分为运行环境数据和运行状态数据，深度强化学习算法采用竞争q网络和双重q网络相结合的方式，竞争q网络将回报值分为运行环境回报值和运行状态回报值，双重q网络负责选择运行状态数据，并对运行状态效果做出评价。深度卷积神经网络模型框架前部分卷积核学习运行环境数据，其余卷积核学习运行状态信息数据，提高训练效率，为相同条件下的灾害评价比较提供统一的标准环境，使结果更具有合理性。另外，不同运行方式下运行环境信息会发生相应变化，竞争q网络可针对不同运行方式得到不同环境回报值，增强模型的泛化能力，提升算法性能。风险评估方法直接从电网运行数据入手，对于不同缺陷故障、缺陷故障类型和电网运行方式分析不需调整模型，而传统方法需要根据不同运行方式、故障类型和拓扑结果调整数学模型。另外，同时考虑气象等时空环境多种因素的影响，能够提供更为全面的辅助决策。

步骤300：根据输电线路缺陷检测模型和风险评估预警模型构建基于深度学习的缺陷检测模型分发部署体系及模型优化体系，实现模型移动部署、缺陷识别及风险评价应用；

步骤300中，构建基于深度学习的缺陷检测模型分发部署体系及模型优化体系主要包括以下步骤：

步骤301：模型部署；基于caffe2框架实现多种类型终端的移动端部署，包括权值剪枝、权值量化、模型存储、前向加速计算等技术的提高与应用，在移动端部署设备识别和输电线路缺陷检测模型；

步骤302：缺陷识别；使用训练好并通过测试的缺陷检测模型在移动端进行在线缺陷检测，识别出检测图像中的缺陷元件并标注；

步骤303：风险评价；构建输电线路缺陷及风险的多源异构海量大数据平台，实现海量数据采集接入；

步骤304：数据采集接入验证及模型优化更新机制；制定接口规范，在服务器端实现各种流数据实时采集接入验证、强化学习模型优化调整，针对调优模型通过接口规范实现分发部署，终端接收进行模型更新，实现模型移动部署、缺陷识别及风险评价应用。

请参阅图2，是本申请实施例的输电线路缺陷检测系统的结构示意图。本申请实施例的输电线路缺陷检测系统包括缺陷检测模型构建模块、风险评估预警模型构建模块和部署及应用模块。

缺陷检测模型构建模块：应用根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，进行输电线路元件的异常诊断；其中，输电线路元件的图像样本数据包括可见光、红外、紫外等样本数据，并包括正常标注图像和缺陷标注图像，图像样本数据中包含所有类型元件的多源图像，且每类元件的图像数量满足深度学习网络训练所需。基于虚实样本集成和迁移学习的输电线路缺陷检测模型可以实现虚拟场景的目标识别的源任务迁移到真实场景识别的目标任务的学习模式，实现元件自动标记样本和人工标注样本的融合及迭代式增量学习，减轻人工标注训练数据集的工作量，并改善缺陷数据过少导致的过拟合。

具体地，缺陷检测模型构建模块包括：

虚实集成单元：用于构建虚实集成的虚拟样本生成及标注模型，用于集成虚拟数据与真实图像数据中丰富的地物信息，实现虚拟数据与真实数据的有效融合；

迁移学习单元：用于构建深度学习迁移学习模型，实现基于迁移学习的模型优化；本申请实施例中，在构建虚实集成的虚拟样本生成及标注模型之后，将该模型迁移到实际数据训练，基于深度学习框架实现迁移学习，先进行虚拟数据学习模型的源任务，再进行实际数据学习优化模型的目标任务，实现基于迁移学习的模型优化。

模型训练单元：用于基于spark、tensorflow、caffe框架和fasterr-cnn、yolo、ssd等目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断；其中，深度学习模型包括：针对可见光、红外、紫外图像样本数据分别构建缺陷目标检测模型、多模型的集成学习模型及融合检测模型，并完成模型训练和调参优化，输出输电线路缺陷检测模型，实现输电线路元件缺陷在线智能识别。

风险评估预警模型构建模块：用于根据输电线路缺陷检测模型构建基于深度强化学习和时空弱关联分析的风险评估预警模型，进行灾害信息的策略学习，实现灾害多源信息融合及分析、风险评估灾害预警；

具体地，风险评估预警模型构建模块包括：

第一模型构建单元：用于构建输电线路故障时空弱关联分析模型；基于架空线路历史故障数据的深度挖掘，研究架空线路状态特征的时空特性，分析架空线路缺陷发展、故障链式效应与环境影响的关联关系，采用特征匹配算法从多维状态量中筛选不同类型的故障特征，解算输电线路故障特征与环境信息、气象信息、本体特征信息等多维数据参量的本征关联关系，构建输电线路故障时空弱关联分析模型，实现基于时空关联特性的架空线路风险评估；

第二模型构建单元：用于构建线路缺陷隐患风险评估及故障预测模型；其中，输电线路地处环境复杂多样，导线、绝缘子、金具、杆塔、接地装置都暴露在外，随着季节的交替、气候的变化、极端自然灾害的发生，对线路造成非常大的危害。本申请实施例中，基于历史缺陷监测数据、气象数据、外部隐患及本体缺陷状况大数据信息，依据输电走廊环境特征、杆塔本体特征信息，根植于架空输电线路历史运维数据，分析输电线路缺陷与气象数据的关联特性，利用时空数据挖掘算法，分析气象因子与输电线路缺陷和隐患的关联关系；通过研究不同缺陷类型发生的空间特性，分析不同地区的缺陷发生概率；结合时空关联结果和架空线路缺陷空间分布特性分析架空输电线路不同缺陷发生概率，构建线路缺陷隐患风险评估及故障预测。

第三模型构建单元：用于采用深度强化学习算法建立强化学习风险评估预警模型；其中，数据预处理将输入信息分为运行环境数据和运行状态数据，深度强化学习算法采用竞争q网络和双重q网络相结合的方式，竞争q网络将回报值分为运行环境回报值和运行状态回报值，双重q网络负责选择运行状态数据，并对运行状态效果做出评价。深度卷积神经网络模型框架前部分卷积核学习运行环境数据，其余卷积核学习运行状态信息数据，提高训练效率，为相同条件下的灾害评价比较提供统一的标准环境，使结果更具有合理性。另外，不同运行方式下运行环境信息会发生相应变化，竞争q网络可针对不同运行方式得到不同环境回报值，增强模型的泛化能力，提升算法性能。风险评估方法直接从电网运行数据入手，对于不同缺陷故障、缺陷故障类型和电网运行方式分析不需调整模型，而传统方法需要根据不同运行方式、故障类型和拓扑结果调整数学模型。另外，同时考虑气象等时空环境多种因素的影响，能够提供更为全面的辅助决策。

部署及应用模块：用于根据输电线路缺陷检测模型和风险评估预警模型构建基于深度学习的缺陷检测模型分发部署体系及模型优化体系，实现模型移动部署、缺陷识别及风险评价应用；

具体地，部署及应用模块包括：

模型部署单元：用于基于caffe2框架实现多种类型终端的移动端部署，包括权值剪枝、权值量化、模型存储、前向加速计算等技术的提高与应用，在移动端部署设备识别和输电线路缺陷检测模型；

缺陷识别单元：用于使用训练好并通过测试的缺陷检测模型在移动端进行在线缺陷检测，识别出检测图像中的缺陷元件并标注；

风险评价单元：用于构建输电线路缺陷及风险的多源异构海量大数据平台，实现海量数据采集接入；

优化更新单元：用于实现数据采集接入验证及模型优化更新机制；制定接口规范，在服务器端实现各种流数据实时采集接入验证、强化学习模型优化调整，针对调优模型通过接口规范实现分发部署，终端接收进行模型更新，实现模型移动部署、缺陷识别及风险评价应用。

图3是本申请实施例提供的输电线路缺陷检测方法的硬件设备结构示意图。如图3所示，该设备包括一个或多个处理器以及存储器。以一个处理器为例，该设备还可以包括：输入系统和输出系统。

处理器、存储器、输入系统和输出系统可以通过总线或者其他方式连接，图3中以通过总线连接为例。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现上述方法实施例的处理方法。

存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

输入系统可接收输入的数字或字符信息，以及产生信号输入。输出系统可包括显示屏等显示设备。

所述一个或者多个模块存储在所述存储器中，当被所述一个或者多个处理器执行时，执行上述任一方法实施例的以下操作：

根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，具体包括以下步骤：

步骤a：构建虚实集成的虚拟样本生成及标注模型，集成虚拟数据与真实图像数据中丰富的地物信息，对虚拟数据与真实数据进行融合；

步骤b：构建深度学习迁移学习模型，完成基于迁移学习的模型优化；

步骤c：基于目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断。

上述产品可执行本申请实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本申请实施例提供的方法。

本申请实施例提供了一种非暂态(非易失性)计算机存储介质，所述计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行以下操作：

根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，具体包括以下步骤：

步骤a：构建虚实集成的虚拟样本生成及标注模型，集成虚拟数据与真实图像数据中丰富的地物信息，对虚拟数据与真实数据进行融合；

步骤b：构建深度学习迁移学习模型，完成基于迁移学习的模型优化；

步骤c：基于目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断。

本申请实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行以下操作：

根据输电线路元件的图像样本数据构建基于虚实样本集成和迁移学习的输电线路缺陷检测模型，具体包括以下步骤：

步骤a：构建虚实集成的虚拟样本生成及标注模型，集成虚拟数据与真实图像数据中丰富的地物信息，对虚拟数据与真实数据进行融合；

步骤b：构建深度学习迁移学习模型，完成基于迁移学习的模型优化；

步骤c：基于目标检测算法训练深度学习模型，在深度学习的目标检测基础上，进行输电线路元件的异常诊断。

本申请实施例的输电线路缺陷检测方法、系统及电子设备通过对海量图像样本进行深度学习分布式训练，建立基于可见光、红外、紫外等多图像融合的输电线路缺陷检测模型；针对灾害信息多维度、多源异构的特点，构建多模异构海量数据的实时高效处理大数据平台，建立强化学习风险评估模型，进行灾害信息的策略学习，实现灾害多源信息融合及分析、风险评估灾害预警。相对于现有技术，本申请可以提高缺陷识别准确率，提高巡检工作效率和质量。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本申请中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本申请所示的这些实施例，而是要符合与本申请所公开的原理和新颖特点相一致的最宽的范围。