一种绝缘子自爆缺陷检测方法及设备与流程

本发明涉及电力系统输电网络，特别是一种绝缘子自爆缺陷检测方法及设备。

背景技术：

1、随着用电需求量的不断增加，输电线路已遍布全国各地。绝缘子作为其中的重要组成部分，具有良好的机械支撑和电气绝缘性能，在整个输电过程中起着支撑导线以及防止电流回地的重要作用。然而绝缘子长期处于强电场环境中，并且容易受到雨雪和极端气温等恶劣天气的影响，从而发生自爆、断裂等缺陷，对输电线路安全稳定的运行产生了巨大的隐患。据统计，由绝缘子缺陷导致电力系统发生故障的次数最多。因此，快速、准确的检测出缺陷绝缘子并及时进行更换对整个输电系统的安全运行尤为重要。

2、绝缘子的缺陷检测主要分为绝缘子定位以及缺陷检测。目前，绝缘子的缺陷检测可分为人工观察、基于传统图像处理和基于深度学习的方法。其中，人工观察的方法耗时耗力，且存在一定的安全隐患。而基于传统图像处理的方法需要人为设置目标特征，针对不同的目标需要设置不同的特征，且识别精度低，容易造成误检或漏检。基于传统图像处理的方法由于无法自动提取绝缘子的特征，所以只能在特定的环境下准确的识别出缺陷绝缘子，但绝缘子通常处于河流、农田、工地和森林等复杂的背景环境下，该方法不能准确对绝缘子进行提取和识别。

3、因此目前急需一种识别精度高、且能够自动从图像中提取绝缘子特征信息的绝缘子自爆缺陷检测方法。

技术实现思路

1、本发明的目的在于克服现有绝缘子检测技术中所存在的依赖人工、识别精度低以及无法在特殊环境提取绝缘子图像的问题，提供一种绝缘子自爆缺陷检测方法。

2、为了实现上述发明目的，本发明提供了以下技术方案：

3、一种绝缘子自爆缺陷检测方法，包括以下步骤：

4、a：获取待检测图片；

5、b：将所述待检测图片输入到再训练后的绝缘子检测模型，并输出对应的检测结果；

6、其中，所述绝缘子检测模型的再训练包括以下步骤：

7、s1：获取输电线路现场的绝缘子图像，构建基础图像集；

8、s2：对cplid数据集和所述基础图像集进行扩充和标注，生成扩充数据集；所述扩充数据集的标注信息包括状态类型和锚框坐标；

9、s3：载入预训练好的yolo系列模型，并在所述模型中添加cbam注意力机制模块，以eiou loss作为损失函数，输出绝缘子检测初步模型；

10、s4：将所述绝缘子检测初步模型在所述扩充数据集上进行迁移学习训练，待模型收敛后输出此时的模型。

11、作为本发明的优选方案，所述s2中扩充操作采用数据增强技术，包括以下步骤：

12、s21：混合cplid数据集和基础图像集，给各个图像重新编排id号；

13、s22：按预设加噪密度为待扩充图像增加椒盐噪声；

14、s23：对待扩充图像的图像区域进行随机遮挡处理；

15、s24：对待扩充图像随机进行仿射变换和/或翻转和/或剪裁变换，生成扩充图像；所述仿射变换包括平移，旋转和缩放；

16、s24：对每个图像进行标注处理，生成扩充数据集。

17、作为本发明的优选方案，所述标注信息为txt格式，每个图像的txt标注为：

18、<insulator_class><x_center><y_center><width><height>

19、...

20、<insulator_class><x_center><y_center><width><height>

21、其中，每一行对应图像中的一个绝缘子：insulator_class为绝缘子类别，x_center为锚框x轴中点坐标，y_center为锚框的y轴中点坐标；width为锚框宽度；hight为锚框高度。

22、作为本发明的优选方案，所述步骤b中检测结果采用与所述s2中所述标注信息对应的yaml文件进行表示，具体包括正常、自爆缺陷以及被遮挡三种结果。

23、作为本发明的优选方案，所述s3中cbam注意力机制模块包括通道注意力机制和空间注意力机制；

24、所述通道注意力机制包括以下实施步骤：

25、s31：将所述预训练图片经过5次不同卷积核的卷积运算，生成3*h*w的特征图，所述卷积核的大小依次为7、5、3、3、1；

26、s32：将第s31步骤的特征图形状变换成3*1*1；生成3个通道的特征矩阵；

27、s33：为3个所述特征信息分量分配对应的预设权重；

28、s34：计算每个通道的通道相关性，以及在通道域中生成注意力掩码，并根据所述通道相关性以及所述注意力掩码对各个通道进行优先度排序；

29、所述空间注意力机制包括以下实施步骤：

30、s35：通过池化从前层从输入图片的特征图中提取用于生成注意力分数的相关向量；

31、s36：将所述生成注意力分数的相关向量投入轻量化的全连接层，生成对应的注意力分数，并将所述注意力分数和原特征图相乘。

32、作为本发明的优选方案，所述s3中所述eiou loss损失函数的表达式为：

33、，

34、其中，是eiou loss损失函数，是重叠损失，是中心距离损失，是高宽损失，为的比重系数，为的比重系数，为的比重系数。

35、作为本发明的优选方案，所述重叠损失的计算式如下：

36、，

37、其中，a 是真实框，b是预测框。

38、作为本发明的优选方案，所述中心距离损失的计算式如下：

39、，

40、其中，是真实框和预测框的中心点的欧式距离，b是预测框中心点，是真实框的中心点，是包含真实框和预测框的最小闭包区的对角线长度。

41、作为本发明的优选方案，所述中心距离损失的计算式如下：

42、，

43、其中，是真实框的宽度，是真实框的高度，是预测框的宽度，是预测框的高度；是修正因子，定义如下：

44、，

45、其中， v是高宽系数，在本发明中与真实框和预测框的高宽比之差成正比， k是调节常数。

46、一种绝缘子自爆缺陷检测设备，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；所述存储器存储有可被所述至少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任一项所述的方法。

47、与现有技术相比，本发明的有益效果：

48、本发明通过对输电网络中的绝缘子，可以通过特定位置的固定相机远程拍摄的图像或无人机拍摄的图像，利用深度学习目标检测的方法，采用迁移学习技术实现算法对绝缘子二维图像的缺陷特征捕获。即通过对预训练模型的再训练，微调模型参数，以及拟合模型输入输出曲线，实现对绝缘子缺陷部位特征的有针对性的捕获和识别；并在此基础上，增加通道注意力机制层和空间注意力机制层，以及利用考虑三种损失的eiou loss损失函数作为参数调整惩罚因子，可以将模型拟合生成对绝缘子缺陷目标中的纹路，色彩以及灰度极值敏感的特定任务函数。即本发明利用深度学习目标检测的方法，采用迁移学习技术实现算法对绝缘子二维图像的缺陷特征捕获，实现了通过特定位置的固定相机远程拍摄的图片或无人机拍摄的图片对输电网络中的绝缘子进行提取和检测，同时，经过迁移学习的模型函数能够准确的捕捉缺陷目标，具有受噪声影响较小，易于部署和实现等优点，在电力系统输电网络中采用该方法能够适应并满足工业要求，该算法的计算效率高，能够在现网中对绝缘子进行实时检测，提高输电网络的稳定性。