智能检测理论与技术「电力检测领域 基于深度学习的输电设备缺陷自动识 别方法」

今天带来智能检测理论与技术「电力检测领域 基于深度学习的输电设备缺陷自动识 别方法」，关于智能检测理论与技术「电力检测领域 基于深度学习的输电设备缺陷自动识 别方法」很多人还不知道，现在让我们一起来看看吧！

电力系统有别于其他行业，维护不能随意中断生产，这就要在事故发生之前做好 充分的预测一在事故发生之前解决故障，重点是输电线路的预防性巡检工作。输电线路负 担高电压大电流的长期工作，近年来随着全球变暖恶劣气象天候频发，对电网安全运行构 成越来越大的危险。

随着电网智能化水平不断提高，无人机巡检被越来越多的采用。每一次巡检任务 完成后都会产生大量的巡检图片。一方面，现有的巡检图像处理方式，大都是基于人工判读 的方式来完成目标部件的标定和缺陷的分类，人工判读方式劳动强度大、工作效率低。另一 方面，人工判读方式没有一个统一的评判标准作为依据、易受个人主观因素的影响，常常漏 判或错判很多缺陷。以上两方面的因素使得现有的巡检方式不但不能迅速的排查输电设备 的缺陷，而且使得巡检效果不佳，从而导致线路状态监管缺位，这些都使得输电线路巡检工 作效果大打折扣，给输电线路安全留下隐患。

问题拆分

采用深度学习技术对无人机巡检获得的输电塔的本体照片进行自动分析，首先利用Faster‑Rcnn算法自动从无人机巡检照片中识别出需要进行检测的输电设备，然后将输电设备送入针对该设备的缺陷分类器，判断该设备是否具有缺陷以及缺陷类型。若有缺陷，则自动在图片中进行标注缺陷设备所在位置以及缺陷类型，最终生成缺陷报告，给检修人员提供检修信息。本发明的分析过程具有准确率高、处理速度快、可靠性好等优点，实现了输电线路巡检照片的自动分析，无需人工参与。

问题解决

—种基于深度学习的输电设备缺陷自动识别方法，步骤包括：

[0007] S1、使用多目标识别算法从无人机巡检照片或视频中识别出目标设备；

[0008] S2、使用深度学习分类器对目标设备是否有缺陷以及缺陷类型进行判断。

[0009] 进一步的，步骤Sl所述的多目标识别算法采用Faster-Rcnn模型，具体步骤为：

[0010] S11、使用卷积神经网络从原始图片中提取图片的卷积特征；

[0011] S12、使用RPNNe t提取可能存在目标设备的候选区域；

[0012] S13、针对步骤Sl2中提取的候选区域，使用ROIpooling layer从原始图片的卷积 特征图中提取特征向量，将每个候选区域的特征向量送入分类器进行分类，判断其所属的 设备种类，同时精确回归出包含输电设备的矩形区域的坐标。

[0013] 更进一步的，步骤Sll所述卷积神经网络采用结构包括:VGG，ResNet，PvaNet。

[0014] 更进一步的，步骤S13所述ROIpooling layer将每个候选区域的特征图均勾分成M X N块，对每块进行max poo I ing操作，提取特征向量。

[0015] 更进一步的，所述Faster-Rcnn模型构建方法为：

[0016] SlOl、制作Faster-Rcnn样本，将一定规模的无人机输电线路巡检照片进行人工标 注，标出图中所有的输电设备名称和位置，从中随机选取总数9/10的图片作为训练数据集， 另外的1/10图片作为测试数据集；

[0017] S102、Faster-Rcnn模型训练，将步骤SlOl的训练数据集输入到Faster-Rcnn中对 模型训练。训练使用随机梯度下降方法对模型参数进行更新，迭代20万步，最终完成模型训 练；

[0018] S103、Faster-Rcnn模型测试与修正，使用步骤SlOl的测试数据集对训练完成的 Faster-Rcnn模型进行测试，得到其准确率;依据准确率高低判断是否要添加数据和更改训 练参数继续训练模型；

[0019] S104、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本， 在原有模型的基础上不断更新Faster-Rcnn模型。

[0020] 进一步的，所述深度学习分类器采用深度卷积神经网络进行分类，构建输电设备 缺陷分类模型。

[0021] 更进一步的，所述输电设备缺陷分类模型的构建方法为：

[0022] S201、样本制作，针对每一种输电设备，收集包含正常输电设备的样本和存在缺陷 的输电设备样本，并为每张存在缺陷的样本图片打上缺陷种类标签。取总数9/10的图片作 为训练数据集，另外的1/10图片作为测试数据集；

[0023] S202、训练输电设备缺陷分类模型，针对每一种输电设备使用步骤S201中制作的 训练数据集训练缺陷分类器，分类器的深度网络模型选用深度卷积神经网络Deep Residual Neural Networks；

[0024] S203、输电设备缺陷分类模型测试与修正。针对每一种输电设备的缺陷分类器，使 用步骤S201中的测试数据测试其准确率。依据准确率高低，判断接下来是否需要添加样本 或修改训练参数继续进行训练；

[0025] S204、在新增的机器识别的结果中抽取部分典型的图片，重新制作新的训练样本， 在原有模型的基础上不断更新Faster-Rcnn模型。

[0026] 更进一步的，所述深度卷积神经网络的网络结构包括Alexnet、GoogIeNet、 ResNet0

[0027] 相对于现有技术，本发明所述的一种基于深度学习的输电设备缺陷自动识别方法 具有以下优势：

[0028] 本发明使用深度学习处理无人机输电线路巡检照片，能够实现输电设备缺陷的自 动识别，以取代人工判别的方式，自动发现并报告设备隐患位置和种类信息，以便维修人员 及时维护。（1)通过深度学习算法完成对输电线路巡检照片的自动处理，大大降低人工劳动 强度。（2)通过模型的不断更新和优化，准确率将会不断提升。（3)处理速度快，采用最先进 的并行计算加速技术能够使处理速度基本能够达到实时的效果。