CN109977921B - 一种输电线路隐患检测方法 - Google Patents

Abstract

本申请公开了一种输电线路隐患检测方法，包括：获取卫星巡视拍摄到的待检测图；将待检测图输入地物分类模型，得到地物分类模型输出的分类结果图；根据分类结果图中各地物与输电线路间的距离，确定各地物中的线路隐患；其中，地物分类模型通过以下步骤得到：S1、预先对原始遥感图像中的不同地物进行标注，得到标注遥感图像；S2、以标注遥感图像以及对应的原始遥感图像建立训练集；S3、以训练集对U‑Net网络进行训练；S4、通过验证集对训练后得到的模型进行准确率检验，若准确率小于预设值，调节当前模型的参数，返回步骤S3；若准确率大于或等于预设值，输出地物分类模型；解决了现有检测方法不同的隐患类型需要设计不同的检测方法的技术问题。

Description

一种输电线路隐患检测方法

技术领域

本申请涉及线路巡视技术领域，尤其涉及一种输电线路隐患检测方法。

背景技术

随着各行各业对电力的需求不断扩大，事故断电带来的损失也越来越大。其中，架空输电线路由于直接建造在大地上，与周边环境直接接触，因此更容易受到影响，事故频频发生。

如何提早发现、处理和预防危害输电线路的自然灾害及意外事故，时刻保障电力正常供应，成为人们关注的焦点。威胁输电线路安全的隐患主要有违章建筑、超高树木、施工车辆等，相关部门需要不断地巡检线路来搜寻可能存在的隐患，并进行处理。

现有常用的巡线方式有人工巡线、无人机巡线、在线视频监控等。人工巡线需要耗费大量的人力资源，而且效率低下；无人机的飞行距离有限，使得无人机巡线方式难以在偏远无人地区推广；在线视频监控需要不间断地拍摄视频传回服务器，耗费许多传输流量，制约了其发展。

也有通过图像识别线路隐患的检测算法，但这些检测算法中，不同的隐患类型需要设计不同的检测方法，在实现时需要大量的调试工作，并且实现后由于整体结构复杂，维护管理的难度也很大。

发明内容

本申请提供了一种输电线路隐患检测方法，解决了现有线路隐患检测方法中，不同的隐患类型需要设计不同的检测方法，实现困难麻烦的技术问题。

有鉴于此，本申请提供了一种输电线路隐患检测方法，包括：

获取卫星巡视拍摄到的待检测图；

将所述待检测图输入地物分类模型，得到所述地物分类模型输出的分类结果图；

根据所述分类结果图中各地物与输电线路间的距离，确定所述各地物中的线路隐患；

其中，所述地物分类模型为通过以下步骤得到：

S1、预先对原始遥感图像中的不同地物进行标注，得到标注遥感图像；

S2、以所述标注遥感图像以及对应的原始遥感图像建立训练集；

S3、以所述训练集对U-Net网络进行训练；

S4、通过验证集对训练后得到的模型进行准确率检验，若准确率小于预设值，调节当前模型的参数，返回步骤S3；若所述准确率大于或等于预设值，输出所述地物分类模型。

优选地，所述S3之前还包括：

根据VGG16网络对U-Net网络的权重进行预训练，以预训练后的得到的权重作为所述U-Net网络的权重。

优选地，所述U-Net网络的收缩路径通过多线连接运算将网络前面的信息传递到后面。

优选地，所述通过多线连接运算将网络前面的信息传递到后面具体包括：

将第一组卷积层产生的特征图像与输入图像进行特征融合，生成新的特征图像；

步骤X：将所述新的特征图像作为下一组卷积层的输入图像，与所述下一组卷积层产生的特征图像进行特征融合，得到新的特征图像；

循环所述步骤X，直至所述下一组卷积层为最后一组卷积层，将最后得到新的特征图像输出。

优选地，所述U-Net网络通过多种卷积核以对不同大小的目标进行特征提取。

优选地，所述U-Net网络具体通过3*3卷积核对应第一预置大小的目标进行特征提取；

通过5*5卷积核对应第二预置大小的目标进行特征提取；

通过7*7卷积核对应第三预置大小的目标进行特征提取；

所述第一预置大小小于所述第二预置大小，所述第二预置大小小于所述第三预置大小。

优选地，所述S3之前还包括：

对所述训练集中训练数据，通过旋转角度和翻转、调整亮度和饱和度、平移、添加噪声以及扭曲变形进行数据扩增，得到扩增后的训练集。

优选地，所述S1包括：

预先对原始遥感图像进行裁剪，剔除中所述原始遥感图像中的不相关部分，对裁剪后的所述原始遥感图像中的不同地物进行标注，得到标注遥感图像。

优选地，所述根据所述分类结果图中各地物与输电线路间的距离，确定所述各地物中的线路隐患具体包括：

计算所述分类结果图中各地物与输电线路间的距离；

对于每个地物，判断所述地物与所述输电线路间的距离是否落入所述地物对应的预设隐患距离范围中，若是，确定所述地物为线路隐患。

优选地，所述获取卫星巡视拍摄到的待检测图具体包括：

获取卫星定期巡视拍摄到待检测图。

从以上技术方案可以看出，本申请具有以下优点：

本申请提供的一种输电线路隐患检测方法，预先建立了地物分类模型。其中，地物分类模型是基于U-Net网络建立的，以标注遥感图像以及对应的原始遥感图像对U-Net网络进行训练得到。这样得到的地物分类模型，充分利用了U-Net网络在语义分割上的优势，能够准确的对遥感图像进行地物分类，各种可能造成线路隐患的地物均能够通过该模型检测得出，不需要针对一种隐患种类设计一种检测方法，相对于现有的检测算法在实现难度上大大下降，并且，地物分类的准确性也可以满足。

附图说明

图1为本申请第一个实施例提供的输电线路隐患检测方法在应用层面上的流程图；

图2为本申请第一个实施例提供的地物分类模型建立方法的流程图；

图3为本申请第二个实施例提供的输电线路隐患检测方法在应用层面上的流程图；

图4为本申请第二个实施例提供的地物分类模型建立方法的流程图；

图5为本申请第二个实施例提供的基于多线运算及VGG16网络预训练权重优化后的U-net网络结构。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请中的附图，对本申请中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现有的输电线路隐患检测算法，需要根据不同的隐患类型设计不同的检测方法。其中，涉及的颜色及纹理分析、背景建模等传统图像处理方法，需要手动设计特征，不仅要求工作人员对其应用领域和数据非常了解，而且需要进行大量的调试工作，而在实现后，检测结果受周边环境影响也较大；基于统计模型、卷积神经网络的检测方法，虽然可实现部分隐患的检测，但是该***针对不同的隐患类型(如建筑、树木、车辆等)，需要设计不同检测方法，***结构复杂，维护管理难度大。

为此，本申请提供一种输电线路隐患检测方法，遥感图像中的各种可能成为线路隐患的地物均可以通过一个地物分类模型分类识别得出，在识别出可能这些地物之后，通过各个地物与输电线路间的距离便可以判断其是否属于线路隐患。

具体的，可以参见图1和图2，图1为本申请第一个实施例提供的输电线路隐患检测方法在应用层面上的流程图，图2为本申请第一个实施例提供的地物分类模型建立方法的流程图。

本实施例提供的输电线路隐患检测方法，在应用层面上包括：

步骤101、获取卫星巡视拍摄到的待检测图。

现有常用的巡线方式(人工巡线、无人机巡线、在线视频监控等)，无论是哪一种均效率不高，需要耗费较多的人力物力。为此，本申请通过借助卫星遥感技术，对树木、施工车辆、违章建筑等线下隐患点进行识别及风险评估，用“星巡”代替“人巡”和“机巡”，可极大减轻班组日常巡线压力，提升线路管理和运维水平。

在采用“星巡”的基础上，通过对卫星进行控制，可以实现卫星的定期巡视，区域性地排查线路走廊隐患风险。

步骤102、将待检测图输入地物分类模型，得到地物分类模型输出的分类结果图。

本申请建立的地物分类模型，可以将卫星拍摄的待检测图进行地物分类，识别出待检测图中的各个地物，如违章建筑、超高树木、施工车辆等，这些地物可以通过各种方式突显在分类结果图中。

步骤103、根据分类结果图中各地物与输电线路间的距离，确定各地物中的线路隐患。

具体的，可以计算各地物与输电线路之间的距离，并根据该地物的所属的种类，确定该地物对应的预设隐患距离范围。所谓预设隐患距离范围，可以根据输电线路的电压等级以及地物的属性自行设定。比如，若对于树木类的地物，可以设定其预设隐患距离范围为5m至6m，如此，在识别出地物为树木时，若其与输电线路的距离在5m至6m内，可以确认该树木为线路隐患。

下面结合图2，对本实施例提供的地物分类模型的建立方法进行说明，建立方法包括：

步骤201、预先对原始遥感图像中的不同地物进行标注，得到标注遥感图像。

为建立地物分类模型，首先需要为模型的训练提供训练用的素材。卫星拍摄的原始遥感图像，可以预先通过人工或者其他方式进行正确的地物标注。每张图像都对应一个标注文件，标注文件为与待标注文件大小相同的图像文件，不同地物使用不同像素数值覆盖。

步骤202、以标注遥感图像以及对应的原始遥感图像建立训练集。

标注后的图像即为标注遥感图像。可以以标注遥感图像以及对应的原始遥感图像建立训练集，通过训练集对U-Net网络进行训练。

步骤203、以训练集对U-Net网络进行训练。

步骤204、通过验证集对训练后得到的模型进行准确率检验，若准确率小于预设值，调节当前模型的参数，返回步骤203；若准确率大于或等于预设值，输出地物分类模型。

为对训练得到的模型进行准确率检验，可以在验证集中选取原始遥感图像作为当前模型的输入，并将当前模型输出的分类结果图与验证集中经过正确的地物分类标注的遥感图像进行比对。通过多次对模型的应用测试，可以计算出当前模型的准确率，若准确率达标，则该地物分类模型的各个参数较为合理，可以输出该地物分类模型。若准确率不达标，需要重新调整模型的初始参数，并再次进行训练，训练得到的模型也需要再次校验，如此重复，直至当前模型的准确率达标。

本实施例提供的输电线路隐患检测方法，预先建立了地物分类模型。其中，地物分类模型是基于U-Net网络建立的，以标注遥感图像以及对应的原始遥感图像对U-Net网络进行训练得到。这样得到的地物分类模型，充分利用了U-Net网络在语义分割上的优势，能够准确的对遥感图像进行地物分类，各种可能造成线路隐患的地物均能够通过该模型检测得出，不需要针对一种隐患种类设计一种检测方法，相对于现有的检测算法在实现难度上大大下降，并且，地物分类的准确性也可以满足。

下面请参见图3和图4，图3为本申请第二个实施例提供的输电线路隐患检测方法在应用层面上的流程图，图4为本申请第二个实施例提供的地物分类模型建立方法的流程图。

本实施例提供的输电线路隐患检测方法，在应用层面上包括：

步骤301、获取卫星定期巡视拍摄到待检测图。

该步骤的说明可以参见上述第一个实施例中的步骤101。

步骤302、将待检测图输入地物分类模型，得到地物分类模型输出的分类结果图。

该步骤的说明可以参见上述第一个实施例中的步骤102。

步骤303、计算分类结果图中各地物与输电线路间的距离。

步骤304、对于每个地物，判断地物与输电线路间的距离是否落入地物对应的预设隐患距离范围中，若是，确定地物为线路隐患。

该两个步骤的说明可以参见上述第一个实施例中的步骤103。

下面对本实施例提供地物分类模型进行说明。

上述第一个实施例中，地物分类模型基于U-Net网络训练得到，因此具备U-Net网络的语义分割的优势。在此基础上，可以对U-Net网络进行进一步优化。

考虑到经典U-net网络以随机初始化权重开始训练，其为了避免网络训练过拟合，数据集需要足够大，但输电线路的遥感图像数据有限，远达不到所需的数量级。因此在ImageNet数据集上进行网络初始化训练，基于VGG16网络预训练U-Net网络权重，可以解决数据量不足造成的过拟合问题，提高U-Net网络的检测性能。

本实施例中，U-Net网络包含一个收缩路径来捕捉上下文信息，以及一个对称的扩张路径以进行精准的定位。收缩路径遵循典型的卷积网络架构，即交替卷积和池化运算，并逐步下采样特征图，同时逐层增加特征图的数量。

特别的，为了特征的复用与强化，保证更加密集的特征及最大化信息的流动性，本实施例中，收缩路径采用多线连接运算，将网络前面的信息传递到后面。在原有的每一组卷积层产生的特征图像后面融合了输入图像，经过特征融合后生成的新特征图像直接可以使用原始输入图像的信息，并且还使用了之前卷积层对原始输入图像处理后的信息。

可以参考图5，图5为本申请第二个实施例提供的基于多线运算及VGG16网络预训练权重优化后的U-net网络结构。图中下方的黑色曲线箭头部分是多线连接运算，主要实现两个或者多个输入的连接，即多输入到单输出，目的是将网络前面的信息传递到后面。

具体实现时，可以通过以下步骤。

步骤W：可以将第一组卷积层产生的特征图像与输入图像进行特征融合，生成新的特征图像。

步骤X：将新的特征图像作为下一组卷积层的输入图像，与下一组卷积层产生的特征图像进行特征融合，得到新的特征图像。

步骤Y：循环步骤X，直至下一组卷积层为最后一组卷积层，将最后得到新的特征图像输出。

对于U-Net网络的扩张路径，每个阶段由一个特征图上采样和紧随的卷积构成。扩张分支可以提高输出的分辨率。为了进行定位，扩张路径通过跳过连接将上采样特征和来自收缩路径的高分辨率特征结合起来。

进一步的，经典U-Net网络其采用单一卷积核进行特征提取，各层间串行连接，对信息的利用率较低，难以满意实际工程应用的需求。并且，使用固定大小的卷积核，感受野的大小将受到限制。因此，本实施例中，使用不同大小的卷积核以对不同大小的目标进行特征提取，可以提供不同大小的感受野，使全局信息和局部信息结合的更加紧密。具体的，本实施例提供了3*3、5*5、7*7三种卷积核，分别用于预测小(第一预置大小的目标)、中(第二预置大小的目标)、大型目标(第三预置大小的目标)。新的网络结构不需要重新训练，只需要利用不同尺度的网络模型分别进行预测，最终将所有可用的数据进行融合。

U-Net网络语义分割的网络结构为编码器-解码器结构，编码器逐渐减少空间维度，解码器逐步修复物体的细节和空间维度，同时编码器和解码器之间存在连接，帮助解码器更好地修复目标的细节。可以基于VGG16网络构建编码器与解码器。具体的，为了构建编码器，移除VGG16所有全连接层，并用单一卷积层来替换，该层是网络的瓶颈中间部分，分离编码器与解码器。为了构建解码器，使用两倍于特征图大小的转置卷积层，同时把通道数量减少一半。转置卷积的输出接着被连接到解码器对应部分的输出。由此得到的特征图通过卷积运算来处理，以保持通道数量与对称编码器项相同。

请再次参见图5，本实施例提供的整个U-Net网络一共有28个卷积层，包括收缩路径和扩张路径，收缩路径包含重复的3*3卷积层，一个ReLU激活函数，一个最大池化层进行降采样，每次降采样的同时使特征图通道减半。扩张路径包含一个上采样(3*3的转置卷积)减半特征图通道，一个对应的收缩路径的特征，然后是重复的3*3卷积，一个ReLU函数，因为每次卷积会丢失图像边缘，所以在复制收缩路径的特征图时进行剪切，最后是一个1*1的卷积，使得深度为64的特征图映射到一个类别标签。

结合以上说明，下面请参见图4，本实施例提供的地物分类模型建立方法包括：

步骤401、预先对原始遥感图像进行裁剪，剔除中原始遥感图像中的不相关部分，对裁剪后的原始遥感图像中的不同地物进行标注，得到标注遥感图像。

为降低训练过程中的硬件压力，可以对原始遥感图像进行预处理，即预先提出原始遥感图像中与输电线路隐患无关的部分。其他部分可以参考上述第一个实施例中的步骤201。

步骤402、以标注遥感图像以及对应的原始遥感图像建立训练集。

步骤403、对训练集中训练数据，通过旋转角度和翻转、调整亮度和饱和度、平移、添加噪声以及扭曲变形进行数据扩增，得到扩增后的训练集。

在实际训练模型时，考虑到所具有的训练数据不够完备，可以在训练数据的时候进行数据增强，如此，可以告诉U-Net什么是任务所需的不变的东西，什么是需要学***移、添加噪声以及扭曲变形。

需要说明的是，可以在训练过程中使数据被随机分为训练集、验证集和测试集。

步骤404、根据VGG16网络对U-Net网络的权重进行预训练，以预训练后的得到的权重作为U-Net网络的权重。

如前述说明，利用VGG16网络对U-Net网络的权重预训练后，可以解决数据量不足造成的过拟合问题，提高U-Net网络的检测性能。

步骤405、以扩增后的训练集对U-Net网络进行训练。

步骤406、通过验证集对训练后得到的模型进行准确率检验，若准确率小于预设值，调节当前模型的参数，返回步骤405；若准确率大于或等于预设值，输出地物分类模型。

本实施例中，预先建立了地物分类模型。其中，地物分类模型基于U-Net网络，并在经典U-Net网络上进行了优化，包括：基于VGG16网络来预训练U-net网络的权重；提出多线连接运算和多卷积核的网络优化策略。

其中，基于VGG16网络预训练权重改进后的U-net网络，，解决数据量不足造成的过拟合问题，同时实现违章建筑、树木及车辆等多种不类型地物的分类，不仅可精确地实现多种地物的像素级分类，而且有效克服现有检测***复杂，难以维护管理的不足。

多线连接运算和多卷积核的网络优化策略，对U-net网络实现进一步改进，增强特征信息的复用与强化，使信息的流动最大化，也保证了更加密集的特征，为特征提取奠定优良的数据基础，以满足隐患检测的实用化要求。

同时，本实施例的地物分类模型，利用了U-Net网络在语义分割上的优势，能够准确的对遥感图像进行地物分类，各种可能造成线路隐患的地物均能够通过该模型检测得出，不需要针对一种隐患种类设计一种检测方法，相对于现有的检测算法在实现难度上大大下降，并且，地物分类的准确性也可以满足。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (3)

1.一种输电线路隐患检测方法，其特征在于，包括：

获取卫星巡视定期拍摄到的待检测图；

将所述待检测图输入地物分类模型，得到所述地物分类模型输出的分类结果图；

根据所述分类结果图中各地物与输电线路间的距离，确定所述各地物中的线路隐患；具体为：计算所述各地物与输电线路之间的距离，并根据所述地物的所属的种类，确定该地物对应的预设隐患距离范围，判断所述地物与所述输电线路间的距离是否落入所述地物对应的预设隐患距离范围中，若是，确定所述地物为线路隐患；其中，所述预设隐患距离范围，可以根据输电线路的电压等级以及地物的种类自行设定；

其中，所述地物分类模型为通过以下步骤得到：

S1、预先对原始遥感图像中的不同地物进行标注，得到标注遥感图像；

S2、以所述标注遥感图像以及对应的原始遥感图像建立训练集；

S3、根据VGG16网络对U-Net网络的权重进行预训练，以预训练后的得到的权重作为所述U-Net网络的权重；

S4、以所述训练集对所述U-Net网络进行训练，获取基于所述U-Net网络的地物分类模型；其中，所述U-Net网络基于经典U-Net网络，并在经典U-Net网络上进行了优化，提出多线连接运算，采用多种卷积核对不同大小的预置目标进行特征提取；

具体为：①收缩路径采用多线连接运算，将网络前面的信息传递到后面，将第一组卷积层产生的特征图像与输入图像进行特征融合，经过特征融合后生成的新特征图像，将所述新特征图像作为下一组卷积层的输入图像，与所述下一组卷积层产生的特征图像进行特征融合，得到新的特征图像，循环上述步骤，直至所述下一组卷积层为最后一组卷积层，最后得到新的特征图像，②所述U-Net网络具体通过3*3卷积核对应第一预置大小的目标进行特征提取，通过5*5卷积核对应第二预置大小的目标进行特征提取，通过7*7卷积核对应第三预置大小的目标进行特征提取，所述第一预置大小小于所述第二预置大小，所述第二预置大小小于所述第三预置大小；

S5、通过验证集对训练后得到的模型进行准确率检验，若准确率小于预设值，调节当前模型的参数，返回步骤S4；若所述准确率大于或等于预设值，输出所述地物分类模型。

2.根据权利要求1所述的输电线路隐患检测方法，其特征在于，所述S4之前还包括：

对所述训练集中训练数据，通过旋转角度和翻转、调整亮度和饱和度、平移、添加噪声以及扭曲变形进行数据扩增，得到扩增后的训练集。

3.根据权利要求1所述的输电线路隐患检测方法，其特征在于，所述S1包括：

预先对原始遥感图像进行裁剪，剔除中所述原始遥感图像中的不相关部分，对裁剪后的所述原始遥感图像中的不同地物进行标注，得到标注遥感图像。

Images