CN110610122A - 输电设备可见光成像大数据人工智能检测诊断方法 - Google Patents

Abstract

本发明涉及一种输电设备可见光成像大数据人工智能检测诊断方法，采用一个５层的深度卷积神经网络，检测输电线路可见光图像中的背景、杆塔、绝缘子区域。构造了包含多类目标的输电线路数据集：背景、杆塔、玻璃绝缘子和复合绝缘子。用Cifar‑100数据集对网络预训练，然后利用输电线路数据集进行网络调优。检测时，将图像分为图像块，利用神经网络识别每个图像块的类别，将相同类别图像块所在区域合并后即为此类别目标在图像中的区域。经验证，该方法明显优于传统方法，可用于输电线路可见光图像中典型目标检测，检测结果可用于诊断参考或进一步的目标状态分析。

Description

输电设备可见光成像大数据人工智能检测诊断方法

技术领域

本发明涉及一种输电设备可见光成像大数据人工智能检测诊断方法。

背景技术

近年来，随着输电线路有人直升机/无人机巡检技术的逐渐推广，使得基于可见光图像的输电线路目标分析成为了现实。输电线路本身是一种复杂的人造设施，其主要组成部件尺度差异较大。大尺度部件主要有：各类型的杆塔塔体、各类导线、安装有各种类型及方位的绝缘子、连接杆塔两端的引流线等。小尺度部件主要有：防震锤、间隔棒、均压环、线夹等。要实现输电线路目标状态自动分析，首先需要检测目标在图像中的位置。

输电线路图像目标的检测与普通图像目标检测是相同的，都是通过特定的算法对原始图像进行分析，确定目标在图像中的位置。通常，目标检测结果为目标的外接矩形框，而输电线路图像中存在各种角度的“条”状目标(如绝缘子)，矩形框无法描述其精确位置，因此需要以掩码的形式确定目标在图像中的位置。输电线路可见光图像的目标检测主要包括对塔材、绝缘子串、导线、防震锤等典型设备目标的检测。以绝缘子串检测为例，分别有利用点特征、纹理特征、形态学特征以及多特征结合的检测方法。但每种方法都有其局限性，利用颜色特征的检测方法通常用于玻璃绝缘子的检测，对瓷绝缘子和复合绝缘子则不适用。利用特征点的方法对图像清晰度要求很高，利用纹理特征的方法则主要用于复合绝缘子的检测，易受背景噪声影响。

发明内容

本发明的目的在于克服现有技术中存在的缺陷，提供一种输电设备可见光成像大数据人工智能检测诊断方法。

为实现上述目的，本发明所采取的技术方案是：

一种输电设备可见光成像数据人工智能检测诊断方法，其包括如下步骤:

步骤一，样本构造：对电线路原始图像中的玻璃绝缘子、复合绝缘子、塔材和背景4类目标进行类别标签标注，根据标注结果生成4类目标的样本图像数据库；

步骤二，模型训练：首先定义深度神经网络模型，并用图像数据库训练；调整网络模型输出层个数，并保持其它层结构及参数不变；最后，利用样本构造阶段生成的数据对修改后的网络进行微调，得到最终的网络参数；

步骤三，目标检测

对于任意图像，首先进行分块，然后利用训练好的模型判断每一个字块的类别标签。

在本发明的一些实施方式中，样本构造分为目标标注和样本生成步骤，目标标注即将输电线路原始图像中的背景、杆塔、玻璃绝缘子和复合绝缘子4类区域用多边形框标记，均由人工完成，不同类别区域用不同类别标签。

在本发明的一些实施方式中，所述步骤二的神经网络为5层深度卷积神经网络，分别为1个输入层、3个卷积池化层和1个全连接输出层，输入为归一化的、大小为64×64、RGB三通道的图片；3个卷积池化层的卷积核个数分别为64、128和256，卷积核的大小分别为11×11、7×7和5×5，每一层卷积核的通道数分别由其前一层输出的通道数决定，即分别为3、64和128，池化均采用最大值池化，且窗口大小均为2×2；全连接层神经元个数与输出类别数相同，在此C代表网络输出标签的个数，通常定义输出值为集合{1，2，…，C}中元素。

在本发明的一些实施方式中，所述步骤二中训练过程的步骤如下：首先，按照网络结构，定义C＝100，即100类输出类别，采用Cifar-100图像数据库进行初步训练，算法收敛后，将模型最后一层改为C＝4，分别代表背景、塔材、玻璃绝缘子和复合绝缘子4类目标，其余各层参数不变，然后利用输电线路图像库进行训练，直至收敛。

在本发明的一些实施方式中，所述步骤二采用最速梯度下降法训练神经网络模型参数，预训练阶段的学习参数为：

1)训练数据分块大小为128；

2)所有权值都初始化为均值为0，标准差为0.01的高斯噪声；

3)系数动量为0.9，权值衰减系数为0.0005；

4)对于第2、3、4卷积层和全连接层的神经元偏置，初始化为1，第1层的神经元偏置初始化0；

5)每一层的学习速率保持一致，初始学习速率是0.01。

采用上述技术方案所产生的有益效果在于：

本发明采用一个5层的深度卷积神经网络，检测输电线路可见光图像中的背景、杆塔、绝缘子区域。构造了包含多类目标的输电线路数据集：背景、杆塔、玻璃绝缘子和复合绝缘子。用Cifar-100数据集对网络预训练，然后利用输电线路数据集进行网络调优。检测时，将图像分为图像块，利用神经网络识别每个图像块的类别，将相同类别图像块所在区域合并后即为此类别目标在图像中的区域。经验证，该方法明显优于传统方法，可用于输电线路可见光图像中典型目标检测，检测结果可用于诊断参考或进一步的目标状态分析。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。

图1为样本构造步骤框图；

图2为模型训练阶段框图；

图3为目标检测阶段框图；

图4为待测可见光图像；

图5为检测输出结果；

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合具体实施例对发明进行清楚、完整的描述。

一种输电设备可见光成像大数据人工智能检测诊断方法，包括：

步骤一：样本构造阶段

对输电线路原始图像中的玻璃绝缘子、复合绝缘子、塔材和背景4类目标进行标注，根据标注结果生成4类目标的样本。

输电线路图像库原始数据是电网公司在输电线路巡检过程中，由直升机搭载高清摄像机拍摄获得，包含19条不同线路共600余张图片。每张图片中包含杆塔、玻璃绝缘子、复合绝缘子中的一类或多类目标。由于拍摄时背景、光照的变化以及拍摄角度、距离、焦距的不同，各类目标在不同图片中的色彩、角度、尺度会存在差异，为了获取更多样本，采用数据扩展方法来增加样本的数量。数据扩展通过对图像块的旋转、平移、尺度、颜色4种变换实现，这样有两个好处：第一，训练样本数量大大增加，防止训练过程中出现过拟合。第二，使算法在进行目标识别时具有更好的平移不变性、旋转不变性、尺度不变性和颜色不变性。

样本构造的目标是输电线路图像库。如附图1所示，样本构造分为目标标注和样本生成两个步骤。目标标注即将输电线路原始图像中的背景、杆塔、玻璃绝缘子和复合绝缘子4类区域用多边形框标记，均由人工完成。其中黄色区域表示背景，绿色区域表示杆塔，红色区域表示玻璃绝缘子，蓝色区域表示复合绝缘子。完成标注后，对图像进行分块，根据标注结果，指定每个图像块所属的类别标签：背景－1、塔材－2、玻璃绝缘子－3、复合绝缘子－4。

步骤二模型训练阶段

如附图4所示，首先定义深度神经网络模型，并用图像数据库训练；调整网络模型输出层个数，并保持其它层结构及参数不变；最后，利用样本构造阶段生成的数据对修改后的网络进行微调，得到最终的网络参数。

参照alexnet网络结构，定义5层深度卷积神经网络，分别为1个输入层、3个卷积池化层和1个全连接输出层，输入为归一化的、大小为64×64、RGB三通道的图片；3个卷积池化层的卷积核个数分别为64、128和256，卷积核的大小分别为11×11、7×7和5×5，每一层卷积核的通道数分别由其前一层输出的通道数决定，即分别为3、64和128，池化均采用最大值池化，且窗口大小均为2×2；全连接层神经元个数与输出类别数相同，在此C代表网络输出标签的个数，通常定义输出值为集合{1，2，…，C}中元素。因此，整个卷积神经网络可以看为一个内部带参数的黑盒，输入为相同大小的图片，输出为图片的类别标签。

神经网络的学习过程即求解模型参数P的过程。为防止过拟合，采用以下步骤训练：首先，按照网络结构，定义C＝100，即100类输出类别，采用Cifar-100图像数据库进行初步训练，算法收敛后，将模型最后一层改为C＝4，分别代表背景、塔材、玻璃绝缘子和复合绝缘子4类目标，其余各层参数不变，然后利用输电线路图像库进行训练，直至收敛。图像数据库数据类型丰富，可以避免算法陷入局部最优解。网络的前4层特征提取，最后的第5层用作分类器。利用图像数据库训练得到的特征提取参数(即网络的前4层参数)，可转化为输电线路图像的特征提取参数。在此基础上进行网络参数调优，有效地避免了过拟合现象。

定义好网络结构后，采用最速梯度下降法训练神经网络模型参数，训练过程由开源深度卷积神经网络学习工具完成。预训练阶段的学习参数为：

1)训练数据分块大小为128。

2)所有权值都初始化为均值为0，标准差为0.01的高斯噪声。

3)系数动量为0.9，权值衰减系数为0.0005。

4)对于第2、3、4卷积层和全连接层的神经元偏置，初始化为1，第1层的神经元偏置初始化0。

5)每一层的学习速率保持一致，初始学习速率是0.01。在训练过程中采用启发式方法：在当前学习速率下，如果验证集错误率不变，则将学习速率减小至当前的1/10。

调优阶段，学习速率固定为0.001，其它训练参数与预先训练阶段相同。最终算法收敛得到网络的模型参数P。

步骤三：目标检测阶段

如附图3所示，对于任意图像，首先进行分块，然后利用训练好的模型判断每一个子块的类别标签。

对于附图4待检测可见光图像，先进行分块，利用步骤二中训练好的网络模型，当训练速率为0.005时，成功检出图中所有悬式绝缘子，如附图5所示，并且检出绝缘子的平均识别度在88.25％以上，识别效果较优。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明实施例技术方案的精神和范围。

Claims (5)

1.一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，其包括如下步骤:

步骤一，样本构造：对电线路原始图像中的玻璃绝缘子、复合绝缘子、塔材和背景4类目标进行类别标签标注，根据标注结果生成4类目标的样本图像数据库；

步骤二，模型训练：首先定义深度神经网络模型，并用图像数据库训练；调整网络模型输出层个数，并保持其它层结构及参数不变；最后，利用样本构造阶段生成的数据对修改后的网络进行微调，得到最终的网络参数；

步骤三，目标检测

对于任意图像，首先进行分块，然后利用训练好的模型判断每一个字块的类别标签。

2.根据权利要求1所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，样本构造分为目标标注和样本生成步骤，目标标注即将输电线路原始图像中的背景、杆塔、玻璃绝缘子和复合绝缘子4类区域用多边形框标记，均由人工完成，不同类别区域用不同类别标签。

3.根据权利要求1所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，所述步骤二的神经网络为5层深度卷积神经网络，分别为1个输入层、3个卷积池化层和1个全连接输出层，输入为归一化的、大小为64×64、RGB三通道的图片；3个卷积池化层的卷积核个数分别为64、128和256，卷积核的大小分别为11×11、7×7和5×5，每一层卷积核的通道数分别由其前一层输出的通道数决定，即分别为3、64和128，池化均采用最大值池化，且窗口大小均为2×2；全连接层神经元个数与输出类别数相同，在此C代表网络输出标签的个数，通常定义输出值为集合{1，2，…，C}中元素。

4.根据权利要求3所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，所述步骤二中训练过程的步骤如下：首先，按照网络结构，定义C＝100，即100类输出类别，采用Cifar-100图像数据库进行初步训练，算法收敛后，将模型最后一层改为C＝4，分别代表背景、塔材、玻璃绝缘子和复合绝缘子4类目标，其余各层参数不变，然后利用输电线路图像库进行训练，直至收敛。

5.根据权利要求1所述的一种输电设备可见光成像数据人工智能检测诊断方法，其特征在于，所述步骤二采用最速梯度下降法训练神经网络模型参数，预训练阶段的学习参数为：

1)训练数据分块大小为128；

2)所有权值都初始化为均值为0，标准差为0.01的高斯噪声；

3)系数动量为0.9，权值衰减系数为0.0005；

4)对于第2、3、4卷积层和全连接层的神经元偏置，初始化为1，第1层的神经元偏置初始化0；

5)每一层的学习速率保持一致，初始学习速率是0.01。