CN110688919A - 一种智能巡线故障识别方法 - Google Patents

Abstract

本发明公开了一种智能巡线故障识别方法，涉及电力巡线故障识别领域；其包括步骤1：将无人机采集的图像分为N个区域后进行图像增强，获取预处理后的图像，N为大于1的正整数；步骤2：将上述图像分类为测试集和训练集，将训练集输入构建的识别网络获取输出结果，基于输出结果利用高度差和深度信息过滤输出结果中的影响因子，完成训练；步骤3：将测试集输入已训练的识别网络获取识别结果。本发明通过对图像进行分区、分区数据进行图像增强、训练识别过程考虑影响因子，提高图像识别速度和准确度，利于实现自动识别、快速识别巡线故障，大大减少工作人员工作量。

Description

一种智能巡线故障识别方法

技术领域

本发明涉及电力巡线故障识别领域，尤其是一种智能巡线故障识别方法。

背景技术

随着大电网互联以及电网规模的不断扩大，电网运行的安全稳定问题引起了广泛关注。一方面，基层巡线工作往往参照运行经验进行组织。但随着线路运行环境的不断变化，运行经验亦在不断发生改变。另一方面，随着运行线路的不断延伸，巡线工作量的增加与巡线人员不足的矛盾日益凸显。因此，实现输电线路精细化巡线，提高输电线路运维效率，已受到了电力运行单位的广泛关注。

目前，各级线路运检部门主要采用人工巡检方式，并辅以直升机、无人机等先进技术进行协同作业，以期提高作业效率。但该方式需人工对多源影像进行判读，工作量巨大并且常发生漏判以及通过经验判断的情况，造成上述问题的主要原因在于：一方面，目前的人工巡检方式仍停留在人工记录/录入线路运行与缺陷故障数据的单侧信息化阶段，而输电通道运行状况复杂，运维人员在现场评判设备运行及通道状况所能获取信息有限，易造成风险评估偏差；另一方面，线路巡检作业缺乏统一标准流程，巡检工作的自由发挥会造成巡视不到位、重要巡视项目缺失等状况。鉴于这种由线路巡检信息化程度不足和标准缺失给电网稳定运行带来的隐患，目前迫切需要一种智能巡线故障识别方法，以提高输电线路巡检作业的效率和可靠性。

发明内容

本发明的目的在于：本发明提供了一种智能巡线故障识别方法，利用分区域进行图像增强、训练结果过滤影响因子，提高识别精度和速度。

本发明采用的技术方案如下：

一种智能巡线故障识别方法，包括如下步骤：

步骤1：将无人机采集的图像分为N个区域后进行图像增强，获取预处理后的图像，N为大于1的正整数；

步骤2：将上述图像分类为测试集和训练集，将训练集输入构建的识别网络获取输出结果，基于输出结果利用高度差和深度信息过滤输出结果中的影响因子，完成训练；

步骤3：将测试集输入已训练的识别网络获取识别结果。

优选地，所述步骤1包括如下步骤：

步骤1.1：将无人机采集的图像按数据流分为N个区域；

步骤1.2：对每个区域内的图像进行空间转换、滤波和变换完成图像增强，获取预处理后的图像。

优选地，所述步骤2包括如下步骤：

步骤2.1：将预处理后的图像按比例分为测试集和训练集；

步骤2.2：构建包括输入层、卷积层和全连接层的识别网络，将训练集输入所述识别网络进行映射获取输出结果；

步骤2.3：基于输出结果利用高度差和深度信息过滤输出结果中的地面影响因子，获取训练输出结果，完成训练；所述影响因子包括地面杂线和地面塔。

优选地，所述步骤1.2包括如下步骤：

步骤1.2.1：将预处理后的图像从RGB空间转换至YUV空间，提取YUV空间的强度通道Y作为灰度图像I；

步骤1.2.2：利用局部极值滤波器对灰度图像I进行迭代滤波，将滤波结果作为图像的照度分量L；

步骤1.2.3：根据照度分量L从灰度图像I中分离出反射分量R；

步骤1.2.4：对照度分量L进行伽马变换，再将其和反射分量R进行重构，得到增强后的图像。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明通过对图像进行分区、分区数据进行图像增强、训练识别过程考虑影响因子，提高图像识别速度和准确度，利于实现自动识别、快速识别巡线故障，大大减少工作人员工作量；

2.本发明通过将采集的大量数据进行分区，对分区数据均进行图像增强，提高图像处理速度和图像识别准确度；

3.本发明的图像增强利用局部极值滤波，有效滤除纹理信息，突出细节信息，图像增强通过空间转换，考虑照度等分布情况，提高图像亮度，协调图像明暗关系；

4.本发明训练时通过深度信息和高度差滤除电力巡线上地面杂线等影响因子，利于提高识别准确率。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的方法流程图；

图2为本发明的图像增强的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明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发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以下结合实施例对本发明的特征和性能作进一步的详细描述。

实施例1

目前的人工巡检方式仍停留在人工记录/录入线路运行与缺陷故障数据的单侧信息化阶段，而输电通道运行状况复杂，运维人员在现场评判设备运行及通道状况所能获取信息有限，易造成风险评估偏差；线路巡检作业缺乏统一标准流程，巡检工作的自由发挥会造成巡视不到位、重要巡视项目缺失等状况，因此针对线路巡检信息化程度不足和标准缺失给电网稳定运行带来的隐患，本申请提出一种智能巡线故障识别方法，以提高输电线路巡检作业的效率和可靠性，细节如下：

一种智能巡线故障识别方法，包括如下步骤：

步骤1：将无人机采集的图像分为N个区域后进行图像增强，获取预处理后的图像，N为大于1的正整数；

步骤2：将上述图像分类为测试集和训练集，将训练集输入构建的识别网络获取输出结果，基于输出结果利用高度差和深度信息过滤输出结果中的影响因子，完成训练；

步骤3：将测试集输入已训练的识别网络获取识别结果。

所述步骤1包括如下步骤：

步骤1.1：将无人机采集的图像按数据流分为N个区域；

步骤1.2：对每个区域内的图像进行空间转换、滤波和变换完成图像增强，获取预处理后的图像。

将采集的大量数据进行分区，对分区数据均进行图像增强，提高图像处理速度和图像识别准确度。

步骤1.2包括如下步骤：

步骤1.2.1：将预处理后的图像从RGB空间转换至YUV空间，提取YUV空间的强度通道Y作为灰度图像I；

步骤1.2.2：利用局部极值滤波器对灰度图像I进行迭代滤波，将滤波结果作为图像的照度分量L；

步骤1.2.3：根据照度分量L从灰度图像I中分离出反射分量R；

步骤1.2.4：对照度分量L进行伽马变换，再将其和反射分量R进行重构，得到增强后的图像。

图像增强利用局部极值滤波，有效滤除纹理信息，突出细节信息，图像增强通过空间转换，考虑照度等分布情况，提高图像亮度，协调图像明暗关系。

所述步骤2包括如下步骤：

步骤2.1：将预处理后的图像按比例分为测试集和训练集；

步骤2.2：构建包括输入层、卷积层和全连接层的识别网络，将训练集输入所述识别网络进行映射获取输出结果；

步骤2.3：基于输出结果利用高度差和深度信息过滤输出结果中的地面影响因子，获取训练输出结果，完成训练；所述影响因子包括地面杂线和地面塔。

具体实施时：无人机采集巡线的图像中包括杆塔、导线、地线、引流线、绝缘子等目标，巡线故障需要识别对应正确的目标，对识别的故障目标进行提示；比如对绝缘子的识别：利用识别网络对绝缘子进行识别，包括构建训练样本集、训练、保存识别模型，利用滑动窗检测，然后直线拟合候选框，确定图像中绝缘子标记区域；对于导线的识别：由于导线在图像中呈现出直线、贯穿特性，对图像进行prewitt算子边缘提取；分析边缘方向信息并进行聚类处理；对各聚类中心进行像素区域生长操作；根据长度信息确定导线位置；所述导线异物缺陷识别规则包括：分析导线表面灰度图像的光滑性与一致性来检测断股或异物缺陷；在识别出平行导线组的条件下，按组来诊断导地线上是否存在缺陷。

利用反向传播算法和梯度下降法训练识别网络，通过每一类目标的特征向量与实际值之间代价函数反馈调节识别网络的权重值，反复迭代直到代价函数小于设定阈值，得到最优权重值的网络。通过特征提取找出地面上混杂的高层地物以及高层物体上混杂的目标，划分长方体的形式利用深度信息找到被误识别成电力线的目标，XY固定边长这里设5米，Z轴就无限制(类似于微元法)；然后求出长方体内的最低点值(Z的最小值)，将该长方体内被识别成电力线的点的Z坐标值与最低点值作差，将差值小于阈值的点过滤(阈值设为10)，阈值均是通过测量得到的物体的大小和高度，经上述训练完成后，将测试集输入上述识别网络获得最终的识别结果。训练时通过深度信息和高度差滤除电力巡线上地面杂线等影响因子，利于提高识别准确率。

本发明通过对图像进行分区、分区数据进行图像增强、训练识别过程考虑影响因子，提高图像识别速度和准确度，利于实现自动识别、快速识别巡线故障，大大减少工作人员工作量。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种智能巡线故障识别方法，其特征在于：包括如下步骤：

步骤1：将无人机采集的图像分为N个区域后进行图像增强，获取预处理后的图像，N为大于1的正整数；

步骤2：将上述图像分类为测试集和训练集，将训练集输入构建的识别网络获取输出结果，基于输出结果利用高度差和深度信息过滤输出结果中的影响因子，完成训练；

步骤3：将测试集输入已训练的识别网络获取识别结果。

2.根据权利要求1所述的一种智能巡线故障识别方法，其特征在于：所述步骤1包括如下步骤：

步骤1.1：将无人机采集的图像按数据流分为N个区域；

步骤1.2：对每个区域内的图像进行空间转换、滤波和变换完成图像增强，获取预处理后的图像。

3.根据权利要求1所述的一种智能巡线故障识别方法，其特征在于：所述步骤2包括如下步骤：

步骤2.1：将预处理后的图像按比例分为测试集和训练集；

步骤2.2：构建包括输入层、卷积层和全连接层的识别网络，将训练集输入所述识别网络进行映射获取输出结果；

步骤2.3：基于输出结果利用高度差和深度信息过滤输出结果中的地面影响因子，获取训练输出结果，完成训练；所述影响因子包括地面杂线和地面塔。

4.根据权利要求2所述的一种智能巡线故障识别方法，其特征在于：所述步骤1.2包括如下步骤：

步骤1.2.1：将预处理后的图像从RGB空间转换至YUV空间，提取YUV空间的强度通道Y作为灰度图像I；

步骤1.2.2：利用局部极值滤波器对灰度图像I进行迭代滤波，将滤波结果作为图像的照度分量L；

步骤1.2.3：根据照度分量L从灰度图像I中分离出反射分量R；

步骤1.2.4：对照度分量L进行伽马变换，再将其和反射分量R进行重构，得到增强后的图像。

Images