CN110780164A - 基于yolo的绝缘子红外故障定位诊断方法及装置 - Google Patents
基于yolo的绝缘子红外故障定位诊断方法及装置 Download PDFInfo
- Publication number
- CN110780164A CN110780164A CN201911066299.XA CN201911066299A CN110780164A CN 110780164 A CN110780164 A CN 110780164A CN 201911066299 A CN201911066299 A CN 201911066299A CN 110780164 A CN110780164 A CN 110780164A
- Authority
- CN
- China
- Prior art keywords
- insulator
- infrared
- yolo
- diagnosis
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1218—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing using optical methods; using charged particle, e.g. electron, beams or X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
- G01R31/1227—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials
- G01R31/1245—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing of components, parts or materials of line insulators or spacers, e.g. ceramic overhead line cap insulators; of insulators in HV bushings
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Ceramic Engineering (AREA)
- Radiation Pyrometers (AREA)
- Investigating Or Analyzing Materials Using Thermal Means (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于YOLO的绝缘子红外故障定位诊断方法及装置,包括获取绝缘子红外劣化图像;对所述绝缘子红外劣化图像中的故障发热点进行批量框选;建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。本发明的技术方案能够实现自动对绝缘子红外图像中的故障的识别及定位诊断,节省了红外运检方法中人工排查的环节,提高了工作效率和检测准确度。
Description
技术领域
本发明涉及电故障诊断领域,特别是基于YOLO的绝缘子红外故障定位诊断方法及装置。
背景技术
绝缘子的在线监控与劣化诊断对于维护电力***安全稳定运行具有重要意义。在电网运行中,电力设备部件因绝缘破损、接触面氧化腐蚀、设计载流量不足等原因劣化并过热运行,从而具有异于常态的温度分布热像图。目前的红外运检策略,往往通过现场采集数据,经由后台技术人员依据温升差异进行经验排查,评估绝缘子的运行状态。由于电网规模增长,输变电设备带电红外检测的过程中,会出现伪彩色类型多样、背景干扰复杂、拍摄角度不一、红外图像叠加图形字符等多种干扰问题,在加上直升机、无人机、机器人巡线的大量应用,导致红外运检中产生大量红外图像积压,通过人工评估绝缘子状态的方法已不能满足效率及准确度的要求,影响了红外运检的发展。
发明内容
为解决上述问题,本发明的目的在于提供一种基于YOLO的绝缘子红外故障定位诊断方法及装置,实现自动对绝缘子红外图像中的故障的识别及定位诊断,节省了红外运检方法中人工排查的环节,提高了工作效率和检测准确度。
本发明解决其问题所采用的技术方案是:
本发明的第一方面,提供了一种基于YOLO的绝缘子红外故障定位诊断方法,包括以下步骤:
获取绝缘子红外劣化图像;
对所述绝缘子红外劣化图像中的故障发热点进行批量框选;
建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。
进一步地,所述获取绝缘子红外劣化图像,包括采用红外热成像技术对绝缘子进行主动热激励,使所述绝缘子内部的异性结构以表面温场变化的差异形式表现出来,从而获得绝缘子红外劣化图像。
进一步地,所述绝缘子红外诊断训练包括以下步骤:
建立以Darknet-53为基础的YOLO底层模型框架;
依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
进一步地,所述网络节点输出尺寸,包括13×13×18,26×26×18,52×52×18。
进一步地,所述放缩所述图像,依据所述网络节点选择Batch_size,包括使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64。
进一步地,所述绝缘子红外诊断识别,包括以下步骤:
通过下采样尺度设定9种不同尺寸的先验框;
采用尺寸最大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸中等的三个所述先验框对26×26的特征图进行特征检测提取,采用尺寸最小的三个所述先验框对52×52的特征图进行特征检测提取,从而形成各自的特征库;
采用三个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出三个尺寸的IoU值;
通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
本发明的第二方面,提供了一种基于YOLO的绝缘子红外故障定位诊断装置,包括:
获取单元,用于获取绝缘子红外劣化图像;还用于采用红外热成像技术对绝缘子进行主动热激励,使所述绝缘子内部的异性结构以表面温场变化的差异形式表现出来,从而获得绝缘子红外劣化图像;
框选单元,用于对所述绝缘子红外劣化图像中的故障发热点进行批量框选;
绝缘子故障定位单元,用于建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。
进一步地,所述绝缘子故障定位单元还包括绝缘子诊断训练单元和绝缘子诊断识别单元;
所述绝缘子诊断训练单元,用于建立以Darknet-53为基础的YOLO底层模型框架;依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数;用于网络节点输出尺寸,包括13×13×18,26×26×18,52×52×18;还用于使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64;
所述绝缘子诊断识别单元,用于通过下采样尺度设定9种不同尺寸的先验框;采用尺寸最大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸中等的三个所述先验框对26×26的特征图进行特征检测提取,采用尺寸最小的三个所述先验框对52×52的特征图进行特征检测提取,从而形成各自的特征库;采用三个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出三个尺寸的IoU值;通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
本发明的第三方面,提供了一种基于YOLO的绝缘子红外故障定位诊断设备,包括:
至少一个处理器和用于与至少一个处理器所通信连接的存储器;存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够执行如上述第一方面的基于YOLO的绝缘子红外故障定位诊断方法。
本发明的第四方面,提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,计算机可执行指令用于使计算机执行如上述第一方面的基于YOLO的绝缘子红外故障定位诊断方法。
本发明的第五方面,还提供了一种计算机程序产品,计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行时,使计算机执行如上述第一方面的基于YOLO的绝缘子红外故障定位诊断方法。
本发明实施例中提供的一个或多个技术方案,至少具有如下有益效果:本发明采用了一种基于YOLO的绝缘子红外故障定位诊断方法及装置,包括获取绝缘子红外劣化图像;对所述绝缘子红外劣化图像中的故障发热点进行框选;建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库中的图像进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。相比现有技术的技术方案,本发明的技术方案能够实现自动识别绝缘子红外图像故障发热点并完成框选,节省了红外运检方法中人工排查的环节,具有较高准确度及识别效率,有利于全自动智能化线路运检的发展。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法的流程图;
图2是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法关于绝缘子红外诊断训练流程图;
图3是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法关于绝缘子红外诊断识别流程图;
图4是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法关于绝缘子红外诊断模型构建流程图;
图5是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法关于绝缘子红外诊断识别模型结构图;
图6是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法关于不同训练速率下的准确率变化图;
图7是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断方法关于绝缘子红外诊断识别效果图;
图8是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断装置的装置示意图;
图9是本发明另一个实施例所提供的基于YOLO的绝缘子红外故障定位诊断设备的结构示意图。
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。
需要说明的是,如果不冲突,本发明实施例中的各个特征可以相互结合,均在本发明的保护范围之内。另外,虽然在***的结构示意图中进行了功能单元划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于***中的单元划分,或流程图中的顺序执行所示出或描述的步骤。
名词解释:K-means聚类是数据点到原型的某种距离作为优化的目标函数,利用函数求极值的方法得到迭代运算的调整规则,K-means算法以欧式距离作为相似度测度,它是求对应某一初始聚类中心向量最优分类,使得评价指标最小。算法采用误差平方和准则函数作为聚类准则函数。
COCO全称是Common ObjectsinCOntext,是微软团队提供的一个可以用来进行图像识别的数据集。MSCOCO数据集中的图像分为训练、验证和测试集。
感受野的定义是卷积神经网络每一层输出的特征图上的像素点在原始图像上映射的区域大小。
epoch的定义是使用训练集中的一小部分样本对模型权重进行一次反向传播的参数更新,这一小部分样本被称为“一批数据”。
参照图1,本发明实施例的一种基于YOLO的绝缘子红外故障定位诊断方法,包括以下步骤:
步骤S1,获取绝缘子红外劣化图像;
步骤S2,对所述绝缘子红外劣化图像中的故障发热点进行批量框选;
步骤S3,建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。
其中,在本实施例的步骤S3中,YOLO是一种端到端的目标检测模型,通过特征提取网络对输入特征提取特征,得到特定大小的特征图输出。输入图像分成13×13的网络单元格,如果真实框中某个绝缘子目标的中心坐标落在某个网络单元格中,那么就由该网络单元格来预测该绝缘子目标。通过采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位,实现自动对绝缘子红外图像中的故障的识别及定位诊断,节省了红外运检方法中人工排查的环节,提高了工作效率和检测准确度。
进一步,在本发明的另一个实施例中,所述获取绝缘子红外劣化图像,包括采用红外热成像技术对绝缘子进行主动热激励,使所述绝缘子内部的异性结构以表面温场变化的差异形式表现出来,从而获得绝缘子红外劣化图像。当电力设备部件中存在劣化绝缘子,劣化绝缘子的电热特征与正常的绝缘子不同,会出现过热运行的情况,因而具有异于常态的温度分布热像图,利用红外热像法通过探测待测绝缘子的红外辐射能量分布情况,将红外热辐射信号转为电信号化,从而得到待测绝缘子温升分布的热像图,依据温升曲线的异常分布,可以检测出待测设备是否劣化故障,利于维护电力***的安全。
参照图2,进一步,在本发明的另一个实施例中,所述绝缘子红外诊断训练包括以下步骤:
步骤S31a,建立以Darknet-53为基础的YOLO底层模型框架;
步骤S32a,依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
步骤S33a,依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
在本实施例中,优选地采用YOLO-V3算法,YOLO-V3整个结构中不包括池化层和全连接层。YOLO主干结构为Darknet-53网络,Darknet卷积模块是绝缘子红外诊断判定模型里最基本的网络单元,包括卷积层、batch norm(BN)层、激活函数。在对绝缘子进行红外诊断训练时,建立以Darknet-53为基础的YOLO底层模型框架;在预测支路上有张量拼接操作,其实现方法是将Darknet中间层和中间层后某一层的上采样进行拼接,通过张量拼接扩充张量的维度;依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸,优选地,所述网络节点输出尺寸,包括13×13×18,26×26×18,52×52×18,当图像训练时,统一调节随机旋转角度、曝光度、饱和度、色调等,增加训练集数量,使模型更具有普适性;随后依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,随着Batch_size增大,处理相同的数据量速度越快,达到相同精度所需要的epoch数量越多,当Batch_size增大到某个时候,达到时间上的最优;由于最终收敛精度会陷入不同的局部极值,当Batch_size增大到某个时候,达到最终收敛精度上的最优,优选地使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64;输入数据x1,…,xm(这些数据是准备进入激活函数的数据),根据数据计算数据均值、方差,对数据进行标准化,训练参数γ,β,有
β(k)=E[x(k)];
在后向传播的时候,通过链式求导方式,求出γ与β以及相关权值,其中,γ表示在垂直方向上有一定程度的放大缩小的自由度;β表示在水平方向上有一定的移动的自由度,k表示整数,y表示输出值;
YOLO算法使用均方和误差作为LOSS函数来优化模型参数,由三部分组成:坐标误差、IoU误差和分类误差,如以下公式:其中,coordError、iouError和classError分别表示预测数据与标定数据之间的坐标误差、IoU误差和分类误差。YOLO在训练过程中LOSS计算公式为:
Darknet-53网络采用全卷积结构,YOLO-V3前向传播过程中,张量的尺寸变换是通过改变卷积核的步长来实现的。卷积的步长为2,每次经过卷积之后,图像边长缩小一半;此外,Darknet-53网络引入残差结构,将训练深层网络的难度减小,有效提升精度。
参照图3-图4,进一步,在本发明的另一个实施例中,所述绝缘子红外诊断识别,包括以下步骤:
步骤S31b,通过下采样尺度设定9种不同尺寸的先验框;
步骤S32b,采用尺寸最大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸中等的三个所述先验框对26×26的特征图进行特征检测提取,采用尺寸最小的三个所述先验框对52×52的特征图进行特征检测提取,从而形成各自的特征库;
步骤S33b,采用三个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出三个尺寸的IoU值;
步骤S34b,通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
在本实施例中,YOLO-V3关于边界框的初始尺寸采用K-means聚类方式来确定,YOLO-V3选择的先验框有9个,其尺寸可以通过K-means算法在数据集上聚类得到;在COCO数据集上,9个聚类是:(10×13);(16×30);(33×23);(30×61);(62×45);(59×119);(116×90);(156×198);(373×326)。先验框与不同尺寸特征图的对应关系是:在最小的13×13特征图上应用较大的先验框(116×90),(156×198),(373×326),适合检测较大的对象;中等的26×26特征图上(中等感受野)应用中等的先验框(30×61),(62×45),(59×119),适合检测中等大小的对象;较大的52×52特征图上(较小的感受野)应用较小的先验框(10×13),(16×30),(33×23),适合检测较小的对象;即特征图越大,感受野越小,对小目标越敏感,所以选用小的锚框;特征图越小,感受野越大,对大目标越敏感,所以选用大的锚框;通过特征检测提取形成各自的特征库,三个yolo输出层分别对各自前一层的特征库进行解析,输出得到诊断预测信息和预测置信度,其映射到3个尺寸的输出张量,代表图像各个位置存在各种对象的概率;通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别,检测出异常发热绝缘子(劣化绝缘子)。
参照图5,进一步,在本发明的另一个实施例中,DBL是YOLO-V3的基本组件,主干网络中使用了5个resn结构,其中n代表正整数,有res1,res2,…,res8等,表示这个res_block里含有n个res_unit,这是YOLO-V3的大组件;输入图像经过conv层、BN层、shortcut层、route层、upsample层、yolo层;其中,shortcut层借鉴了resnet的残差结构;route层为路由层,索引到前面的特征图;upsample为双线性上采样层;yolo层为特征图解析层;concat表示张量拼接,将Darknet中间层和后面的某一层的上采样进行拼接;通过route层实现跨层连接,促进多个不同特征的融合并一起学习。
YOLO-V3用上采样的方法来实现这种多尺寸的特征图,在Darknet-53得到的特征图的基础上,经过六个DBL结构和最后一层卷积层得到第一个特征图谱,在这个特征图谱上做第一次预测。Y1支路上,从后向前的倒数第3个卷积层的输出,经过一个DBL结构和一次(2,2)上采样,将上采样特征与第2个Res8结构输出的卷积特征张量连接,经过六个DBL结构和最后一层卷积层得到第二个特征图谱,在这个特征图谱上做第二次预测;Y2支路上,从后向前倒数第3个卷积层的输出,经过一个DBL结构和一次(2,2)上采样,将上采样特征与第1个Res8结构输出的卷积特征张量连接,经过六个DBL结构和最后一层卷积层得到第三个特征图谱,在这个特征图谱上做第三次预测;通过上采样层使用两个上采样来将大分辨率特征图与小分辨率特征图有机联结,以增强对小目标的识别。
每个预测任务得到的特征大小都为N×N×[3×(4+1+80)],其中N为格子大小,3为每个格子得到的边界框数量,4是边界框坐标数量,1是目标预测值,80是类别数量;对于COCO类别而言,有80个类别的概率,所以每个框应该对每个种类都输出一个概率,所以有3×(5+80)=255。就整个网络而言,YOLO-V3输出了3个不同尺寸的特征图,例如本实施例中的y1:(13×13×255),y2:(26×26×255),y3:(52×52×255);y1,y2和y3的深度都是255,边长的规律是13:26:52。
参照图6,进一步,在本发明的另一个实施例中,随着训练的进行,绝缘子故障识别的训练效果不断优化,准确率曲线逐渐上升并呈收敛态势,最终经过微弱振荡收敛在99.8%左右,且依据不同训练速率(训练速率分别为0.05、0.01、0.005、0.001、0.0001)对比可知,选取0.01训练速率,其准确率曲线能迅速收敛并维持在较优状态,而随着训练速率的降低,模型步长较小,收敛速率减慢;当选取0.0001训练速率时,难以收敛稳定;当训练速率提升至0.05时,模型前期迅速收敛,态势良好,但随即因步长过大,难以捕捉最优权值,训练准确率迅速下跌,从而导致收敛失败。
参照图7,进一步,在本发明的另一个实施例中,通过红外诊断出的绝缘子故障位置利用框选标出,并在右上角标有识别度,与红外图像对比,采用本实施例的方法可以准确识别出绝缘子故障位置,提高工作效率及准确度。
参照图8,本发明实施例还提供了一种基于YOLO的绝缘子红外故障定位诊断装置,在该基于YOLO的绝缘子红外故障定位诊断装置1000中,包括但不限于以下单元:获取单元1100、框选单元1200、绝缘子故障定位单元1300。
其中,获取单元1100用于获取绝缘子红外劣化图像;还用于采用红外热成像技术对绝缘子进行主动热激励,使所述绝缘子内部的异性结构以表面温场变化的差异形式表现出来,从而获得绝缘子红外劣化图像;
框选单元1200用于对所述绝缘子红外劣化图像中的故障发热点进行批量框选;
绝缘子故障定位单元1300用于建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。
进一步,本发明的另一个实施例中,所述绝缘子故障定位单元1300还包括绝缘子诊断训练单元1310和绝缘子诊断识别单元1320;
其中,所述绝缘子诊断训练单元1310,用于建立以Darknet-53为基础的YOLO底层模型框架;依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数;用于网络节点输出尺寸,包括13×13×18,26×26×18,52×52×18;还用于使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64;
所述绝缘子诊断识别单元1320,用于通过下采样尺度设定9种不同尺寸的先验框;采用尺寸最大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸中等的三个所述先验框对26×26的特征图进行特征检测提取,采用尺寸最小的三个所述先验框对52×52的特征图进行特征检测提取,从而形成各自的特征库;采用三个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出三个尺寸的IoU值;通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
需要说明的是,由于本实施例中的一种基于YOLO的绝缘子红外故障定位诊断装置与上述任一实施例中的基于YOLO的绝缘子红外故障定位诊断方法基于相同的发明构思,因此,方法实施例中的相应内容同样适用于本***实施例,此处不再详述。
参照图9,本发明实施例还提供了一种基于YOLO的绝缘子红外故障定位诊断设备,该基于YOLO的绝缘子红外故障定位诊断设备6000可以是任意类型的智能终端,如手机、平板电脑、个人计算机等。
进一步地,该基于YOLO的绝缘子红外故障定位诊断设备6000包括:一个或多个处理器6001和存储器6002,图9中以一个处理器6001为例。
处理器6001和存储器6002可以通过总线或其他方式连接,图9以通过总线连接为例。
存储器6002作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态性计算机可执行程序以及单元,如本发明实施例中的基于YOLO的绝缘子红外故障定位诊断设备对应的程序指令/单元,例如,图8中所示的获取单元1100、框选单元1200。处理器6001通过运行存储在存储器6002中的非暂态软件程序、指令以及单元,从而执行基于YOLO的绝缘子红外故障定位诊断装置1000的各种功能应用以及数据处理,即实现上述方法实施例的基于YOLO的绝缘子红外故障定位诊断方法。
存储器6002可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于YOLO的绝缘子红外故障定位诊断装置1000的使用所创建的数据等。此外,存储器6002可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器6002可选包括相对于处理器6001远程设置的存储器,这些远程存储器可以通过网络连接至该基于YOLO的绝缘子红外故障定位诊断设备6000。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器6002中,当被所述一个或者多个处理器6001执行时,执行上述任意方法实施例中的基于YOLO的绝缘子红外故障定位诊断方法。例如,执行以上描述的图1中的方法步骤S1至S3,图2中的方法步骤S31a至S33a,图3中的方法步骤S31b至S34b,实现图8中的单元1100-1300的功能。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例如,被图9中的一个处理器6001执行,可使得上述一个或多个处理器6001执行上述方法实施例中的基于YOLO的绝缘子红外故障定位诊断方法,例如,执行以上描述的图1中的方法步骤S1至S3,图2中的方法步骤S31a至S33a,图3中的方法步骤S31b至S34b,实现图8中的单元1100-1300的功能。
本发明实施例还提供了一种计算机程序产品,所述计算机程序产品包括存储在计算机可读存储介质上的计算机程序,计算机程序包括程序指令,当程序指令被计算机执行,例如,被图9中的一个处理器6001执行,使得计算机执行如上述基于YOLO的绝缘子红外故障定位诊断方法。例如,执行以上描述的图1中的方法步骤S1至S3,图2中的方法步骤S31a至S33a,图3中的方法步骤S31b至S34b,实现图8中的单元1100-1300的功能。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
通过以上的实施方式的描述,本领域普通技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
以上是对本发明的较佳实施进行了具体说明,但本发明并不局限于上述实施方式,熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.基于YOLO的绝缘子红外故障定位诊断方法,其特征在于,包括以下步骤:
获取绝缘子红外劣化图像;
对所述绝缘子红外劣化图像中的故障发热点进行批量框选;
建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。
2.根据权利要求1所述的基于YOLO的绝缘子红外故障定位诊断方法,其特征在于,所述获取绝缘子红外劣化图像,包括采用红外热成像技术对绝缘子进行主动热激励,使所述绝缘子内部的异性结构以表面温场变化的差异形式表现出来,从而获得绝缘子红外劣化图像。
3.根据权利要求1所述的基于YOLO的绝缘子红外故障定位诊断方法,其特征在于,所述绝缘子红外诊断训练包括以下步骤:
建立以Darknet-53为基础的YOLO底层模型框架;
依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;
依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数。
4.根据权利要求3所述的基于YOLO的绝缘子红外故障定位诊断方法,其特征在于,所述网络节点输出尺寸,包括13×13×18,26×26×18,52×52×18。
5.根据权利要求3所述的基于YOLO的绝缘子红外故障定位诊断方法,其特征在于,所述放缩所述图像,依据所述网络节点选择Batch_size,包括使所述图像放缩在100-280之间,依据所述网络节点选择Batch64。
6.根据权利要求4所述的基于YOLO的绝缘子红外故障定位诊断方法,其特征在于,所述绝缘子红外诊断识别,包括以下步骤:
通过下采样尺度设定9种不同尺寸的先验框;
采用尺寸最大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸中等的三个所述先验框对26×26的特征图进行特征检测提取,采用尺寸最小的三个所述先验框对52×52的特征图进行特征检测提取,从而形成各自的特征库;
采用三个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出三个尺寸的IoU值;
通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
7.基于YOLO的绝缘子红外故障定位诊断装置,其特征在于,包括以下单元:
获取单元,用于获取绝缘子红外劣化图像;还用于采用红外热成像技术对绝缘子进行主动热激励,使所述绝缘子内部的异性结构以表面温场变化的差异形式表现出来,从而获得绝缘子红外劣化图像;
框选单元,用于对所述绝缘子红外劣化图像中的故障发热点进行批量框选;
绝缘子故障定位单元,用于建立绝缘子红外劣化识别库,采用YOLO算法对所述绝缘子红外劣化识别库进行绝缘子红外诊断训练和绝缘子红外诊断识别,从而完成绝缘子红外故障定位。
8.根据权利要求7所述的基于YOLO的绝缘子红外故障定位诊断装置,其特征在于,所述绝缘子故障定位单元还包括绝缘子诊断训练单元和绝缘子诊断识别单元;
所述绝缘子诊断训练单元,用于建立以Darknet-53为基础的YOLO底层模型框架;依据劣化绝缘子的红外特征确立若干个网络节点输出尺寸;依据训练图像的大小调节参数,放缩所述图像,依据所述网络节点选择Batch_size,通过前向传播和后向传播迭代进行训练,当训练达到最优IoU及最低LOSS值时,保存权重并退出训练;其中IoU表示图像处理的交并比;LOSS表示网络实际输出值与样本标签值之间的偏差;Batch_size表示一次训练所选取的样本数;用于网络节点输出尺寸,包括13×13×18,26×26×18,52×52×18;还用于使所述图像放缩在100-280之间,依据所述网络节点选择Batch 64;
所述绝缘子诊断识别单元,用于通过下采样尺度设定9种不同尺寸的先验框;采用尺寸最大的三个所述先验框对13×13的特征图进行特征检测提取,采用尺寸中等的三个所述先验框对26×26的特征图进行特征检测提取,采用尺寸最小的三个所述先验框对52×52的特征图进行特征检测提取,从而形成各自的特征库;采用三个YOLO输出层分别对各自前一层的特征库进行解析,输出诊断预测信息和预测置信度,输出三个尺寸的IoU值;通过横向比较不同尺寸下IoU值,完成绝缘子红外诊断识别。
9.基于YOLO的绝缘子红外故障定位诊断设备,其特征在于,包括:
至少一个处理器和用于与所述至少一个处理器所通信连接的存储器;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如权利要求1-6任一项所述基于YOLO的绝缘子红外故障定位诊断方法。
10.一种计算机可读存储介质,其特征在于:所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行如权利要求1-6任一项所述基于YOLO的绝缘子红外故障定位诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066299.XA CN110780164B (zh) | 2019-11-04 | 2019-11-04 | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911066299.XA CN110780164B (zh) | 2019-11-04 | 2019-11-04 | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110780164A true CN110780164A (zh) | 2020-02-11 |
CN110780164B CN110780164B (zh) | 2022-03-25 |
Family
ID=69388878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911066299.XA Active CN110780164B (zh) | 2019-11-04 | 2019-11-04 | 基于yolo的绝缘子红外故障定位诊断方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110780164B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111561967A (zh) * | 2020-05-25 | 2020-08-21 | 山东万腾智能科技有限公司 | 弓网运行状态实时在线检测方法及*** |
CN112036464A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 |
CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN112649704A (zh) * | 2020-12-15 | 2021-04-13 | 国网青海省电力公司 | 复合绝缘子缺陷检测设备、方法及无人机 |
CN113484635A (zh) * | 2021-06-17 | 2021-10-08 | 海南电网有限责任公司电力科学研究院 | 绝缘子异常发热热源及其材料劣化特征分析方法 |
CN113884827A (zh) * | 2021-09-28 | 2022-01-04 | 华北电力大学(保定) | 一种基于yolo的绝缘子紫外故障诊断方法及装置 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040061917A1 (en) * | 2001-01-30 | 2004-04-01 | Yoshihiro Mushika | Variable mirror and information apparatus comprising variable mirror |
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN106124949A (zh) * | 2016-08-30 | 2016-11-16 | 国网山东省电力公司济南供电公司 | 一种基于热红外成像技术对绝缘子故障在线监测方法 |
CN106969836A (zh) * | 2017-03-21 | 2017-07-21 | 华北电力大学(保定) | 一种绝缘子发热点的检测方法 |
CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
CN107766801A (zh) * | 2017-09-28 | 2018-03-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于红外热点追踪的绝缘子识别方法及装置 |
CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
CN109635875A (zh) * | 2018-12-19 | 2019-04-16 | 浙江大学滨海产业技术研究院 | 一种基于深度学习的端到端网口检测方法 |
CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断*** |
CN109858569A (zh) * | 2019-03-07 | 2019-06-07 | 中国科学院自动化研究所 | 基于目标检测网络的多标签物体检测方法、***、装置 |
CN110084831A (zh) * | 2019-04-23 | 2019-08-02 | 江南大学 | 基于YOLOv3多伯努利视频多目标检测跟踪方法 |
CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
-
2019
- 2019-11-04 CN CN201911066299.XA patent/CN110780164B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040061917A1 (en) * | 2001-01-30 | 2004-04-01 | Yoshihiro Mushika | Variable mirror and information apparatus comprising variable mirror |
CN103413139A (zh) * | 2013-06-28 | 2013-11-27 | 广东电网公司电力科学研究院 | 基于电力巡线红外巡检视频数据的电力设备异常发热检测方法 |
CN106124949A (zh) * | 2016-08-30 | 2016-11-16 | 国网山东省电力公司济南供电公司 | 一种基于热红外成像技术对绝缘子故障在线监测方法 |
CN106969836A (zh) * | 2017-03-21 | 2017-07-21 | 华北电力大学(保定) | 一种绝缘子发热点的检测方法 |
CN107316010A (zh) * | 2017-06-13 | 2017-11-03 | 武汉理工大学 | 一种识别前方车辆尾灯及判断其状态的方法 |
CN107766801A (zh) * | 2017-09-28 | 2018-03-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于红外热点追踪的绝缘子识别方法及装置 |
CN108734117A (zh) * | 2018-05-09 | 2018-11-02 | 国网浙江省电力有限公司电力科学研究院 | 基于yolo的电缆设备外部腐蚀破损识别方法 |
CN109101906A (zh) * | 2018-07-27 | 2018-12-28 | 中国南方电网有限责任公司超高压输电公司贵阳局 | 一种变电站电力设备红外图像异常实时检测方法及装置 |
CN109635875A (zh) * | 2018-12-19 | 2019-04-16 | 浙江大学滨海产业技术研究院 | 一种基于深度学习的端到端网口检测方法 |
CN109583517A (zh) * | 2018-12-26 | 2019-04-05 | 华东交通大学 | 一种适用于小目标检测的增强的全卷积实例语义分割算法 |
CN109828845A (zh) * | 2019-03-01 | 2019-05-31 | 长沙理工大学 | 一种基于边缘计算的绝缘子热成像实时诊断*** |
CN109858569A (zh) * | 2019-03-07 | 2019-06-07 | 中国科学院自动化研究所 | 基于目标检测网络的多标签物体检测方法、***、装置 |
CN110084831A (zh) * | 2019-04-23 | 2019-08-02 | 江南大学 | 基于YOLOv3多伯努利视频多目标检测跟踪方法 |
CN110334661A (zh) * | 2019-07-09 | 2019-10-15 | 国网江苏省电力有限公司扬州供电分公司 | 基于深度学习的红外输变电异常发热点目标检测方法 |
Non-Patent Citations (3)
Title |
---|
HAIPENG CHEN ET AL.: "Research on Recognition Method of Electrical Components Based on YOLO V3", 《SPECIAL SECTION ON ARTIFICIAL INTELLIGENCE TECHNOLOGIES FOR ELECTRIC》 * |
刘云鹏 等: "基于深度学习的输变电设备异常发热点红外图片目标检测方法", 《南方电网技术》 * |
谭俊: "一个改进的 YOLOv3 目标识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111561967A (zh) * | 2020-05-25 | 2020-08-21 | 山东万腾智能科技有限公司 | 弓网运行状态实时在线检测方法及*** |
CN112036464A (zh) * | 2020-08-26 | 2020-12-04 | 国家电网有限公司 | 一种基于YOLOv3-tiny算法的绝缘子红外图像故障检测方法 |
CN112200178A (zh) * | 2020-09-01 | 2021-01-08 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN112200178B (zh) * | 2020-09-01 | 2022-10-11 | 广西大学 | 基于人工智能的变电站绝缘子红外图像检测方法 |
CN112649704A (zh) * | 2020-12-15 | 2021-04-13 | 国网青海省电力公司 | 复合绝缘子缺陷检测设备、方法及无人机 |
CN113484635A (zh) * | 2021-06-17 | 2021-10-08 | 海南电网有限责任公司电力科学研究院 | 绝缘子异常发热热源及其材料劣化特征分析方法 |
CN113884827A (zh) * | 2021-09-28 | 2022-01-04 | 华北电力大学(保定) | 一种基于yolo的绝缘子紫外故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110780164B (zh) | 2022-03-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110780164B (zh) | 基于yolo的绝缘子红外故障定位诊断方法及装置 | |
CN112927357B (zh) | 一种基于动态图网络的3d物体重建方法 | |
EP3506161A1 (en) | Method and apparatus for recovering point cloud data | |
CN113837361A (zh) | 一种空气污染物浓度预测方法及*** | |
CN113807350A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
CN112528974B (zh) | 测距方法、装置、电子设备及可读存储介质 | |
CN114565655A (zh) | 一种基于金字塔分割注意力的深度估计方法及装置 | |
CN112733386B (zh) | 一种基于深度神经网络的多组分反应性溶质运移参数反演方法 | |
US20220172046A1 (en) | Learning system, data generation apparatus, data generation method, and computer-readable storage medium storing a data generation program | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
CN115861210B (zh) | 一种基于孪生网络的变电站设备异常检测方法和*** | |
CN116681885B (zh) | 输变电设备红外图像目标识别方法及*** | |
CN111444923A (zh) | 自然场景下图像语义分割方法和装置 | |
CN114066959A (zh) | 基于Transformer的单幅条纹图深度估计方法 | |
CN114663880A (zh) | 基于多层级跨模态自注意力机制的三维目标检测方法 | |
EP2758940B1 (en) | Bayesian approach for gas concentration reconstruction based on tunable diode laser absorption spectroscopy | |
CN113012107B (zh) | 电网缺陷检测方法及*** | |
CN117131348B (zh) | 基于差分卷积特征的数据质量分析方法及*** | |
CN111553954B (zh) | 一种基于直接法单目slam的在线光度标定方法 | |
CN112668596B (zh) | 三维物体识别方法及装置、识别模型训练方法及装置 | |
CN113052295A (zh) | 一种神经网络的训练方法、物体检测方法、装置及设备 | |
CN115311168A (zh) | 面向多视角视觉***的深度估计方法、电子设备及介质 | |
CN115222691A (zh) | 图像缺陷检测方法、***及相关装置 | |
CN110145695B (zh) | 一种基于深度置信网络信息融合的供暖管道泄漏检测方法 | |
CN110705695A (zh) | 搜索模型结构的方法、装置、设备和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |