CN112132826A - 基于人工智能的杆塔附件缺陷巡检图像排查方法及*** - Google Patents
基于人工智能的杆塔附件缺陷巡检图像排查方法及*** Download PDFInfo
- Publication number
- CN112132826A CN112132826A CN202011082916.8A CN202011082916A CN112132826A CN 112132826 A CN112132826 A CN 112132826A CN 202011082916 A CN202011082916 A CN 202011082916A CN 112132826 A CN112132826 A CN 112132826A
- Authority
- CN
- China
- Prior art keywords
- accessory
- image
- defect
- images
- module
- 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.)
- Pending
Links
- 230000007547 defect Effects 0.000 title claims abstract description 68
- 238000007689 inspection Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 17
- 238000013024 troubleshooting Methods 0.000 title claims abstract description 15
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 230000002093 peripheral effect Effects 0.000 claims abstract description 6
- 230000009466 transformation Effects 0.000 claims abstract description 5
- 238000002372 labelling Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 125000006850 spacer group Chemical group 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于人工智能的杆塔附件缺陷巡检图像排查方法及***,包括如下步骤:收集杆塔上各类型附件的图像,对图像中的附件标注***框,将标注后的图像分为训练集和测试集;建立卷积神经网络,将训练集输入卷积神经网络利用R‑CNN算法建立附件缺陷识别模型;设定判别阈值,将测试集输入附件缺陷识别模型中进行缺陷识别,将测试集中已标注的图像与缺陷识别结果进行对比计算判别准确率;将判别准确率与判别阈值进行比较,若判别准确率大于判别阈值,采集新的图像进行缺陷判别,否则采用弹性变换算法对训练集中的图像进行更新,利用更新后胡训练集对模型重新训练。本发明能快速精准帮助运维员判断缺陷类型,便于及时有效的消除缺陷。
Description
技术领域
本发明属于电网设备状态检测技术领域,具体涉及一种基于人工智能的杆塔附件缺陷巡检图像排查***及方法。
背景技术
随着人工智能技术领域的不断革新,采用图像识别等新技术推动电力输电巡检业务发展成为近年来电网行业的重大课题。输电线路运行状态识别智能化工作的主要内容包括输电线路运行状态识别智能化、输电线路缺陷识别智能化和输电线路隐患识别智能化三个方面。传统的模式识别技术已经无法满足新形势下的输电立体化巡检发展需求,无法高精准的对小部件、复杂背景缺陷、隐患等进行识别,需要结合人工智能技术对架空输电线路设备本体缺陷及通道环境内的异常及风险情况进行识别分析。
发明内容
针对传统模式识别技术无法高精准识别小部件缺陷及隐患的问题,本发明提出了一种基于人工智能的杆塔附件缺陷巡检图像排查***及方法。
为解决以上技术问题,本发明所采用的技术方案如下:
一种基于人工智能的杆塔附件缺陷巡检图像排查***,包括如下步骤:
S1,收集杆塔上各类型附件的图像,并对图像中的附件进行***框标注,将标注后的图像分为训练集和测试集;
S2,建立卷积神经网络,将步骤S1中的训练集输入卷积神经网络利用R-CNN算法建立附件缺陷识别模型;
S3,设定判别阈值,将测试集输入步骤S2所建立的附件缺陷识别模型中进行缺陷识别,将测试集中已标注的图像与所输出的缺陷识别结果进行对比计算判别准确率;
S4,将步骤S3所获得的判别准确率与判别阈值进行比较,若判别准确率大于判别阈值,执行步骤S5,否则返回步骤S2,并采用弹性变换算法对训练集中的图像进行更新;
S5,采集新的图像,利用附件缺陷识别模型对新的图像进行缺陷识别,输出附件类型及对应的缺陷图像。
在步骤S1中,各类型附件是指间隔棒、防震锤和均压环。
在步骤S2中,建立附件缺陷识别模型的方法包括以下步骤:
S2.1,利用DPM算法从训练集的图像中分别提取候选区域;
S2.2,对每个候选区域分别采用卷积神经网络进行特征提取,输出高维的特征向量;
S2.3,将高维的特征向量送入线性分类器计算得分,根据得分判断出包含附件的最优候选区域;
每个附件均对应于一个线性分类器,将每个高维的特征向量均送入所有线性分类器中计算得分,对打好分的区域使用非极大抑制算法得到包含附件的最优候选区域;
S2.4,对步骤S2.3中的最优候选区域在卷积神经网络上进行线性回归得到附件缺陷识别模型。
所述判别阈值为90%。
以上所述的基于人工智能的杆塔附件缺陷巡检图像排查方法所采用的***,包括巡检图像采集模块,巡检图像采集模块采集附件的图像,将图像发送给图像识别模块,图像识别模块对图像进行处理发送给特征提取模块;所述图像存储模块中存储有标准附件图像,特征提取模块对处理后的图像进行附件特征提取并发送给缺陷识别模型建立模块,缺陷识别模型建立模块与图像输出模块相连接。
所述图像输出模块与故障报修模块连接,故障报修模块通过无线通信模块与终端连接
本发明的有益效果:
本发明利用R-CNN算法可快速建立缺陷识别模型,基于缺陷识别模型精准地判断缺陷图像及对应的附件类型,方便运维人员根据结果及时、有效、有针对性地开展消除缺陷及风险隐患排除工作,确保电力***的安全稳定运行。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动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。
实施例1:一种基于人工智能的杆塔附件缺陷巡检图像排查方法,如图1所示,包括如下步骤:
S1,收集杆塔上各类型附件的图像,并对图像中的附件进行***框标注,将标注后的图像分为训练集和测试集;
各类型附件是指间隔棒、防震锤和均压环,附件的图像采用旋翼无人机、直升机或者人工拍摄获取,从季节上涵盖春、夏、秋、冬四个季节下的各种环境下的图像;在对图像中的附件进行***框标注时,对训练集中的每张图片里完整出现的没有被遮挡的附件直接标记其***框,不完整或被遮挡的附件不进行标记;而对测试集,要标出每张图片里出现的所有附件,包括完整的、不完整的、被遮挡的附件。
S2,建立卷积神经网络,将步骤S1中的训练集输入卷积神经网络利用R-CNN算法建立附件缺陷识别模型;
建立附件缺陷识别模型的方法为:
S2.1,利用DPM算法从训练集的图像中分别提取候选区域;
S2.2,对每个候选区域分别采用卷积神经网络进行特征提取,输出高维的特征向量;
S2.3,将高维的特征向量送入线性分类器计算得分,根据得分判断出包含附件的最优候选区域;
每个附件均对应于一个线性分类器,将每个高维的特征向量均送入所有线性分类器中计算得分,对打好分的区域使用非极大抑制算法得到包含附件的最优候选区域;
S2.4,对步骤S2.3中的最优候选区域在卷积神经网络上进行线性回归得到附件缺陷识别模型。
S3,设定判别阈值,将测试集输入步骤S2所建立的附件缺陷识别模型中进行缺陷识别,将测试集中已标注的图像与所输出的缺陷识别结果进行对比计算判别准确率;
本实施例中,所述判别阈值为90%。
S4,将步骤S3所获得的判别准确率与判别阈值进行比较,若判别准确率大于判别阈值,执行步骤S5,否则返回步骤S2,并采用弹性变换算法对训练集中的图像进行更新;
采用弹性变换算法可以对训练集中的图像进行扩容,以获取更佳的附件缺陷识别模型。
S5,采集新的图像,利用附件缺陷识别模型对新的图像进行缺陷识别,输出附件类型及对应的缺陷图像。
实施例2:一种基于人工智能的杆塔附件缺陷巡检图像排查***,包括巡检图像采集模块,巡检图像采集模块采集附件的图像,将图像发送给图像识别模块,图像识别模块对图像进行处理发送给特征提取模块;所述图像存储模块中存储有标准附件图像,特征提取模块对处理后的图像进行附件特征提取并发送给缺陷识别模型建立模块,缺陷识别模型建立模块与图像输出模块相连接,缺陷识别模型建立模块所判别的缺陷识别结果通过图像输出模块输出并显示给运维人员,方便查看及时维修。
所述图像输出模块与故障报修模块连接,故障报修模块通过无线通信模块与终端连接;故障报修模块根据图像输出模块中的缺陷识结果发送相关的信息给到终端,方便运维人员从终端直接查看电网状态。
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、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种基于人工智能的杆塔附件缺陷巡检图像排查方法,其特征在于,包括如下步骤:
S1,收集杆塔上各类型附件的图像,并对图像中的附件进行***框标注,将标注后的图像分为训练集和测试集;
S2,建立卷积神经网络,将步骤S1中的训练集输入卷积神经网络利用R-CNN算法建立附件缺陷识别模型;
S3,设定判别阈值,将测试集输入步骤S2所建立的附件缺陷识别模型中进行缺陷识别,将测试集中已标注的图像与所输出的缺陷识别结果进行对比计算判别准确率;
S4,将步骤S3所获得的判别准确率与判别阈值进行比较,若判别准确率大于判别阈值,执行步骤S5,否则返回步骤S2,并采用弹性变换算法对训练集中的图像进行更新;
S5,采集新的图像,利用附件缺陷识别模型对新的图像进行缺陷识别,输出附件类型及对应的缺陷图像。
2.根据权利要求1所述的基于人工智能的杆塔附件缺陷巡检图像排查方法,其特征在于,在步骤S1中,各类型附件是指间隔棒、防震锤和均压环。
3.根据权利要求1或2所述的基于人工智能的杆塔附件缺陷巡检图像排查方法,其特征在于,在步骤S2中,建立附件缺陷识别模型的方法包括以下步骤:
S2.1,利用DPM算法从训练集的图像中分别提取候选区域;
S2.2,对每个候选区域分别采用卷积神经网络进行特征提取,输出高维的特征向量;
S2.3,将高维的特征向量送入线性分类器计算得分,根据得分判断出包含附件的最优候选区域;
每个附件均对应于一个线性分类器,将每个高维的特征向量均送入所有线性分类器中计算得分,对打好分的区域使用非极大抑制算法得到包含附件的最优候选区域;
S2.4,对步骤S2.3中的最优候选区域在卷积神经网络上进行线性回归得到附件缺陷识别模型。
4.根据权利要求3述的基于人工智能的杆塔附件缺陷巡检图像排查方法,其特征在于,所述判别阈值为90%。
5.根据权利要求1所述的基于人工智能的杆塔附件缺陷巡检图像排查方法所采用的***,其特征在于,包括巡检图像采集模块,巡检图像采集模块采集附件的图像,将图像发送给图像识别模块,图像识别模块对图像进行处理发送给特征提取模块;所述图像存储模块中存储有标准附件图像,特征提取模块对处理后的图像进行附件特征提取并发送给缺陷识别模型建立模块,缺陷识别模型建立模块与图像输出模块相连接。
6.根据权利要求5所述的基于人工智能的杆塔附件缺陷巡检图像排查方法所采用的***,其特征在于,所述图像输出模块与故障报修模块连接,故障报修模块通过无线通信模块与终端连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082916.8A CN112132826A (zh) | 2020-10-12 | 2020-10-12 | 基于人工智能的杆塔附件缺陷巡检图像排查方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011082916.8A CN112132826A (zh) | 2020-10-12 | 2020-10-12 | 基于人工智能的杆塔附件缺陷巡检图像排查方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132826A true CN112132826A (zh) | 2020-12-25 |
Family
ID=73844177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011082916.8A Pending CN112132826A (zh) | 2020-10-12 | 2020-10-12 | 基于人工智能的杆塔附件缺陷巡检图像排查方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132826A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563735A (zh) * | 2023-05-15 | 2023-08-08 | 国网电力空间技术有限公司 | 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
CN109376768A (zh) * | 2018-09-21 | 2019-02-22 | 福州大学 | 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法 |
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及*** |
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
CN110378222A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种输电线路防震锤目标检测与缺陷识别方法及装置 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
-
2020
- 2020-10-12 CN CN202011082916.8A patent/CN112132826A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106504233A (zh) * | 2016-10-18 | 2017-03-15 | 国网山东省电力公司电力科学研究院 | 基于Faster R‑CNN的无人机巡检图像电力小部件识别方法及*** |
CN109376768A (zh) * | 2018-09-21 | 2019-02-22 | 福州大学 | 一种基于深度学习的航拍图像杆塔标识牌故障诊断方法 |
CN109785288A (zh) * | 2018-12-17 | 2019-05-21 | 广东电网有限责任公司 | 基于深度学习的输电设备缺陷检测方法及*** |
CN110135273A (zh) * | 2019-04-19 | 2019-08-16 | 中铁第一勘察设计院集团有限公司 | 接触网视频图像云端智能监测与故障识别方法 |
CN110378222A (zh) * | 2019-06-14 | 2019-10-25 | 安徽南瑞继远电网技术有限公司 | 一种输电线路防震锤目标检测与缺陷识别方法及装置 |
CN111353413A (zh) * | 2020-02-25 | 2020-06-30 | 武汉大学 | 一种输电设备低漏报率缺陷识别方法 |
Non-Patent Citations (2)
Title |
---|
汤踊等: "深度学习在输电线路中部件识别与缺陷检测的研究", 《电子测量技术》 * |
王万国等: "基于RCNN的无人机巡检图像电力小部件识别研究", 《地球信息科学》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116563735A (zh) * | 2023-05-15 | 2023-08-08 | 国网电力空间技术有限公司 | 一种基于深度人工智能的输电杆塔巡检图像对焦判断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111307823B (zh) | 基于边云协同的变电设备典型视觉缺陷检测***及方法 | |
CN110033453A (zh) | 基于改进YOLOv3的输变电线路绝缘子航拍图像故障检测方法 | |
CN110569841B (zh) | 基于卷积神经网络的接触网关键部件目标检测方法 | |
CN110807460B (zh) | 一种基于图像识别的变电站智能巡视***及其应用方法 | |
CN111797725A (zh) | 一种设备状态检测方法、装置及*** | |
CN113485432A (zh) | 一种基于无人机的光伏电站电致发光智能诊断***及方法 | |
CN114998234A (zh) | 一种基于数据增强策略的自监督弹簧缺陷检测方法 | |
CN113515655A (zh) | 一种基于图像分类的故障识别方法及装置 | |
CN110942221A (zh) | 一种基于物联网的变电站故障快速修复方法 | |
CN111862065A (zh) | 基于多任务深度卷积神经网络的输电线路诊断方法和*** | |
CN113298077A (zh) | 一种基于深度学习的变电站异物识别定位方法及装置 | |
CN112132826A (zh) | 基于人工智能的杆塔附件缺陷巡检图像排查方法及*** | |
CN110618129A (zh) | 一种电网线夹自动检测与缺陷识别方法及装置 | |
CN112260402B (zh) | 基于视频监控的变电站智能巡检机器人状态的监控方法 | |
CN117114420A (zh) | 一种基于图像识别的工贸安全事故风险管控***和方法 | |
CN113536842A (zh) | 电力作业人员安全着装识别方法及装置 | |
CN115410154A (zh) | 一种风电机舱电气设备热故障识别方法 | |
CN115100592A (zh) | 一种输电通道外破隐患识别方法、装置及存储介质 | |
CN111126405B (zh) | 换流站监控故障报警信息实时扫描与更新推送方法 | |
CN103198325A (zh) | 蓝藻水华监测*** | |
CN113139476A (zh) | 一种面向数据中心的人体行为属性实时检测方法和*** | |
CN113297914B (zh) | 一种配网现场作业验电动作识别方法 | |
CN113449767A (zh) | 一种多图像融合的变电站设备异常识别定位方法 | |
CN112714284A (zh) | 一种电力设备检测方法、装置及移动终端 | |
CN114528892A (zh) | 一种基于深度学习的图像识别方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201225 |