CN115953486B - 一种直流t型直线塔部件巡检图像自动编码方法 - Google Patents
一种直流t型直线塔部件巡检图像自动编码方法 Download PDFInfo
- Publication number
- CN115953486B CN115953486B CN202211741063.3A CN202211741063A CN115953486B CN 115953486 B CN115953486 B CN 115953486B CN 202211741063 A CN202211741063 A CN 202211741063A CN 115953486 B CN115953486 B CN 115953486B
- Authority
- CN
- China
- Prior art keywords
- tower
- model
- inspection
- phase
- shaped tangent
- 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.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000013507 mapping Methods 0.000 claims abstract description 35
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 239000012212 insulator Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000003062 neural network model Methods 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000002146 bilateral effect Effects 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 10
- 238000002372 labelling Methods 0.000 description 4
- 238000013480 data collection Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 241000282326 Felis catus Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000011514 reflex Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种直流T型直线塔部件巡检图像自动编码方法，涉及电力***及图像处理技术领域，采用如下步骤：采集直流T型直线塔部件巡检图像的巡检数据；基于深度卷积神经网络的杆塔部件识别模型训练流程；直流T型直线塔部件映射流程；它包括直流T型直线塔部件巡检图像采集流程；基于深度卷积神经网络的杆塔部件识别模型训练流程，其中包括数据整理，数据预处理，模型训练，模型导出流程；直流T型直线塔部件映射流程。本发明在模型训练完成部署之后，可以对巡检产生的直流T型直线塔部件图像进行全自动的部件编码处理，可以大大提高巡检图像处理的速度，降低整个流程对人工干预的需求。
Description
技术领域
本发明涉及电力***及图像处理技术领域，具体涉及一种基于深度模型的直流T型直线塔部件巡检图像自动编码方法。
背景技术
电力***巡检作业中采用巡查分离模式以实现直升机巡检中图片采集、查缺流程的规范化、体系化。巡检过程中利用人力驾驶直升机对杆塔部件进行巡飞，并同时于直升机上采集相关杆塔所有部件图像，供后期对杆塔部件进行检视使用。
杆塔根据其外形，输电线路标准，线路中的作用等不同，可以分为猫头塔，酒杯塔，门型塔，T字塔，干字直线塔，直流同塔并架直线塔，直流同塔并架耐张塔，交流同塔并架直线塔，交流同塔并架耐张塔，直流干字耐张塔，交流干字耐张塔，拉V塔，上字塔，直流紧凑型耐张塔，直流紧凑型直线塔等15种塔型。每种塔型部件不尽相同，同时巡检的要求也有所区别。针对其中的直流T型直线塔部件，国内巡检工作中，暂无文字规范对直流T型直线塔部件拍摄流程进行规范化，标准化。
巡检图像采集之后，需进行杆塔部件标注，以往该工作均人工进行，重复工作较多且效率低下，成本较高。公开专利CN 115240092 A公布了一种检测输电杆塔是否有环形销的方法，并未提出整个杆塔所有部件的标注方法，同时也未给出巡检过程中杆塔图像的拍摄规范。公开专利CN 105023014 A使用传统机器视觉方法对杆塔部件部分部件如绝缘子，金具等进行识别。公开专利CN106295655A通过传统机器视觉方式对杆塔图像背景进行剔除，尝试对杆塔中导线部分进行提取。
自2012年开始，基于卷积神经网络的深度人工智能因其优异的图像识别能力，开始广泛应用于工业图像处理任务当中，并取得卓越成就。国内暂未有使用深度模型对直流T型直线塔部件巡检图像全部部件进行自动标注的工作和相关研究。
发明内容
本发明的目的在于针对现有技术的缺陷和不足，提供一种直流T型直线塔部件巡检图像自动编码方法。
本发明所述的一种直流T型直线塔部件巡检图像自动编码方法，其采用如下步骤：
S10：直流T型直线塔部件巡检图像的巡检数据采集过程；
S20：对采集到的直流T型直线塔部件巡检图像的巡检数据进行预处理得到训练数据集，基于深度卷积神经网络训练得到杆塔部件识别模型；
S30：直流T型直线塔部件映射流程：采用部件编码映射逻辑，针对直流T型直线塔部件识别模型输出的识别结果进行编码。
进一步地，步骤S10采用如下步骤：
S101：采用单侧巡视和双侧巡视的方式采集巡检图像；
S102：数据采集中，直流T型直线塔部件的拍摄按照由远及近，由高到低的原则进行；
S103：由巡检人员使用可见光摄影器材进行拍摄，形成单侧巡视图像信息、双侧巡视图像信息，形成直流T型直线塔部件巡检图像采集流程。
更进一步地，步骤S10中的单侧巡视时，巡视直流T型直线塔的左右双相；双侧巡视时，只巡视直流T型直线塔的左/右相，不会同时巡视两相。
进一步地，步骤S20采用如下步骤：
S201：标签整理：对采集到的直流T型直线塔部件巡检图像的巡检数据进行标签整理；
S202：数据预处理：对标签整理后的图像进行随机颜色、随机左右30度旋转以及随机模糊处理，得到处理后的数据集；
S203：模型训练；使用深度卷积神经网络模型MobileNetV3对预处理后的数据集进行学习训练，得到训练后的神经网络模型MobileNetV3；
S204：模型导出；将训练后的神经网络模型MobileNetV3中与训练相关的参数剔除，只保留模型结构和权重，并集成到后续部件映射逻辑中进行使用。
更进一步地，步骤S201的标签整理，采用如下步骤：
(1)以直流T型直线塔本身绕中心线左右对称，仅靠直升机巡视过程中所拍摄图片中，只能区分所拍摄部件为靠近拍摄者的一相即近相，或远离拍摄者的一相即远相；
(2)部分杆塔左右部件，模型输出编码为远近相两种；即左侧拍左相部件为近相，右侧拍右相部件也为近相；在右侧拍左部件，左侧拍右部件均为远相；
(3)针对对称塔型中的左右部件，使用远近来编码表述图片中的左右信息，形成巡视相别、巡视侧图像信息。
进一步的，步骤S203中的模型训练过程包括：
将处理后的数据集划分为训练集和验证集；
首先从训练集数据中提取一个小批次的数据，将小批次数据送入神经网络模型MobileNetV3进行前向计算；
对MobileNetV3模型输出的结果进行计算，得到其与标注数据的误差；
对计算产生的误差，使用反向传播算法进行梯度更新；
重复上述过程，直到所有的训练集数据运行一次称为一个轮次；
每个轮次之后，使用验证集数据对模型的结果进行验证，得到模型的评估指标；
训练过程中，针对评估指标的变化，适当调整模型的学习率指标。
进一步地，步骤S30采用如下步骤：采用部件编码映射逻辑，针对直流T型直线塔部件识别模型输出的识别结果进行编码，编码过程中需要输入巡检相关信息，包括：单双侧巡视，巡视相别，巡视侧别；编码规则中，根据巡视信息的不同，对模型输出的部件识别结果进行编码。
更进一步地，部件编码映射逻辑具体为：
单侧巡视时，模型识别结果包含远近双相部件；
左侧巡视时：远侧部件为杆塔右相部件；近侧部件为杆塔左相部件；
右侧巡视时：远侧部件为杆塔左相部件；近侧部件为杆塔右相部件；
单侧巡视的时候绝缘子串只有直串类型，不会出现V串类型；
双侧巡视时，模型识别结果应只包含近相或者远相部件，映射规则与单侧巡视相同；双侧巡视时，线路属于特高压线路，绝缘子串只会出现V串类型，不会出现直串型。
本发明有益效果为：本发明所述的一种直流T型直线塔部件巡检图像自动编码方法，它包括直流T型直线塔部件巡检图像采集流程；基于深度卷积神经网络的杆塔部件识别模型训练流程，其中包括数据整理，数据预处理，模型训练，模型导出流程；直流T型直线塔部件映射流程。本发明在模型训练完成部署之后，可以对直升机巡检产生的直流T型直线塔部件图像进行全自动的部件编码处理，可以大大提高巡检图像处理的速度，降低整个流程对人工干预的需求。
附图说明
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1直流T型直线塔部件巡检图像自动编码方法处理步骤；
图2单侧巡视直流T型直线塔照关键点及流程示意图；
图3双侧巡视特高压直流T型直线塔拍照关键点及流程示意图。
具体实施方式
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
实施例1
本实施例中提供了一种直流T型直线塔部件巡检图像自动编码方法，如图1所示，包括如下步骤：
S10：直流T型直线塔部件巡检图像的巡检数据采集，采用如下步骤：
S101：采用单侧巡视和双侧巡视；
S102：数据采集中，部件拍摄按照由远及近，由高到低的原则进行；
S103：由巡检人员使用可见光摄影器材进行拍摄，形成单侧巡视图像信息、双侧巡视图像信息，形成直流T型直线塔部件巡检图像采集流程；
S20：基于深度卷积神经网络的杆塔部件识别模型训练流程，采用如下步骤：
S201：标签整理：对采集到的直流T型直线塔部件巡检图像的巡检数据进行标签整理；
S202：数据预处理：对标签整理后的图像进行随机颜色、随机左右30度旋转以及随机模糊处理，得到处理后的数据集；
S203：模型训练；使用深度卷积神经网络模型MobileNetV3对预处理后的数据集进行学习训练，得到训练后的神经网络模型MobileNetV3；
S204：模型导出；将训练后的神经网络模型MobileNetV3中与训练相关的参数剔除，只保留模型结构和权重，并集成到后续部件映射逻辑中进行使用。
S30：直流T型直线塔部件映射流程：采用部件编码映射逻辑，针对直流T型直线塔部件识别模型输出的识别结果进行编码，编码过程中需要输入巡检相关信息，包括：单双侧巡视，巡视相别，巡视侧别；编码规则中，根据巡视信息的不同，对模型输出的部件识别结果进行编码。
进一步地，本实施例中步骤S10中，在进行单侧巡视时，飞机会巡视直流T型直线塔的左右双相；双侧巡视时，只巡视直流T型直线塔的左/右相，不会同时巡视两相。
本实施例中步骤S201的标签整理，具体采用如下步骤：
(1)以直流T型直线塔本身绕中心线左右对称，仅靠直升机巡视过程中所拍摄图片中，只能区分所拍摄部件为靠近拍摄者的一相即近相，或远离拍摄者的一相即远相；
(2)部分杆塔左右部件，模型输出编码为远近相两种；即左侧拍左相部件为近相，右侧拍右相部件也为近相；在右侧拍左部件，左侧拍右部件均为远相；
(3)针对对称塔型中的左右部件，使用远近来编码表述图片中的左右信息，形成巡视相别、巡视侧图像信息。
步骤S203中的模型训练过程包括：
将处理后的数据集按照9：1的比例划分为训练集和验证集；
首先从训练集数据中提取一个小批次的数据，将小批次数据送入神经网络模型MobileNetV3进行前向计算；
对MobileNetV3模型输出的结果进行计算，得到其与标注数据的误差；
对计算产生的误差，使用反向传播算法进行梯度更新；
重复上述过程，直到所有的训练集数据运行一次称为一个轮次；
每个轮次之后，使用验证集数据对模型的结果进行验证，得到模型的评估指标；
训练过程中，针对评估指标的变化，适当调整模型的学习率等指标。
需要说明的是，本发明的工作原理如下：
本发明包括针对直流T型直线塔部件巡检图像采集流程，确保直升机巡检操作人员安全的前提下保证巡检过程不会有部件遗漏。同时该方法中提供基于深度卷积神经网络的杆塔部件识别模型训练流程。根据杆塔部件巡检过程，最终的杆塔部件编码会从模型编码映射到实际的部件命名编码方式，即直流T型直线塔部件映射流程。
第一方面，步骤S10巡检数据采集。本申请构建了一种直升机针对直流T型直线塔部件的巡检流程，该方法中区分单侧巡视和双侧巡视的情况。其中，单侧巡视指直升机在直流T型直线塔的某一侧进行巡视，巡视目标包含直流T型直线塔的左右两相。
双侧巡视指直升机在直流T型直线塔的左侧或右侧巡视直流T型直线塔的左相或右相，即只巡视一相；双侧巡视只针对特高压线路进行，高压线路只做单侧巡视，不做双侧巡视。
巡检过程中的数据采集按照由远及近，由高到低的原则进行；数据采集由巡检人员使用单反等可见光摄影器材进行拍摄。
第二方面，本申请提出了基于深度卷积神经网络，针对直流T型直线塔的巡检图像识别模型训练的流程。识别模型训练过程包含训练图像按照步骤S201标签整理，步骤S202数据预处理，步骤S203模型训练，步骤S204模型导出几个不同的步骤。
步骤S201标签整理中，考虑直流T型直线塔本身绕中心线左右对称，因此仅靠直升机巡视过程中所拍摄图片中，只能区分所拍摄部件为靠近拍摄者的一相即近相，或远离拍摄者的一相即远相。因此部分杆塔左右部件，在步骤S204中，模型输出编码为远近相两种。左侧拍左相部件为近相，右侧拍右相部件也为近相。右侧拍左部件，左侧拍右部件均为远相。
步骤S202数据预处理过程中，考虑杆塔部件拍摄相应特点，使用与传统分类模型不同的数据预处理方式进行数据集处理。
步骤S203模型训练过程使用深度卷积神经网络模型对上述数据集进行学习，学习过程遵循一般深度模型训练流程。
步骤S204模型导出过程将模型中训练相关的参数剔除，只保留模型结构和权重，并集成到后续部件映射逻辑中进行使用。
第三方面，步骤S30部件映射。本申请提出针对直流T型直线塔的部件编码映射流程。其中，部件编码映射逻辑针对上述直流T型直线塔部件识别模型输出的识别结果进行编码。编码过程中需要输入巡检相关信息，包括：单双侧巡视，巡视相别，巡视侧别。编码规则中，根据巡视信息的不同，对模型输出的部件识别结果进行编码，得到杆塔部件与模型编码映射关系表，如表1所示：
表1杆塔部件与模型编码映射关系表
本发明中，巡检数据采集步骤S10中，当执行单侧巡视时，将对杆塔左右双相部件进行巡视，参考图2。首先根据线路螺栓穿向确定航空器悬停位置，应使航空器悬停于螺母销钉侧，则关键拍照点及流程如下(共14张，约1.5分钟):
(1)塔头；(1张)
(2)杆塔基础；(1张)
(3)远侧地线1点:地线挂点、保护金具；(2张)
(4)远侧导线2点-3点:塔端挂点、绝缘子串和导线端挂点，以及导线保护金具；(4张)
(5)近侧地线4点:地线挂点、保护金具；(2张)
(6)近侧导线5点-6点:塔端挂点、绝缘子串和导线端挂点，以及导线保护金具。(4张)
当执行双侧巡视时，将在塔右侧或左侧，对塔右相或左相进行巡视，即只巡视塔的一相，参考图3。首先根据线路螺栓穿向确定航空器悬停位置，应使航空器悬停于螺母销钉侧，则关键拍照点及流程如下(共10张，约1分钟):
(1)塔头；(1张)
(2)杆塔基础；(1张)
(3)近侧地线1点:地线挂点、保护金具；(2张)
(4)近侧导线2点-3点-4点:塔端挂点、绝缘子串和导线端挂点，以及导线保护金具。(6张)
标签整理步骤S201，针对不同的部件，按照表1整理部件模型编码，对不同侧巡视不同侧的杆塔部件进行相应的合并处理，最终模型训练标签如下：
m-01；
m-02；
m-03；
m-0608-近；
m-0608-远；
m-0709-近；
m-0709-远；
m-1025-近-近；
m-1025-远-远；
m-1124-近-远；
m-1124-远-近；
m-12132627-直-近；
m-12132627-直-远；
m-12132627-中接点；
m-12132627-V-近-双串；
m-12132627-V-远-双串；
m-1227-V-近-近；
m-1227-V-远-远；
m-1326-V-近-远；
m-1326-V-远-近；
m-1428-直；
m-1428-V；
m-1529；
m-5763；
m-5864；
m-5965；
m-7980；
步骤S202数据预处理，考虑杆塔拍摄过程中，不会出现上下颠倒的情况，因此将普通深度模型训练中常用的图片上下左右翻转去掉。使用的数据预处理流程如下：
随机颜色；
随机左右30度旋转；
随机模糊；
步骤S203模型训练，使用如下步骤训练一个部件分类模型：
将数据以9:1的比例划分为训练集和验证集；
使用深度卷积神经网络MobileNetV3进行训练；
提取一个小批次的训练集数据，对数据进行预处理；
将预处理之后的小批次数据送入网络进行前向计算；
对模型输出的结果计算其与数据标注的误差；
对计算产生的误差，使用反向传播算法进行梯度更新；
将上述过程，对整个训练数据集运行一次称为一个轮次；
每个轮次之后，使用验证集数据对模型的结果进行验证，得到模型的评估指标；
训练过程中，针对评估指标的变化，适当调整模型的学习率等指标。
步骤S204模型导出，待模型训练完成之后，剔除模型中训练需要的所有中间变量，根据所使用的硬件进行一定的优化，包括但不限于将模型进行适当的量化，加速等。
步骤S30部件映射，针对所拍摄的每张图片，运行部件分类识别模型。将模型输出的结果，根据表1中部件映射关系，参考巡检人员填写的巡检记录数据进行相应的映射。
具体映射规则如下：
单侧巡视时，模型识别结果应包含远近双相部件
左侧巡视时：远侧部件为杆塔右相部件；近侧部件为杆塔左相部件；
右侧巡视时：远侧部件为杆塔左相部件；近侧部件为杆塔右相部件；
单侧巡视的时候绝缘子串只有直串类型，不会出现V串类型；
双侧巡视时，模型识别结果应只包含近相或者远相部件，映射规则与单侧巡视相同；双侧巡视时，线路属于特高压线路，绝缘子串只会出现V串类型，不会出现直串型。
以上所述仅是本发明的较佳实施方式，故凡依本发明专利申请范围所述特征及原理所做的等效变化或修饰，均包括于本发明专利申请范围内。
Claims (1)
1.一种直流T型直线塔部件巡检图像自动编码方法，其特征在于：采用如下步骤：
S10：直流T型直线塔部件巡检图像的巡检数据采集过程；构建了一种直升机针对直流T型直线塔部件的巡检流程，该方法中区分单侧巡视和双侧巡视的情况； 其中，单侧巡视指直升机在直流T型直线塔的某一侧进行巡视，巡视目标包含直流T型直线塔的左右两相；双侧巡视指直升机在直流T型直线塔的左侧或右侧巡视直流T型直线塔的左相或右相，即只巡视一相；双侧巡视只针对特高压线路进行，高压线路只做单侧巡视，不做双侧巡视；巡检过程中的数据采集按照由远及近，由高到低的原则进行；
步骤S10中，当执行单侧巡视时，将对杆塔左右双相部件进行巡视，首先根据线路螺栓穿向确定航空器悬停位置，应使航空器悬停于螺母销钉侧，则关键拍照点及流程如下:
(1)塔头；
(2)杆塔基础；
(3)远侧地线1点:地线挂点、保护金具；
(4)远侧导线2点-3点:塔端挂点、绝缘子串和导线端挂点，以及导线保护金具；
(5)近侧地线4点:地线挂点、保护金具；
(6)近侧导线5点-6点:塔端挂点、绝缘子串和导线端挂点，以及导线保护金具；
当执行双侧巡视时，将在塔右侧或左侧，对塔右相或左相进行巡视，即只巡视塔的一相，首先根据线路螺栓穿向确定航空器悬停位置，应使航空器悬停于螺母销钉侧，则关键拍照点及流程如下:
(1)塔头；
(2)杆塔基础；
(3)近侧地线1点:地线挂点、保护金具；
(4)近侧导线2点-3点-4点:塔端挂点、绝缘子串和导线端挂点，以及导线保护金具；
S20：对采集到的直流T型直线塔部件巡检图像的巡检数据进行预处理得到训练数据集，基于深度卷积神经网络训练得到杆塔部件识别模型；
步骤S20，采用如下步骤：
S201：标签整理：对采集到的直流T型直线塔部件巡检图像的巡检数据进行标签整理；标签整理中，考虑直流T型直线塔本身绕中心线左右对称，因此仅靠直升机巡视过程中所拍摄图片中，只能区分所拍摄部件为靠近拍摄者的一相即近相，或远离拍摄者的一相即远相；因此部分杆塔左右部件，在步骤S204中，模型输出编码为远近相两种；左侧拍左相部件为近相，右侧拍右相部件也为近相；右侧拍左部件，左侧拍右部件均为远相；标签整理步骤S201，针对不同的部件，按照杆塔部件与模型编码映射关系表整理部件模型编码，对不同侧巡视不同侧的杆塔部件进行相应的合并处理，最终形成模型训练标签；
S202：数据预处理：对标签整理后的图像进行随机颜色、随机左右30度旋转以及随机模糊处理，得到处理后的数据集；
S203：模型训练；使用深度卷积神经网络模型MobileNetV3对预处理后的数据集进行学习训练，得到训练后的神经网络模型MobileNetV3；步骤S203模型训练，使用如下步骤训练一个部件分类模型：
将数据以9:1的比例划分为训练集和验证集；
使用深度卷积神经网络MobileNetV3进行训练；
提取一个小批次的训练集数据，对数据进行预处理；
将预处理之后的小批次数据送入网络进行前向计算；
对模型输出的结果计算其与数据标注的误差；
对计算产生的误差，使用反向传播算法进行梯度更新；
将上述过程，对整个训练数据集运行一次称为一个轮次；
每个轮次之后，使用验证集数据对模型的结果进行验证，得到模型的评估指标；
训练过程中，针对评估指标的变化，适当调整模型的学习率指标；
S204：模型导出；将训练后的神经网络模型MobileNetV3中与训练相关的参数剔除，只保留模型结构和权重，并集成到后续部件映射逻辑中进行使用；
S30：直流T型直线塔部件映射流程：采用部件编码映射逻辑，针对直流T型直线塔部件识别模型输出的识别结果进行编码
步骤S30中，采用部件编码映射逻辑，针对直流T型直线塔部件识别模型输出的识别结果进行编码，编码过程中需要输入巡检相关信息，包括：单双侧巡视，巡视相别，巡视侧；编码规则中，根据巡视信息的不同，对模型输出的部件识别结果进行编码，得到杆塔部件与模型编码映射关系表；部件映射，针对所拍摄的每张图片，运行部件分类识别模型；将模型输出的结果，根据杆塔部件与模型编码映射关系表中部件映射关系，参考巡检人员填写的巡检记录数据进行相应的映射；
部件编码映射逻辑具体为：
单侧巡视时，模型识别结果包含远近双相部件；
左侧巡视时：远侧部件为杆塔右相部件；近侧部件为杆塔左相部件；
右侧巡视时：远侧部件为杆塔左相部件；近侧部件为杆塔右相部件；
单侧巡视的时候绝缘子串只有直串类型，不会出现V串类型；
双侧巡视时，模型识别结果应只包含近相或者远相部件，映射规则与单侧巡视相同；双侧巡视时，线路属于特高压线路，绝缘子串只会出现V串类型，不会出现直串型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211741063.3A CN115953486B (zh) | 2022-12-30 | 2022-12-30 | 一种直流t型直线塔部件巡检图像自动编码方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211741063.3A CN115953486B (zh) | 2022-12-30 | 2022-12-30 | 一种直流t型直线塔部件巡检图像自动编码方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953486A CN115953486A (zh) | 2023-04-11 |
| CN115953486B true CN115953486B (zh) | 2024-04-12 |
Family
ID=87297192
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211741063.3A Active CN115953486B (zh) | 2022-12-30 | 2022-12-30 | 一种直流t型直线塔部件巡检图像自动编码方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953486B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005265699A (ja) * | 2004-03-19 | 2005-09-29 | Chugoku Electric Power Co Inc:The | 無人飛行体を用いた送電線点検システムおよび方法 |
| CN105023014A (zh) * | 2015-08-21 | 2015-11-04 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像内的杆塔目标提取方法 |
| AU2018102037A4 (en) * | 2018-12-09 | 2019-01-17 | Ge, Jiahao Mr | A method of recognition of vehicle type based on deep learning |
| CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
| CN111275015A (zh) * | 2020-02-28 | 2020-06-12 | 广东电网有限责任公司 | 一种基于无人机的电力巡线电塔检测识别方法及*** |
| CN111914813A (zh) * | 2020-08-31 | 2020-11-10 | 国网湖南省电力有限公司 | 基于图像分类的输电线路巡检图像命名方法及*** |
| CN112229845A (zh) * | 2020-10-12 | 2021-01-15 | 国网河南省电力公司濮阳供电公司 | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 |
| CN112464881A (zh) * | 2020-12-11 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路无人机光学遥感自主巡检方法 |
| CN112837443A (zh) * | 2021-01-12 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种无人机巡检***及方法 |
| CN113076864A (zh) * | 2021-03-31 | 2021-07-06 | 国网江苏省电力有限公司徐州供电分公司 | 输电杆塔巡检图像的处理方法和装置 |
| CN113555964A (zh) * | 2021-07-29 | 2021-10-26 | 国网通用航空有限公司 | 利用直升机对输电线路进行巡检的方法及装置 |
| CN113902990A (zh) * | 2021-09-30 | 2022-01-07 | 广东科凯达智能机器人有限公司 | 一种巡检机器人的异常预警方法及*** |
| WO2022036867A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站三维模型重构方法 |
| CN114782370A (zh) * | 2022-04-25 | 2022-07-22 | 云南电网有限责任公司电力科学研究院 | 基于深度学习卫星遥感影像绝缘子串自动识别方法及设备 |
| CN115240092A (zh) * | 2022-08-09 | 2022-10-25 | 广东电网有限责任公司 | 输电杆塔巡检方法、装置、电子设备及存储介质 |
| CN115454114A (zh) * | 2022-09-23 | 2022-12-09 | 国网河北省电力有限公司超高压分公司 | 一种高压输电线路杆塔无人机精细化巡视方法 |
-
2022
- 2022-12-30 CN CN202211741063.3A patent/CN115953486B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005265699A (ja) * | 2004-03-19 | 2005-09-29 | Chugoku Electric Power Co Inc:The | 無人飛行体を用いた送電線点検システムおよび方法 |
| CN105023014A (zh) * | 2015-08-21 | 2015-11-04 | 马鞍山市安工大工业技术研究院有限公司 | 一种无人机巡检输电线路图像内的杆塔目标提取方法 |
| AU2018102037A4 (en) * | 2018-12-09 | 2019-01-17 | Ge, Jiahao Mr | A method of recognition of vehicle type based on deep learning |
| CN110245644A (zh) * | 2019-06-22 | 2019-09-17 | 福州大学 | 一种基于深度学习的无人机图像输电杆塔倒伏识别的方法 |
| CN111275015A (zh) * | 2020-02-28 | 2020-06-12 | 广东电网有限责任公司 | 一种基于无人机的电力巡线电塔检测识别方法及*** |
| WO2022036867A1 (zh) * | 2020-08-21 | 2022-02-24 | 广东电网有限责任公司清远供电局 | 变电站三维模型重构方法 |
| CN111914813A (zh) * | 2020-08-31 | 2020-11-10 | 国网湖南省电力有限公司 | 基于图像分类的输电线路巡检图像命名方法及*** |
| CN112229845A (zh) * | 2020-10-12 | 2021-01-15 | 国网河南省电力公司濮阳供电公司 | 基于视觉导航技术的无人机高精度饶塔智能巡检方法 |
| CN112464881A (zh) * | 2020-12-11 | 2021-03-09 | 国网辽宁省电力有限公司抚顺供电公司 | 一种输电线路无人机光学遥感自主巡检方法 |
| CN112837443A (zh) * | 2021-01-12 | 2021-05-25 | 云南电网有限责任公司电力科学研究院 | 一种无人机巡检***及方法 |
| CN113076864A (zh) * | 2021-03-31 | 2021-07-06 | 国网江苏省电力有限公司徐州供电分公司 | 输电杆塔巡检图像的处理方法和装置 |
| CN113555964A (zh) * | 2021-07-29 | 2021-10-26 | 国网通用航空有限公司 | 利用直升机对输电线路进行巡检的方法及装置 |
| CN113902990A (zh) * | 2021-09-30 | 2022-01-07 | 广东科凯达智能机器人有限公司 | 一种巡检机器人的异常预警方法及*** |
| CN114782370A (zh) * | 2022-04-25 | 2022-07-22 | 云南电网有限责任公司电力科学研究院 | 基于深度学习卫星遥感影像绝缘子串自动识别方法及设备 |
| CN115240092A (zh) * | 2022-08-09 | 2022-10-25 | 广东电网有限责任公司 | 输电杆塔巡检方法、装置、电子设备及存储介质 |
| CN115454114A (zh) * | 2022-09-23 | 2022-12-09 | 国网河北省电力有限公司超高压分公司 | 一种高压输电线路杆塔无人机精细化巡视方法 |
Non-Patent Citations (3)
| Title |
|---|
| A GIS-based Power Transmission Management Information System;Erxiang Chen 等;Journal of Measurement Science and Instrumentation;20100715(第S1期);全文 * |
| 吴锡 ; 王梓屹 ; 宋柯 ; 王宏鑫 ; 薛志成 ; 李志轩 ; .基于Faster RCNN检测器的输电线路无人机自主巡检***.电力信息与通信技术.2020,(第09期),第8-15页. * |
| 基于无人机图像识别技术的输电线路缺陷检测;李宁;郑仟;谢贵文;陈炜;;电子设计工程;20190520(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953486A (zh) | 2023-04-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107133943B (zh) | 一种防震锤缺陷检测的视觉检测方法 | |
| CN109559310B (zh) | 基于显著性检测的输变电巡检图像质量评价方法及*** | |
| CN108038850A (zh) | 一种基于深度学习的排水管道异常类型自动检测方法 | |
| CN113469953B (zh) | 一种基于改进YOLOv4算法的输电线路绝缘子缺陷检测方法 | |
| CN107977656A (zh) | 一种行人重识别方法及*** | |
| CN111626090B (zh) | 一种基于深度帧差卷积神经网络的运动目标检测方法 | |
| CN109934108A (zh) | 一种多目标多种类的车辆检测和测距***及实现方法 | |
| CN109345524A (zh) | 一种基于视觉的轴承外观缺陷检测*** | |
| CN105096305A (zh) | 绝缘子状态分析的方法及装置 | |
| CN113837994B (zh) | 一种基于边缘检测卷积神经网络的光伏板缺陷诊断方法 | |
| CN105825204A (zh) | 一种智能相机夜间识别电力设备表计的方法 | |
| CN110490261B (zh) | 一种输电线路巡检图像绝缘子的定位方法 | |
| CN115995058A (zh) | 基于人工智能的输电通道安全在线监测方法 | |
| CN115953486B (zh) | 一种直流t型直线塔部件巡检图像自动编码方法 | |
| CN116475089A (zh) | 矿井带式输送机视频图像智能识别的联动控制装置及方法 | |
| CN115641519A (zh) | 输电线路检查方法、装置及非易失性存储介质 | |
| CN111104976B (zh) | 一种基于时间序列图像的蓝藻覆盖率计算方法 | |
| CN111931577A (zh) | 一种电网线路特定异物智能巡检方法 | |
| CN116206148A (zh) | 一种装修废弃物智能检测识别分类方法 | |
| CN109598293B (zh) | 基于类别平衡采样的无人机巡检航拍图片批处理训练方法 | |
| CN115641271A (zh) | 基于跨阶段局部连接的轻量化图像去雾方法 | |
| CN115909192A (zh) | 一种基于改进EfficientDet的行人检测方法 | |
| CN113099175B (zh) | 一种基于5g的多模型手持云端检测传输***及检测方法 | |
| CN108564125A (zh) | 一种绝缘子图像分类方法及*** | |
| CN104897688B (zh) | 一种化纤纸管外观检测过程中图像精确处理方法及*** |
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 |