CN116206222A - 基于轻量化目标检测模型的输电线路故障检测方法及*** - Google Patents

基于轻量化目标检测模型的输电线路故障检测方法及*** Download PDF

Info

Publication number
CN116206222A
CN116206222A CN202310129387.XA CN202310129387A CN116206222A CN 116206222 A CN116206222 A CN 116206222A CN 202310129387 A CN202310129387 A CN 202310129387A CN 116206222 A CN116206222 A CN 116206222A
Authority
CN
China
Prior art keywords
transmission line
power transmission
model
defect
yolov7
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
Application number
CN202310129387.XA
Other languages
English (en)
Inventor
吴珺
董佳明
郑欣丽
聂万宇
王江鹏
王春枝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hubei University of Technology
Original Assignee
Hubei University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hubei University of Technology filed Critical Hubei University of Technology
Priority to CN202310129387.XA priority Critical patent/CN116206222A/zh
Publication of CN116206222A publication Critical patent/CN116206222A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
    • G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • 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
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Remote Sensing (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于轻量化目标检测模型的输电线路故障检测方法及***，方法包括输电线图像拍摄步骤，输电线图像处理步骤，输电线路巡检图像检测步骤，输电线缺陷识别分类步骤。其中输电线图像拍摄步骤为拍摄待检测输电线图像，输电线图像处理步骤为对拍摄的输电线图像进行数据处理，保证图像可以被轻量化目标检测网络识别，输电线路巡检图像检测步骤是根据训练的模型，检测待检测输电线图像是否存在缺陷和损伤，输电线缺陷识别分类步骤是在输电线路巡检图像检测步骤后若发现有缺陷或损伤，对缺陷或损伤进行分类和空间定位。本方法优势在于使用了一种改良后的轻量化目标检测模型，可以实现低计算代价和消耗的非接触性和实时性的检测效果。

Description

基于轻量化目标检测模型的输电线路故障检测方法及***
技术领域
本发明涉及计算机视觉中的目标检测领域，尤其涉及一种基于轻量化目标检测模型的输电线路故障检测方法及***。
背景技术
目标检测是计算机视觉中一个具有挑战的领域，其成果已广泛应用到很多领域。输电线路的故障检测大多使用卫星成像或无人机线路巡检，后者在检测时一般采用无人机进行固定线路的图像拍摄，然后传输至监测中心再通过目标检测方法或人力进行故障检测。这种方法需要消耗较高的人力财力，同时不具有实时性检测和分类的效果。
YOLO系列算法经过了多年的更新迭代已经是一种成熟的目标检测方法，在最新推出的YOLOv7目标检测算法中，在绝大部分情况下速度和精度都超过了所有已知的目标检测器。但原版YOLOv7经过YOLO系列的发展加入了大量的其他方法，变成了一种成熟且复杂的卷积神经网络，这种网络可以在高计算能力的设备上运行出优秀结果，但并不适合在输电线巡检的无人机中进行实时性的故障检测工作。
发明内容
本发明的目的在于提供一种基于轻量化目标检测模型的输电线路故障检测方法及***，用以解决或者至少部分解决现有技术中存在的实时性与分类效果不能兼顾的技术问题。
为了解决上述技术问题，本发明采用如下技术方案：
第一方面提供了基于轻量化目标检测模型的输电线路故障检测方法，包括：
采集输电线路图像；
对采集的输电线路图像进行预处理；
利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC-YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC-YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。
在一种实施方式中，所述方法还包括：
根据缺陷定定位结果、缺陷分类和空间定位结果进行损伤警报。
在一种实施方式中，采集输电线路图像，包括：
根据预先制定好的输电线路巡检线路，使用部署有LC-YOLOv7模型的无人机沿线进行输电线图像采集。
在一种实施方式中，对采集的输电线路图像进行预处理，包括：
对输电线图像进行分辨率归一化处理；将待检测输电线图像的拍摄顺序与输电线路巡检顺序相匹配，将输电线图像统一转化为PNG或JPG格式并使得图像的分辨率达到预设范围。
在一种实施方式中，利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，包括：
通过主干特征提取网络从输入的预处理后的输电线路图像中获取四种分辨率不同的特征图；
通过加强特征提取网络的两个特征金字塔对四种分辨率不同的特征图逐步进行特征融合；
将进行特征融合后的特征图逐个输入四个检测头中，通过检测头中不同大小的锚框确定不同大小的缺陷损伤在输电线图像中坐标位置，作为缺陷定位结果。
在一种实施方式中，当预处理后的输电线路图像中存在缺陷损失时，所述方法还包括：
对缺陷所在位置进行重复拍摄；
对重复拍摄得到的图像输入轻量化目标检测模型进行再次检测；
将重复拍摄图像进行人工缺陷检测。
在一种实施方式中，根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位，包括：
根据缺陷定位结果对缺陷类型进行分类；
根据输电线路巡检线路和缺陷定位结果，确定缺陷的空间位置。
基于同样的发明构思，本发明第二方面提供了基于轻量化目标检测模型的输电线路故障检测***，包括：
输电线路图像采集模块，用于采集输电线路图像；
输电线路图像预处理模块，用于对采集的输电线路图像进行预处理；
输电线路图像检测模块，用于利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC-YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC-YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
输电线缺陷识别分类模块，用于根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位
基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面所述的方法。
基于同样的发明构思，本发明第四方面提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现第一方面所述的方法。
相对于现有技术，本发明的优点和有益的技术效果如下：
本发明公开的基于轻量化目标检测模型的输电线路故障检测方法，利用基于YOLOv7的改进模型LC-YOLOv7进行缺陷定位和分类识别，从而实现故障巡检。改进后的模型通过降低整体网络的通道数，从而降低了卷积的计算次数，使得网络更加轻量化，然后在主干特征提取网络中新增一组卷积以获得不同分辨率的特征图，再将加强特征提取网络中三层的双特征金字塔增加至四层以融合新增的特征图，最终将这组特征图输入到一个新增的检测头中，使得LC-YOLOv7网络比原版YOLOv7可以检测到更多不同大小的故障，以此保证在轻量化后的目标检测精度。这种方式改进后的LC-YOLOv7网络可以保证在一个较高的检测精度前提下满足输电线路巡检的实时监测要求。
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是本发明实施例提供的基于轻量化目标检测模型的输电线路故障检测方法的简要流程图；
图2是本发明实施例中的故障检测方法采用的轻量化目标检测模型的网络结构图；
图3是本发明实施例中基于轻量化目标检测模型的输电线路故障检测方法中特征图及通道数变化示意图；
图4是本发明实施例提供的基于轻量化目标检测模型的输电线路故障检测方法的实际应用流程图。
具体实施方式
由于YOLO系列目标检测算法复杂度已经大大提升，不适合输电线路巡检所需要的低成本和实时性需求，故本发明为了满足一个较高的检测精度前提下的输电线路巡检的实时监测要求，提出了一种基于轻量化目标检测模型的输电线路故障检测方法。
本发明的主要优势和价值在于采用了基于YOLOv7目标检测算法改进的LC-YOLOv7进行输电线路巡检，YOLOv7相比于其他目标检测算法有着相当高的目标检测精度，而LC-YOLOv7在保持YOLOv7检测精度的前提下进行了轻量化改进，使得LC-YOLOv7可以在搭载在低计算能力的无人机上进行输电线路巡检，并且满足实时检测的需求，从而及时检测到输电线路的缺陷位置以及分类缺陷类别，达到节省人力物力的效果。
为使本发明实施例的目的、技术方案和优点更加清楚，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做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。
实施例一
本发明实施例提供了基于轻量化目标检测模型的输电线路故障检测方法，包括：
采集输电线路图像；
对采集的输电线路图像进行预处理；
利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC-YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC-YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。
请参见图1，是本发明实施例提供的基于轻量化目标检测模型的输电线路故障检测方法的简要流程图；本发明实施例的方法整体上包括输电线图像拍摄(采集)、输电线图像处理，输电线路巡检图像检测、输电线缺陷识别分类步骤、输电线损伤警报步骤(可选)。
具体实施过程中，输电线图像拍摄步骤可以通过无人机根据预定的输电线路巡检路线拍摄待检测输电线图像实现；输电线图像处理步骤为对拍摄的输电线图像进行数据处理，保证图像可以被轻量化目标检测网络LC-YOLOv7识别和处理，输电线路巡检图像检测步骤是根据以往输电线图像训练LC-YOLOv7模型，并在达到一定检测精度后检测待检测输电线图像是否存在缺陷和损伤，输电线缺陷识别分类步骤是在输电线路巡检图像检测步骤后若发现有缺陷或损伤，LC-YOLOv7会对缺陷或损伤进行分类以确定修复方法。可选地，还可以包括输电线损伤警报步骤，可以根据输电线路巡检图像检测步骤检测到的输电线损失位置以及输电线缺陷识别分类步骤分类出的输电线损失类别发出不同的警报，以保证输电线损伤得到处理。本发明的方法是基于目标检测技术对输电线损伤和缺陷进行识别，优势在于使用了一种改良后的轻量化目标检测模型，这种模型可以搭载在计算能力较差的无人机上，实现低计算代价和消耗的非接触性和实时性的检测效果。
在一种实施方式中，所述方法还包括：
根据缺陷定定位结果、缺陷分类和空间定位结果进行损伤警报。
具体实施过程中，可以根据输电线路巡检图像检测步骤中发现的输电线损伤和多次拍摄图像以及输电线缺陷识别分类步骤中确认的输电线损伤类型和空间位置，将无人机在输电线巡线中遇到的缺陷损失信息，包括位置、类别和重复拍摄图像提交日志返回人工监控中心并发出警报。
在一种实施方式中，采集输电线路图像，包括：
根据预先制定好的输电线路巡检线路，使用部署有LC-YOLOv7模型的无人机沿线进行输电线图像采集。
在一种实施方式中，对采集的输电线路图像进行预处理，包括：
对输电线图像进行分辨率归一化处理；将待检测输电线图像的拍摄顺序与输电线路巡检顺序相匹配，将输电线图像统一转化为PNG或JPG格式并使得图像的分辨率达到预设范围。
具体实施过程中，对于输电线图像进行分辨率归一化处理，保证后续输入检测步骤的稳定。对于用以训练LC-YOLOv7模型的以往输电线图像，应当按照8：1：1的比例划分训练集、验证集和测试集。对于待检测输电线图像的拍摄顺序应当与输电线路巡检顺序相匹配以便后续发现缺陷损失时进行定位和重复拍摄，输电线图像应统一转化为PNG或JPG格式并重拍无法分辨或质量较差的图。
在一种实施方式中，利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，包括：
通过主干特征提取网络从输入的预处理后的输电线路图像中获取四种分辨率不同的特征图；
通过加强特征提取网络的两个特征金字塔对四种分辨率不同的特征图逐步进行特征融合；
将进行特征融合后的特征图逐个输入四个检测头中，通过检测头中不同大小的锚框确定不同大小的缺陷损伤在输电线图像中坐标位置，作为缺陷定位结果。
本发明提出使用LC-YOLOv7轻量化目标检测网络替换以往的复杂YOLOv7目标检测网络，LC-YOLOv7的网络构成如图2所示，图2左侧是LC-YOLOv7网络结构，右侧为模块具体构成图例，图2左侧网络结构图中粗虚线线框标注的范围中为本发明模型的新增模块。具体网络模型中进行了以下改进：
一：降低了整体网络的通道数，降为原来的20％。图上标示的640*640*3指的是当前模块的特征图为640*640分辨率3通道数。图中标出的通道数是已经降低至20％后的数据。
二：在主干特征网络中新增一组MP1和ELAN结构以获取更多分辨率的特征图，主干特征提取网络中可以获取到10*10分辨率的特征图，而原版YOLOv7仅能获取到20*20的分辨率。
三：加强特征提取网络中将双特征金字塔由3层改为4层，以融合新增的10*10分辨率的特征图。
四：对应新分辨率特征图新增一个检测头，从而使得整个网络模型可以检测到更多大小不同的输电线路故障。
具体来说，主干特征提取网络包括多组标准卷积、MP卷积和ELAN结构，可以获取到四种分辨率不同的特征图，进而输入加强特征提取网络。
LC-YOLOv7中CBS是一个标准卷积模块，包括卷积、归一化层和激活函数。MP模型包括MP1和MP2两种类型，这两种模块都是一个特殊的卷积组合，包括了三个卷积和一个最大池化层，区别在于MP1的输出通道数与输入通道数相同，而MP2输出通道数为输入通道数的2倍，目的是在卷积的同时融合特征图中多种语义信息。ELAN结构和ELAN-H结构同样是融合多种卷积所获得的特征信息，其中包括六个卷积，将前五个卷积获取不同特征图进行融合，最后由第六个卷积控制输出的通道数，ELAN与ELAN-H结构不同之处在于对前五个卷积的融合方式不同，若输入通道数为C时，ELAN结构对其中四个卷积以C/2融合，ELAN-H结构则是由两个卷积的C/2和其余四个卷积的C/4进行融合。SPPCSPC结构包括七个卷积和三个最大池化层，其主要目的是将主干特征提取网络中分辨率最小语义特征最丰富的特征通过三个池化核不同的最大池化层，获得多维度的特征信息以供特加强特征提取网络进行进一步融合。RepConv是一种规划的重参数化卷积，它在训练模型时是一种标准的残差结构卷积组合，但在验证即检测输电线路缺陷时通过重参数变换变成了一个退化的3*3卷积，这有利于实际测试和部署。其他还包括UP结构，即一个控制通道数的卷积和上采样的固定组合。以及Concat函数，用于将多个输入特征图相加。
请参见图3，是本发明实施例中基于轻量化目标检测模型的输电线路故障检测方法中特征图及通道数变化示意图。
具体地，加强特征提取网络包含两个特征金字塔，每一个特征金字塔包括四层，其作用是将前一步骤获取的不同分辨率的特征逐步进行特征融合，保证LC-YOLOv7网络关注到多种不同大小的输电线缺陷损伤。再将特征融合后的特征图逐个输入检测头中，由检测头中不同大小的锚框确定不同大小的缺陷损伤在输电线图像中坐标位置。
在一种实施方式中，当预处理后的输电线路图像中存在缺陷损失时，所述方法还包括：
对缺陷所在位置进行重复拍摄；
对重复拍摄得到的图像输入轻量化目标检测模型进行再次检测；
将重复拍摄图像进行人工缺陷检测。
具体来说，在根据输电线图像处理步骤中训练的LC-YOLOv7模型应当有85％以上的检测精度，检测精度未达到的情况下应当增加训练集或改善图像拍摄方式以提升检测精度。
如果发现图像中存在缺陷损失，则返回输电线图像拍摄步骤对缺陷所在位置进行重复拍摄图像，首先对重复拍摄图像进行再次检测以保证检测精度，而后将重复拍摄图像提交用于供人工确认是否存在输电线缺陷损失情况。请参见图4，是本发明实施例提供的基于轻量化目标检测模型的输电线路故障检测方法的实际应用流程图。
在一种实施方式中，根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位，包括：
根据缺陷定位结果对缺陷类型进行分类；
根据输电线路巡检线路和缺陷定位结果，确定缺陷的空间位置。
具体实施过程中，根据输电线路巡检图像检测步骤中发现的输电线缺陷进行分类，包括外部损伤、酸碱腐蚀、输电线脱落等情况，确定损伤类型并根据电路巡检线路的图像拍摄顺序和输电线路巡检图像检测步骤中缺陷损伤在输电线图像中的坐标位置，从而确定损伤的真实空间位置。
总体来说，本发明的优点和有益技术效果如下：
使用LC-YOLOv7作为输电线路巡检的目标检测算法，LC-YOLOv7是在最新YOLO系列算法的YOLOv7上进行改进的，首先降低了通道数使得网络整体极大的轻量化。但同时这会使得检测精度下降，所以LC-YOLOv7新增一组卷积及其相应模块，以实现检测更多大小不同的输电线路故障，从而保证了整体检测精度变化较小。这种方法改进后的LC-YOLOv7更易部署在输电线路巡检的无人机上并且实现实时检测的效果，可以在巡检过程中快速找到输电线路故障缺陷并且分类缺陷类型，从而发出警报降低可能的危害。
实施例二
基于同样的发明构思，本发明公开了基于轻量化目标检测模型的输电线路故障检测***，包括：
输电线路图像采集模块，用于采集输电线路图像；
输电线路图像预处理模块，用于对采集的输电线路图像进行预处理；
输电线路图像检测模块，用于利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC-YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC-YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
输电线缺陷识别分类模块，用于根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。
由于本发明实施例二所介绍的***为实施本发明实施例一中基于轻量化目标检测模型的输电线路故障检测方法所采用的***，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该***的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的***都属于本发明所欲保护的范围。
实施例三
基于同一发明构思，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现如实施例一中所述的方法。
由于本发明实施例三所介绍的计算机可读存储介质为实施本发明实施例一中基于轻量化目标检测模型的输电线路故障检测方法所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。
实施例四
基于同一发明构思，本申请还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述程序时实现实施例一中的方法。
由于本发明实施例四所介绍的计算机设备为实施本发明实施例一中基于轻量化目标检测模型的输电线路故障检测方法所采用的计算机设备，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机设备的具体结构及变形，故而在此不再赘述。凡是本发明实施例一中方法所采用的计算机设备都属于本发明所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，包括：
采集输电线路图像；
对采集的输电线路图像进行预处理；
利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC-YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC-YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。
2.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，所述方法还包括：
根据缺陷定定位结果、缺陷分类和空间定位结果进行损伤警报。
3.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，采集输电线路图像，包括：
根据预先制定好的输电线路巡检线路，使用部署有LC-YOLOv7模型的无人机沿线进行输电线图像采集。
4.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，对采集的输电线路图像进行预处理，包括：
对输电线图像进行分辨率归一化处理；将待检测输电线图像的拍摄顺序与输电线路巡检顺序相匹配，将输电线图像统一转化为PNG或JPG格式并使得图像的分辨率达到预设范围。
5.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，包括：
通过主干特征提取网络从输入的预处理后的输电线路图像中获取图种分辨率不同的特征图；
通过加强特征提取网络的两个特征金字塔对四种分辨率不同的特征图逐步进行特征融合；
将进行特征融合后的特征图逐个输入四个检测头中，通过检测头中不同大小的锚框确定不同大小的缺陷损伤在输电线图像中坐标位置，作为缺陷定位结果。
6.如权利要求5所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，当预处理后的输电线路图像中存在缺陷损失时，所述方法还包括：
对缺陷所在位置进行重复拍摄；
对重复拍摄得到的图像输入轻量化目标检测模型进行再次检测；
将重复拍摄图像进行人工缺陷检测。
7.如权利要求1所述的基于轻量化目标检测模型的输电线路故障检测方法，其特征在于，根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位，包括：
根据缺陷定位结果对缺陷类型进行分类；
根据输电线路巡检线路和缺陷定位结果，确定缺陷的空间位置。
8.基于轻量化目标检测模型的输电线路故障检测***，其特征在于，包括：
输电线路图像采集模块，用于采集输电线路图像；
输电线路图像预处理模块，用于对采集的输电线路图像进行预处理；
输电线路图像检测模块，用于利用预先构建的轻量化目标检测模型对预处理后的输电线路图像进行缺陷定位，其中，轻量化目标检测模型为基于YOLOv7的改进模型LC-YOLOv7，模型包括主干特征提取网络、加强特征提取网络和检测头部分，改进模型LC-YOLOv7降低YOLOv7模型的通道数，主干特征提取网络在YOLOv7模型的基础上新增一组MP1和ELAN结构以获取更多分辨率的特征图，加强特征提取网络将YOLOv7模型的双特征金字塔由3层改为4层，用以融合新增的特征图，检测头部分在YOLOv7模型的基础上新增一个检测头，用以检测大小不同的输电线路故障，其中，MP1结构为一种特殊的卷积组合，包括三个卷积层和一个最大池化层，MP1的输出通道数与输入通道数相同，ELAN结构为卷积融合结构，用于融合多个卷积层所获得的特征信息，ELAN结构包括六个卷积层，通过前五个卷积层获取的不同特征图进行融合，再通过第六个卷积层控制输出的通道数；
输电线缺陷识别分类模块，用于根据输电线路图像的缺陷定位结果，利用预先构建的轻量化目标检测模型进行缺陷分类和空间定位。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被执行时实现如权利要求1至7中任一项权利要求所述的方法。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7中任一项权利要求所述的方法。
CN202310129387.XA 2023-02-16 2023-02-16 基于轻量化目标检测模型的输电线路故障检测方法及*** Pending CN116206222A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310129387.XA CN116206222A (zh) 2023-02-16 2023-02-16 基于轻量化目标检测模型的输电线路故障检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310129387.XA CN116206222A (zh) 2023-02-16 2023-02-16 基于轻量化目标检测模型的输电线路故障检测方法及***

Publications (1)

Publication Number Publication Date
CN116206222A true CN116206222A (zh) 2023-06-02

Family

ID=86512375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310129387.XA Pending CN116206222A (zh) 2023-02-16 2023-02-16 基于轻量化目标检测模型的输电线路故障检测方法及***

Country Status (1)

Country Link
CN (1) CN116206222A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935245A (zh) * 2023-06-16 2023-10-24 国网山东省电力公司金乡县供电公司 一种长距离通信的电网无人机巡检***及方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116935245A (zh) * 2023-06-16 2023-10-24 国网山东省电力公司金乡县供电公司 一种长距离通信的电网无人机巡检***及方法

Similar Documents

Publication Publication Date Title
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、***及存储介质
CN109977921B (zh) 一种输电线路隐患检测方法
CN111489339B (zh) 高速铁路***螺栓备母缺陷的检测方法
CN110969166A (zh) 一种巡检场景下小目标识别方法和***
CN111178206A (zh) 一种基于改进yolo的建筑预埋件检测方法及***
CN114743119B (zh) 基于无人机的高铁接触网吊弦螺母缺陷检测方法
CN113221839B (zh) 一种货车图像自动识别方法及识别***
CN113569672A (zh) 轻量级目标检测与故障识别方法、装置及***
CN114812398B (zh) 一种基于无人机的高精度实时裂缝检测平台
CN116823800A (zh) 一种基于深度学习的复杂背景下桥梁混凝土裂缝检测方法
CN112528979A (zh) 变电站巡检机器人障碍物判别方法及***
CN116681885B (zh) 输变电设备红外图像目标识别方法及***
CN116385958A (zh) 一种用于电网巡检和监控的边缘智能检测方法
CN117541534A (zh) 一种基于无人机和CNN-BiLSTM模型的输电线路巡检方法
CN115546223A (zh) 一种列车车下设备紧固螺栓的缺失检测方法和***
CN112288700A (zh) 一种铁轨缺陷检测方法
CN116206222A (zh) 基于轻量化目标检测模型的输电线路故障检测方法及***
CN111091551A (zh) 一种铁路货车制动梁支柱开口销丢失故障检测方法
CN113962973A (zh) 一种基于卫星技术的输电线路无人机智能巡检***及方法
CN115546742A (zh) 一种基于单目热红外摄像头的铁轨异物识别方法及***
CN117252815A (zh) 基于2d-3d多模态图像的工业零件缺陷检测方法、***、设备及存储介质
CN116523885A (zh) 一种基于多尺度融合及深度学习的pcb缺陷检测方法
CN114549414A (zh) 一种针对轨道数据的异常变化检测方法及***
CN114596244A (zh) 基于视觉处理和多特征融合的红外图像识别方法及***
CN114842315B (zh) 轻量化高铁轮毂垫片防松识别方法及装置

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