電力檢測(cè)-基于深度學(xué)習(xí)的輸電設(shè)備缺陷自動(dòng)識(shí)別方法

[全]電力檢測(cè)-基于深度學(xué)習(xí)的輸電設(shè)備缺陷自動(dòng)識(shí)別方法電力系統(tǒng)有別于其他行業(yè)，維護(hù)不能隨意中斷生產(chǎn)，這就要在事故發(fā)生之前做好充分的預(yù)測(cè)一在事故發(fā)生之前解決故障，重點(diǎn)是輸電線路的預(yù)防性巡檢工作。輸電線路負(fù)擔(dān)高電壓大電流的長(zhǎng)期工作，近年來(lái)隨著全球變暖惡劣氣象天候頻發(fā)，對(duì)電網(wǎng)安全運(yùn)行構(gòu)成越來(lái)越大的危險(xiǎn)。隨著電網(wǎng)智能化水平不斷提高，無(wú)人機(jī)巡檢被越來(lái)越多的采用。每一次巡檢任務(wù)完成后都會(huì)產(chǎn)生大量的巡檢圖片。一方面，現(xiàn)有的巡檢圖像處理方式，大都是基于人工判讀的方式來(lái)完成目標(biāo)部件的標(biāo)定和缺陷的分類，人工判讀方式勞動(dòng)強(qiáng)度大、工作效率低。另一方面，人工判讀方式?jīng)]有一個(gè)統(tǒng)一的評(píng)判標(biāo)準(zhǔn)作為依據(jù)、易受個(gè)人主觀因素的影響，常常漏判或錯(cuò)判很多缺陷。以上兩方面的因素使得現(xiàn)有的巡檢方式不但不能迅速的排查輸電設(shè)備的缺陷，而且使得巡檢效果不佳，從而導(dǎo)致線路狀態(tài)監(jiān)管缺位，這些都使得輸電線路巡檢工作效果大打折扣，給輸電線路安全留下隱患。問(wèn)題拆分采用深度學(xué)習(xí)技術(shù)對(duì)無(wú)人機(jī)巡檢獲得的輸電塔的本體照片進(jìn)行自動(dòng)分析，首先利用FasterRcnn算法自動(dòng)從無(wú)人機(jī)巡檢照片中識(shí)別出需要進(jìn)行檢測(cè)的輸電設(shè)備，然后將輸電設(shè)備送入針對(duì)該設(shè)備的缺陷分類器，判斷該設(shè)備是否具有缺陷以及缺陷類型。若有缺陷，則自動(dòng)在圖片中進(jìn)行標(biāo)注缺陷設(shè)備所在位置以及缺陷類型，最終生成缺陷報(bào)告，給檢修人員提供檢修信息。本發(fā)明的分析過(guò)程具有準(zhǔn)確率高、處理速度快、可靠性好等優(yōu)點(diǎn)，實(shí)現(xiàn)了輸電線路巡檢照片的自動(dòng)分析，無(wú)需人工參與。問(wèn)題解決—種基于深度學(xué)習(xí)的輸電設(shè)備缺陷自動(dòng)識(shí)別方法，步驟包括：[0007]S1、使用多目標(biāo)識(shí)別算法從無(wú)人機(jī)巡檢照片或視頻中識(shí)別出目標(biāo)設(shè)備；[0008]S2、使用深度學(xué)習(xí)分類器對(duì)目標(biāo)設(shè)備是否有缺陷以及缺陷類型進(jìn)行判斷。[0009]進(jìn)一步的，步驟Sl所述的多目標(biāo)識(shí)別算法采用Faster-Rcnn模型，具體步驟為：[0010]S11、使用卷積神經(jīng)網(wǎng)絡(luò)從原始圖片中提取圖片的卷積特征；[0011]S12、使用RPNNet提取可能存在目標(biāo)設(shè)備的候選區(qū)域；[0012]S13、針對(duì)步驟Sl2中提取的候選區(qū)域，使用ROIpoolinglayer從原始圖片的卷積特征圖中提取特征向量，將每個(gè)候選區(qū)域的特征向量送入分類器進(jìn)行分類，判斷其所屬的設(shè)備種類，同時(shí)精確回歸出包含輸電設(shè)備的矩形區(qū)域的坐標(biāo)。[0013]更進(jìn)一步的，步驟Sll所述卷積神經(jīng)網(wǎng)絡(luò)采用結(jié)構(gòu)包括:VGG，ResNet，PvaNet。[0014]更進(jìn)一步的，步驟S13所述ROIpoolinglayer將每個(gè)候選區(qū)域的特征圖均勾分成MXN塊，對(duì)每塊進(jìn)行maxpooIing操作，提取特征向量。[0015]更進(jìn)一步的，所述Faster-Rcnn模型構(gòu)建方法為：[0016]SlOl、制作Faster-Rcnn樣本，將一定規(guī)模的無(wú)人機(jī)輸電線路巡檢照片進(jìn)行人工標(biāo)注，標(biāo)出圖中所有的輸電設(shè)備名稱和位置，從中隨機(jī)選取總數(shù)9/10的圖片作為訓(xùn)練數(shù)據(jù)集，另外的1/10圖片作為測(cè)試數(shù)據(jù)集；[0017]S102、Faster-Rcnn模型訓(xùn)練，將步驟SlOl的訓(xùn)練數(shù)據(jù)集輸入到Faster-Rcnn中對(duì)模型訓(xùn)練。訓(xùn)練使用隨機(jī)梯度下降方法對(duì)模型參數(shù)進(jìn)行更新，迭代20萬(wàn)步，最終完成模型訓(xùn)練；[0018]S103、Faster-Rcnn模型測(cè)試與修正，使用步驟SlOl的測(cè)試數(shù)據(jù)集對(duì)訓(xùn)練完成的Faster-Rcnn模型進(jìn)行測(cè)試，得到其準(zhǔn)確率;依據(jù)準(zhǔn)確率高低判斷是否要添加數(shù)據(jù)和更改訓(xùn)練參數(shù)繼續(xù)訓(xùn)練模型；[0019]S104、在新增的機(jī)器識(shí)別的結(jié)果中抽取部分典型的圖片，重新制作新的訓(xùn)練樣本，在原有模型的基礎(chǔ)上不斷更新Faster-Rcnn模型。[0020]進(jìn)一步的，所述深度學(xué)習(xí)分類器采用深度卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，構(gòu)建輸電設(shè)備缺陷分類模型。[0021]更進(jìn)一步的，所述輸電設(shè)備缺陷分類模型的構(gòu)建方法為：[0022]S201、樣本制作，針對(duì)每一種輸電設(shè)備，收集包含正常輸電設(shè)備的樣本和存在缺陷的輸電設(shè)備樣本，并為每張存在缺陷的樣本圖片打上缺陷種類標(biāo)簽。取總數(shù)9/10的圖片作為訓(xùn)練數(shù)據(jù)集，另外的1/10圖片作為測(cè)試數(shù)據(jù)集；[0023]S202、訓(xùn)練輸電設(shè)備缺陷分類模型，針對(duì)每一種輸電設(shè)備使用步驟S201中制作的訓(xùn)練數(shù)據(jù)集訓(xùn)練缺陷分類器，分類器的深度網(wǎng)絡(luò)模型選用深度卷積神經(jīng)網(wǎng)絡(luò)DeepResidualNeuralNetworks；[0024]S203、輸電設(shè)備缺陷分類模型測(cè)試與修正。針對(duì)每一種輸電設(shè)備的缺陷分類器，使用步驟S201中的測(cè)試數(shù)據(jù)測(cè)試其準(zhǔn)確率。依據(jù)準(zhǔn)確率高低，判斷接下來(lái)是否需要添加樣本或修改訓(xùn)練參數(shù)繼續(xù)進(jìn)行訓(xùn)練；[0025]S204、在新增的機(jī)器識(shí)別的結(jié)果中抽取部分典型的圖片，重新制作新的訓(xùn)練樣本，在原有模型的基礎(chǔ)上不斷更新Faster-Rcnn模型。[0026]更進(jìn)一步的，所述深度卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)包括Alexnet、GoogIeNet、ResNet0[0027]相對(duì)于現(xiàn)有技術(shù)，本發(fā)明所述的一種基于深度學(xué)習(xí)的輸電設(shè)備缺陷自動(dòng)識(shí)別方法具有以下優(yōu)勢(shì)：[0028]本發(fā)明使用深度學(xué)習(xí)處理無(wú)人機(jī)輸電線路巡檢照片，能夠?qū)崿F(xiàn)輸電設(shè)備缺陷的自動(dòng)識(shí)別，以取代人工判別的方式，自動(dòng)發(fā)現(xiàn)并報(bào)告設(shè)備隱患位置和種類信息，以便維修人