输电线路通道内树障检测方法、计算机设备及存储介质

技术领域

本发明属于电力巡检技术领域，具体涉及输电线路通道内树障检测技术。

背景技术

由于空间走廊资源的稀缺，输配电线路不可避免地要大量穿过各类人迹罕至的山区、林地。随着输配电线路下方树木的不断生长，导线与树木之间的距离不断缩小，当低于对应电压等级的安全距离后，极易引发树线矛盾(短路跳闸或接地故障等)，从而对电力系统的安全稳定运行造成极大威胁，因此需要提前测量和防范。输电线路通道内线树距离是指架空线路与通道内树木间的最短距离，即垂直方向或侧方向的最短距离，运检人员通过测量该距离的大小，即可掌握因线路通道内树障闪络放电引发事故的概率，从而判断是否需要进行人工处理。因此，对线树距离进行常态化、大范围、高精度、无风险、经济性测量和及时预警处置，是确保输电线路安全稳定运行的重要环节。

早期的线树距离测量多以目测法为主，这种方法主要依靠巡检人员的经验和直觉，可信度较低。相关单位为了提高线树距离监测的准确度，先后引入了激光测距仪和光学经纬仪等测量仪器。但由于输配电线路空间走廊长、途径区域地势复杂，采用仪器测量需要耗费大量人力和物力，难以满足线树距离测量需求。

为提高巡检效率，东北电力大学构建了包含风速、温度、树高预测等因素在内的线树距离预判模型，并使用输配电线路在线监测设备完成了对线树距离的测量。这种方法虽然能够实现线树距离的实时稳定监测，但在线监测设备投资高昂、维护困难、数据传输不便，因此并未能得到推广应用。为降低测量成本并精准掌握输配电线路沿线的数据，南方电网超高压公司采用直升机搭载激光雷达获取了输配电线路沿线的三维激光点云数据，构建出了包含高程信息在内的沿线三维模型，实现了对线树距离的快速、精确测量，但这种方法专业性较强，难以实现线树距离的常态化监测。针对这一问题，技术人员开始尝试使用立体成像以匹配空间点云数据。得益于高精度相机的应用和摄影测量技术的突破，这种方法得到的点云数据具备和激光雷达相类似的精度，使得利用便携无人机搭载高清相机进行倾斜摄影并构建输配电线路沿线三维模型的方法成为了可能。贵州电网输配电运行检修公司利用这一技术成功实现了线树距离的测量。然而无人机的续航里程和通信距离均较短，难以实现输配电线路通道的快速覆盖，且存在无人机坠机的风险，会对输配电线路的安全稳定运行造成潜在威胁。

发明内容

本发明所要解决的技术问题就是提供一种基于Qt中深度学习的输电线路通道内树障检测方法、计算机设备及存储介质，能够在巡线过程中识别对配网架空线路有危害的树障。

为解决上述技术问题，本发明采用如下技术方案：

一方面，提供了一种基于Qt中深度学习的输电线路通道内树障检测方法，在输电线路所在区域安装有视频采集设备，并由视频采集设备采集输电线路通道所在区域的视频流，该检测方法包括如下步骤：首先，利用从视频采集设备获取的视频流训练YOLOv4模型；然后，利用训练成功的YOLOv4模型对视频流进行检测，判断输电线路通道内是否存在树障；最后，由YOLOv4模型输出输电线路通道内是否存在树障的结果。

优选的，在训练YOLOv4模型前，在Qt中建立MainWindow界面，并读入YOLOv4模型的网络结构代码和预训练权重文件。

优选的，所述视频采集设备包括沿输电线路延伸方向分布的多个摄像头，使用VideoCapture调用打开摄像头获取视频流，用OpenCV读入视频，对原视频流进行多尺度的缩放。

优选的，对原视频流进行多尺度的缩放操作是在保持图像长宽比的情况下，缩减尺寸到像素416×416以下。

优选的，YOLOv4模型在存在输电线路通道内树障则显示“shuzhang”，未发现树障则不显示目标框图。

另外一方面，本发明还提供了一种计算机设备，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行所述的基于Qt中深度学习的输电线路通道内树障检测方法。

进一步的，本发明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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现所述的基于Qt中深度学习的输电线路通道内树障检测方法。

本发明采用的技术方案，在Qt中建立界面调用YOLO系列第四代——YOLOv4，其采用CSPNet、SPPnet、PANet等优秀算法实现速度和精度的全面提升。其独特的网络模型构建即使在单块GTX 1080ti或2080ti上也可以训练出性能良好的模型。在提高网络图像特征提取能力的同时，实现精度和速度的相互平衡和性能的全面提升。

本发明可通过Qt中搭建的界面，使用按键实现对摄像头的调用，同时利用YOLOv4对输配电导线周围树障情况进行检测，实现了调用检测功能的集成，发挥Qt优良跨平台特性，模块化程度高以及可重用性好的特点，因此提高了树障识别算法的准确度和快速性。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中结合附图进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为YOLOv4模型对视频流进行检测的图像识别处理流程。

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。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有作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

参阅图1，基于Qt中深度学习的输电线路通道内树障检测方法，输电线路所在区域安装有视频采集设备，并由视频采集设备采集输电线路通道所在区域的视频流，通过基于YOLOv4目标识别算法进行树障检测，包括以下步骤：

S1：在Qt中建立MainWindow界面，实现对算法的调用；

本发明中基于Qt中搭建界面，使用connect语句将信号和槽连接，实现通过界面中的按键对YOLOv4目标识别算法和摄像头的调用。

S2：模型初始化，读入YOLOv4模型的网络结构代码和预训练权重文件；

本发明在查阅大量文献后发现，YOLOv4采用CSPNet、SPPnet、PANet等优秀算法。在MS COCO测试数据集上，m AP达到43.5％；在Tesla V100上的检测速度可达到65f/s，满足实时检测需求。其独特的网络模型构建即使在单块GTX1080ti或2080ti上也可以训练出性能良好的模型。相较于之前的RCNN、Fast RCNN、Faster RCNN、YOLOv2、Retina Net以及YOLOv3算法，不仅提高网络图像特征提取能力，而且实现精度和速度的相互平衡和性能的全面提升。因此，本发明使用YOLOv4模型对输配电导线周围树障情况进行识别。YOLOv4模型的图像识别处理流程参考现有技术，如图1所示，采用二维或三维形变模型，包括目标检测或跟踪、图像预处理、图像特征抽取、识别/分类、标签。

本发明使用的YOLOv4模型C++版代码，程序包括了训练后的权重文件yolov4.weights、引导文件yolov4.cfg、微软COCO数据集的预训练权值文件以及调用的OpenCV库，在Qt环境中运行并实现对输电线路通道内树障的识别。

S3：使用VideoCapture调用打开摄像头获取视频流，用OpenCV读入视频，对原视频流进行多尺度的缩放；

在VideoCapture中添加open(0)默认打开本地摄像头，或添加open(adress)，通过输入rtsp地址进行远程摄像头的调用。调用blobFromImage函数对视频流进行逐帧预处理，在size部分设定神经网络训练的图片大小为416×416，并作为输出尺寸。

S4：调用NMSbox函数对视频流中目标物体进行框定，保留和ground truth重叠度最高的bounding box；

NMSbox为非极大值抑制框定，在目标检测中，分类器会给每个bounding box(bb)计算出一个class score，就是这个bb属于每一类的概率，NMS就是根据这些值来进行的，具体过程为：对于每一类，首先把所有score

S5：利用训练成功的YOLOv4模型对视频流进行检测。

S6：存在输电线路通道内树障则显示“shuzhang”，未发现树障则不显示目标框图,实现基于在Qt中深度学习的树障识别算法。

在输入视频流经过YOLOv4模型算法检测后，会进行输配电导线周围树障的判断，最后输出检测结果。

本发明提出了基于Qt中深度学习的树障检测算法。为了提高树障识别算法的准确度和快速性，本发明引入了采用CSPNet、SPPnet、PANet等优秀算法的YOLOv4模型算法，并在Qt中搭建了调用摄像头捕捉现场视频流并进行识别的界面。可以在当前界面通过按键进行对本地或者远程摄像头的调用，实现对输配电导线周围树障情况的检测，使树障检测的集成度和智能化大大提高。

实施例二

一种计算机设备，包括至少一个处理器和存储器；所述存储器存储计算机执行指令；所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如实施例一所述的基于Qt中深度学习的输电线路通道内树障检测方法。

实施例三

一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如实施例一所述的基于Qt中深度学习的输电线路通道内树障检测方法。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。