一种配电网架空线路缺陷检测方法及系统

技术领域

本发明涉及配电网技术领域，特别是涉及一种配电网架空线路缺陷检测方法及系统。

背景技术

目前，配电网的运维主要依靠周期性巡检或特巡，运维人员与支撑手段不足，巡检工作目的性与指向性缺乏技术支撑，运维管理水平仍停留在故障检修与计划检修阶段，存在时效性差、覆盖面不足、工作流程繁琐和运检效率低下等问题，不能满足配电网高可靠运行以及供电保障的要求。

随着智能化的发展，红外测温、超声波局部放电和暂态录波法逐渐应用于配电网缺陷识别中，但是，局部放电所产生热量比较微小，通常红外测温不能发现。而红外测温发现高电阻处产生的热点未必存在放电，需要将暂态录波数据的异常研判结果、红外测温结果和超声超声波局部放电检测结果进行结合，才能实现高精度的架空线路缺陷检测，从而导致巡检效率低。

发明内容

本发明的目的是提供一种配电网架空线路缺陷检测方法及系统，以提高配电网架空线路缺陷检测的准确率和速度。

为实现上述目的，本发明提供了如下方案：

一种配电网架空线路缺陷检测方法，包括：

基于历史架空线路巡检数据集构建训练集和校正集；

基于所述训练集对缺陷检测模型进行训练，得到训练好的所述缺陷检测模型；

基于所述校正集对训练好的所述缺陷检测模型进行校正，得到校正后的所述缺陷检测模型；

获取架空线路的实时图像数据，结合校正后的所述缺陷检测模型，得到架空线路的实时缺陷检测结果。

优选地，所述基于历史架空线路巡检数据集构建训练集和校正集，包括：

获取历史架空线路巡检数据集；所述历史架空线路巡检数据集包括历史图像数据集和历史缺陷结果集；所述历史图像数据集与所述历史缺陷结果集相对应；

对所述历史图像数据集进行分割得到第一图像集和第二图像集；对所述历史缺陷结果集进行分割得到第一缺陷集和第二缺陷集；所述第一图像集与所述第一缺陷集相对应，所述第二图像集与所述第二缺陷集相对应；

基于所述所述第一图像集与所述第一缺陷集构建所述校正集；

对所述第二图像集进行数据增强，得到增强数据集；

基于所述增强数据集构建所述训练集；所述训练集包括训练数据和测试数据。

优选地，所述对所述第二图像集进行数据增强，得到增强数据集，包括：

对所述第二图像集进行随机擦除，得到擦除数据集；

对所述第二图像集进行剪切处理，得到剪切数据集；

对所述第二图像集进行马赛克添加，得到马赛克数据集；所述增强数据集包括所述第二图像集、所述擦除数据集、所述剪切数据集和所述马赛克数据集。

优选地，所述缺陷检测模型选用改进的Faster RCNN网络；

基于Transformer编码器和Transformer解码器构建特征提取融合层；

用所述特征提取融合层替换原始Faster RCNN网络中的特征提取层，得到所述改进的FasterRCNN网络。

优选地，所述获取架空线路的实时图像数据，结合校正后的所述缺陷检测模型，得到架空线路的实时缺陷检测结果，包括：

基于无人机对架空线路进行多角度拍摄，得到所述实时图像数据；

将所述实时图像数据输入到校正后的所述缺陷检测模型，得到架空线路的所述实时缺陷检测结果。

优选地，所述基于所述校正集对训练好的所述缺陷检测模型进行校正，得到校正后的所述缺陷检测模型，具体为：

将所述校正集输入到训练好的所述缺陷检测模型，得到校正缺陷检测结果；

基于所述校正缺陷检测结果进行校正，得到校正信息；

基于所述校正集和所述校正信息使训练好的所述缺陷检测模型重新学习，得到校正后的所述缺陷检测模型。

优选地，所述改进的Faster RCNN网络包括：

特征提取融合层，用于进行特征提取及融合，得到融合特征图；

区域生成网络RPN层，用于基于所述融合特征图，采用一组设定尺寸和设定比例得到锚点集，并通过softmax对所述锚点集进行划分，得到前景集和背景集，再利用区域回归对所述前景集进行修正得到候选区域；

RoIAlign层，用于将所述候选区域映射到所述融合特征图中并池化为设定大小的区域特征图；

检测层，用于基于所述区域特征图得到缺陷检测结果；所述缺陷检测结果包括存在缺陷和不存在缺陷，所述缺陷包括绝缘子破损、绝缘皮破损、绝缘子裂纹和绝缘子断股。

本发明还提供了一种配电网架空线路缺陷检测系统，包括：

数据构建模块，用于基于历史架空线路巡检数据集构建训练集和校正集；

模型训练模块，用于基于所述训练集对缺陷检测模型进行训练，得到训练好的所述缺陷检测模型；

模型校正模块，用于基于所述校正集对训练好的所述缺陷检测模型进行校正，得到校正后的所述缺陷检测模型；

缺陷检测模块，用于获取架空线路的实时图像数据，结合校正后的所述缺陷检测模型，得到架空线路的实时缺陷检测结果。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明涉及一种配电网架空线路缺陷检测方法及系统，方法包括：基于历史架空线路巡检数据集构建训练集和校正集；基于所述训练集对缺陷检测模型进行训练，得到训练好的所述缺陷检测模型；基于所述校正集对训练好的所述缺陷检测模型进行校正，得到校正后的所述缺陷检测模型；获取架空线路的实时图像数据，结合校正后的所述缺陷检测模型，得到架空线路的实时缺陷检测结果。本发明提高了配电网架空线路缺陷检测的准确率和速度。

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性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明配电网架空线路缺陷检测方法流程图；

图2为本发明配电网架空线路缺陷检测系统结构图；

图3为本发明改进的Faster RCNN网络结构图；

图4为本发明实时缺陷检测结果示意图。

符号说明：1、数据构建模块；2、模型训练模块；3、模型校正模块；4、缺陷检测模块。

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。

本发明的目的是提供一种配电网架空线路缺陷检测方法及系统，以提高配电网架空线路缺陷检测的准确率和速度。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明配电网架空线路缺陷检测方法流程图。如图1所示，本发明提供了一种配电网架空线路缺陷检测方法，包括：

步骤S1，基于历史架空线路巡检数据集构建训练集和校正集。

具体地，所述步骤S1包括：

步骤S11，获取历史架空线路巡检数据集；所述历史架空线路巡检数据集包括历史图像数据集和历史缺陷结果集；所述历史图像数据集与所述历史缺陷结果集相对应。

步骤S12，对所述历史图像数据集进行分割得到第一图像集和第二图像集；对所述历史缺陷结果集进行分割得到第一缺陷集和第二缺陷集；所述第一图像集与所述第一缺陷集相对应，所述第二图像集与所述第二缺陷集相对应。

步骤S13，基于所述所述第一图像集与所述第一缺陷集构建所述校正集。所述校正集中，每一组校正数据均为一组图片数据和与其对应的缺陷数据。

步骤S14，对所述第二图像集进行数据增强，得到增强数据集。图像规模越大标注成本越高，因此需要通过一些图像增强技术来模拟生成与训练数据相似但不同的例子，从而增加输入图像的多样性，使得检测模型对不同环境下获得的图像具有更高的鲁棒性。光度失真和几何失真是两种常用的在深度学习中的图像增强方法，有利于物体的检测任务。光度失真指调整图像的亮度、对比度、色调、饱和度和噪声，属于滤波范畴。几何失真指对图像进行随机缩放、裁剪、翻转和旋转，属于扭曲范畴，另外，还有一些最新的提高检测模型鲁棒性的图像增强方法，主要有随机擦除、剪贴增强、马赛克增强。本实施例中，选用随机擦除、剪贴和马赛克进行图像增强。

优选地，所述步骤S14包括：

步骤S141，对所述第二图像集进行随机擦除，得到擦除数据集。随机擦除指的是随机选择图像中的一个矩形区域，并用随机值来填充，从而生成了具有不同遮挡程度的训练图像，通过增加输入噪声来增加检测模型的检测难度，能够使得检测模型对自然环境中的遮挡具有鲁棒性。

步骤S142，对所述第二图像集进行剪切处理，得到剪切数据集。剪切处理与随机擦除类似，剪切处理指的是随机选择某一张图像中一个正方形区域，并将其直接覆盖于另一张图像上。

步骤S143，对所述第二图像集进行马赛克添加，得到马赛克数据集。所述增强数据集包括所述第二图像集、所述擦除数据集、所述剪切数据集和所述马赛克数据集。马赛克添加是一种图像拼接方法，将四张图像缩放并依次拼接成一张图。这能够使得检测模型感知其正常上下文之外的对象，丰富了检测物体的背景，也变相的增加了小物体的比例，能够显著提升小物体检测精度。

步骤S15，基于所述增强数据集构建所述训练集；所述训练集包括训练数据和测试数据。

步骤S2，基于所述训练集对缺陷检测模型进行训练，得到训练好的所述缺陷检测模型。

优选地，对所述缺陷检测模型进行训练选择下述两个方法中任意一个：

1)基于所述训练数据对所述缺陷检测模型进行迭代训练，得到初始训练好的所述缺陷检测模型，基于所述测试数据对初始训练好的所述缺陷检测模型进行测试，得到初始训练好的所述缺陷检测模型的准确率，重复此过程，直至初始训练好的所述缺陷检测模型的准确率达到设定阈值，得到训练好的所述缺陷检测模型。

2)基于所述训练数据对所述缺陷检测模型进行迭代训练，直至达到设定迭代次数，得到训练好的所述缺陷检测模型。

如图3所示，本实施例中，所述缺陷检测模型选用改进的FasterRCNN网络；所述改进的Faster RCNN网络包括：

特征提取融合层，用于进行特征提取及融合，得到融合特征图。所述特征提取融合层包括Transformer编码器和Transformer解码器，即用Transformer编码器和Transformer解码器构建所述特征提取融合层，并用所述特征提取融合层替换原始FasterRCNN网络中的特征提取层。

区域生成网络RPN层，用于基于所述融合特征图，采用一组设定尺寸和设定比例得到锚点集，并通过softmax对所述锚点集进行划分，得到前景集和背景集，再利用区域回归对所述前景集进行修正得到候选区域。

RoIAlign层，用于将所述候选区域映射到所述融合特征图中并池化为设定大小的区域特征图。

检测层，用于基于所述区域特征图得到缺陷检测结果；所述缺陷检测结果包括存在缺陷和不存在缺陷，所述缺陷包括绝缘子破损、绝缘皮破损、绝缘子裂纹和绝缘子断股。

步骤S3，基于所述校正集对训练好的所述缺陷检测模型进行校正，得到校正后的所述缺陷检测模型。

进一步地，所述步骤S3包括：

步骤S31，将所述校正集输入到训练好的所述缺陷检测模型，得到校正缺陷检测结果。

步骤S32，基于所述校正缺陷检测结果进行校正，得到校正信息。

步骤S33，基于所述校正集和所述校正信息使训练好的所述缺陷检测模型重新学习，得到校正后的所述缺陷检测模型。

步骤S4，获取架空线路的实时图像数据，结合校正后的所述缺陷检测模型，得到架空线路的实时缺陷检测结果。

可选地，所述步骤S4包括：

步骤S41，基于无人机对架空线路进行多角度拍摄，得到所述实时图像数据。

优选地，基于无人机操作界面对所述无人机进行控制，在所述无人机操作界面中点击进入采点模式。

选择需要采集的线路，如果有线路的情况下只需选择弹出的线路后点击使用线路。如果没有需要采集的线路情况下，先点击新建线路，然后进行打点并记录，生成新的线路。

无人机在距离杆塔正上方3-5米的位置进行多角度拍照，拍照后无人机会进行杆塔坐标记录，下次飞行自动生成围绕杆塔拍照的四角形；如果出现障碍物则需进行绕障；如果观察到杆塔周围障碍物较多，则需上升至安全位置，四周确定不会触碰障碍物再进行拍照。

步骤S42，将所述实时图像数据输入到校正后的所述缺陷检测模型，得到架空线路的所述实时缺陷检测结果。所述实时缺陷检测结果如图4所示。

进一步地，将本发明的方法与现有的基于YOLOv7的方法进行对比，本发明的方法的测试结果如表1所示，现有的基于YOLOv7的方法的测试结果如表2所示。

表1本发明的方法的测试结果

/>

表2现有的基于YOLOv7的方法的测试结果

表1和表2中，Images表示测试数量，Class表示纲要，all表示总的值，Labels表示标签，P表示准确率，R表示召回率，Image_P表示缺陷检测精度，从表1和表2可以看出，本发明的方法在绝缘子破损、绝缘皮破损、绝缘子裂纹和绝缘子断股四种缺陷检测中检测精度均高于现有技术，且总的检测精度也高于现有技术。

图2为本发明配电网架空线路缺陷检测系统结构图。如图2所示，本发明提供了一种配电网架空线路缺陷检测系统，包括：数据构建模块1、模型训练模块2、模型校正模块3和缺陷检测模块4。

所述数据构建模块1用于基于历史架空线路巡检数据集构建训练集和校正集。

所述模型训练模块2用于基于所述训练集对缺陷检测模型进行训练，得到训练好的所述缺陷检测模型。

所述模型校正模块3用于基于所述校正集对训练好的所述缺陷检测模型进行校正，得到校正后的所述缺陷检测模型。

所述缺陷检测模块4用于获取架空线路的实时图像数据，结合校正后的所述缺陷检测模型，得到架空线路的实时缺陷检测结果。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。