本發(fā)明涉及機器視覺檢測，具體涉及一種基于紅外圖像的線夾發(fā)熱故障檢測方法。

背景技術：

1、輸電線路是電力系統(tǒng)的重要組成部分，輸電線路通道定期巡檢是保證電力系統(tǒng)穩(wěn)定運行的重要舉措，巡檢內容主要包括輸電線路電力設備外觀缺陷檢測和電力線周圍危險地物預測。輸電線路由眾多電力設備組成，由于輸電線路跨度較長，電力設備所處環(huán)境比較復雜，長時間暴露在戶外，受到風吹日曬，損傷和銹蝕是不可避免的，給電網(wǎng)的穩(wěn)定工作帶來了很大的安全隱患。懸垂線夾和耐張線夾是輸電線路的重要電力設備，其中，懸垂線夾用于懸掛或支托電力線，主要承受垂直荷重的金具；耐張線夾用于在耐張、轉角、終端桿塔的絕緣子串上固定電力線和避雷線，主要承受電力線張力的金具。

2、隨著高壓架空輸電線路覆蓋范圍越來越廣泛，且電網(wǎng)常常架設于崇山峻嶺之間，輸電線路通道巡檢成為電力部門一項繁重的日常工作。供電公司大多以人工巡檢為主的方式對電力設備進行故障診斷，然而此種巡檢模式存在以下問題：1)巡檢人員工作風險高：我國部分地區(qū)輸電線路架設環(huán)境比較險峻，如若工作人員因為信號丟失，與外界失去聯(lián)系，則很難在第一時間求救而面臨生命危險。2)巡檢效率低：由于輸電線路走廊環(huán)境較為復雜，一般依山而建，所處的環(huán)境一般較為惡劣，工作人員在巡檢的時候，很多時間都花費在克服自然環(huán)境的問題上。3)巡檢質量差，無法及時解決故障：巡檢效率低和工作任務重導致人工巡檢工作周期長，時常會出現(xiàn)一個部分還未巡檢完成，已檢查過的正常部分又發(fā)生故障。這種情況不僅增加了工作量，也導致輸電線故障得不到及時處理。近年來，由于無人機重量輕、體積較小，便于攜帶，而且成本低、能自動飛行，具有作業(yè)速度快，測量精度高、測量數(shù)據(jù)大、自動化程度高等優(yōu)點。為了克服目前人工巡檢模式的弊端，利用無人機巡檢輸電線路已成為一種新興的巡線方式。隨著無人機技術的發(fā)展，智能巡檢移動平臺應運而生。在電力巡檢領域，無人機憑借其自身靈活小巧的特點，搭載紅外相機對輸電線路進行設備識別與缺陷檢測，相較于人工巡檢則不需要考慮交通的阻礙，不僅降低巡檢人員克服復雜自然環(huán)境的難度，而且能更有效地發(fā)現(xiàn)電力設備故障點的位置，迅速維修并恢復供電。但是無人機巡檢會產生海量的巡檢圖像和視頻，目前主要采用以人工檢測的方式對耐張線夾和懸垂線夾進行發(fā)熱故障檢測，不僅消耗大量的人力資源，而且容易造成漏檢或誤判。

技術實現(xiàn)思路

1、(一)解決的技術問題

2、針對上述無人機航拍輸電線路的紅外圖像或視頻中線夾發(fā)熱故障人工檢測容易出現(xiàn)漏檢或誤檢等缺陷問題，本發(fā)明提供了一種基于紅外圖像的線夾發(fā)熱故障檢測方法，利用深度學習和計算機視覺技術相結合對紅外圖像或視頻中線夾發(fā)熱故障檢測，實現(xiàn)耐張線夾和懸垂線夾發(fā)熱狀態(tài)自動感知與分析，有效提升輸電線路巡檢的自動化、智能化水平。

3、(二)技術方案

4、為實現(xiàn)以上目的，本發(fā)明通過以下技術方案予以實現(xiàn)：

5、一種基于紅外圖像的線夾發(fā)熱故障檢測方法，包括以下步驟：

6、s1、獲取無人機航拍輸電線路紅外圖像，通過圖像數(shù)據(jù)增強處理來擴充樣本數(shù)量；

7、s2、構建耐張線夾和懸垂線夾發(fā)熱紅外圖像數(shù)據(jù)集；

8、s3、利用pytorch深度學習框架下搭建yolo-v7網(wǎng)絡模型；

9、s4、利用步驟s2的耐張線夾和懸垂線夾發(fā)熱紅外圖像數(shù)據(jù)集訓練優(yōu)化步驟s3的深度學習網(wǎng)絡模型，最后得到耐張線夾和懸垂線夾發(fā)熱圖像自動檢測的yolo-v7網(wǎng)絡模型；

10、s5、將無人機巡檢輸電線路獲得的紅外圖像或視頻數(shù)據(jù)輸入到步驟s4優(yōu)化好的yolo-v7網(wǎng)絡模型，利用yolo-v7網(wǎng)絡模型對紅外數(shù)據(jù)中的發(fā)熱耐張線夾和懸垂線夾進行預測，并輸出預測結果。

11、根據(jù)本發(fā)明的一實施例，所述步驟s1中圖像數(shù)據(jù)增強處理采用生成對抗網(wǎng)絡模型，所述生成對抗網(wǎng)絡模型采用cyclegan網(wǎng)絡模型，所述網(wǎng)絡模型包括第一生成器g、第一判別器dx、第二生成器f、第二判別器dy，所述金具發(fā)熱紅外圖像數(shù)據(jù)集分成x域圖像和y域圖像，x域圖像包含真實樣本x，y域圖像包含真實樣本y；所述第一生成器g產生生成樣本g(x)和重建樣本g(f(y))，所述第二生成器f產生生成樣本f(y)和重建樣本f(g(x))；所述真實樣本x和生成樣本f(y)與第一生成器g相連用于產生生成樣本g(x)，所述生成樣本g(x)與真實樣本y與第二判別器dy相連用于判別生成樣本真假，并得到損失函數(shù)lgan2；所述真實樣本y和生成樣本g(x)與第二生成器f相連用于產生生成樣本f(y)，所述生成樣本f(y)與真實樣本x與第一判別器dx相連用于判別生成樣本真假，并得到損失函數(shù)lgan1；所述重建樣本f(g(x))與真實樣本x、重建樣本g(f(y))與真實樣本y構成循環(huán)損失函數(shù)lcyc。

12、根據(jù)本發(fā)明的一實施例，所述步驟s2先將步驟s1得到的圖像分辨率統(tǒng)一調整為416×416大小，再使用labelimg工具進行發(fā)熱線夾目標標注，其中數(shù)據(jù)集中的70％圖像用于訓練，剩余的30％圖像用于測試。

13、根據(jù)本發(fā)明的一實施例，所述步驟s3中yolo-v7網(wǎng)絡模型包括骨干網(wǎng)絡、特征融合網(wǎng)絡和預測網(wǎng)絡，所述骨干網(wǎng)絡包括第一特征提取模塊、第二特征提取模塊、第三特征提取模塊、第四特征提取模塊、第五特征提取模塊、spp模塊，所述第一特征提取模塊、第二特征提取模塊、第三特征提取模塊、第四特征提取模塊、第五特征提取模塊、spp模塊依次連接；所述特征融合模塊包括第一有效特征層、第二有效特征層、第三有效特征層、第四有效特征層、第五有效特征層、第六有效特征層，所述第一有效特征層的輸入端與spp模塊輸出端相連，所述第二有效特征層的輸入端與第四特征提取模塊輸出端、第一有效特征層的輸出端經(jīng)過2倍上采樣相連接，所述第三有效特征層的輸入端與第三特征提取模塊輸出端、第二有效特征層的輸出端經(jīng)過2倍上采樣相連接，所述第四有效特征層的輸入端與第三有效特征層的輸出端相連，所述第五有效特征層的輸入端與第二有效特征層的輸出端、第四有效特征層的輸出端經(jīng)過2倍降采樣相連接，所述第六有效特征層的輸入端與第一有效特征層的輸出端、第五有效特征層的輸出端經(jīng)過2倍降采樣相連接；所述預測網(wǎng)絡包括第一yolo-head、第二yolo-head、第三yolo-head，所述第一yolo-head與第六有效特征層相連接，所述第二yolo-head與第五有效特征層相連接，所述第三yolo-head與第四有效特征層相連接。

14、根據(jù)本發(fā)明的一實施例，所述spp模塊的輸出端與第六有效特征層的輸入端相連接，所述第四特征提取模塊的輸出端與第五特征有效層的輸入端相連接，所述第三特征提取模塊的輸出端與第四有效特征層的輸入端相連接。

15、根據(jù)本發(fā)明的一實施例，所述第一特征提取模塊、第二特征提取模塊、第三特征提取模塊、第四特征提取模塊、第五特征提取模塊分別包括第一1*1卷積層、3*3深度可分離卷積層、第二1*1卷積層、特征融合層，所述第一1*1卷積層、3*3深度可分離卷積層、第二1*1卷積層、特征融合層依次連接。

16、根據(jù)本發(fā)明的一實施例，所述第一特征提取模塊的個數(shù)為1，所述第二特征提取模塊的個數(shù)為2，所述第三特征提取模塊的個數(shù)為8，所述第四特征提取模塊的個數(shù)為8，所述第五特征提取模塊的個數(shù)為4。

17、(三)有益效果

18、本發(fā)明的有益效果：一種基于紅外圖像的線夾發(fā)熱故障檢測方法，利用yolo-v7網(wǎng)絡模型和計算機視覺技術相結合對紅外圖像或視頻中線夾發(fā)熱故障檢測；特征融合網(wǎng)絡采用更加高效快速的bifpn結構進行特征融合，與panet相比，減小了計算量，又添加了跳躍連接，融合了更多的特征；本發(fā)明實現(xiàn)耐張線夾和懸垂線夾發(fā)熱狀態(tài)自動感知與分析，有效提升輸電線路巡檢的自動化、智能化水平。