一种玻璃绝缘子雷击放电缺陷识别方法、装置及设备与流程

本技术涉及绝缘子，尤其涉及一种玻璃绝缘子雷击放电缺陷识别方法、装置及设备。

背景技术：

1、绝缘子在输电线路中起重要的电气绝缘和机械支撑作用，良好的绝缘子对输电线路安全稳定运行具有重要意义，而玻璃绝缘子相对于其他类型的绝缘子又具有机械强度高、检测方便、零值自爆、维护成本较低等优点，故玻璃绝缘子在输电线路中被广泛运用。但输电线路由于运行条件的差异，玻璃绝缘子容易遭受不同程度的雷击放电，造成绝缘子设备使用寿命的缩短，容易发生不同程度的劣化自爆，当自爆绝缘子数量不满足《架空送电线路运行规程》要求时，将导致输电线路跳闸事故的发生，严重威胁电网、设备的安全稳定运行。因此，采取有效的防范措施有利于避免输电线路因绝缘子自爆而跳闸事故的发生。

2、现有对输电线路上的绝缘子检测采用人工现场测试的方法效率很低，且电网内有数以万计的杆塔，每年的巡检任务很重，采用人工现场检测的方法费时费力。

技术实现思路

1、本技术实施例提供了一种玻璃绝缘子雷击放电缺陷识别方法、装置及设备，用于解决现有对输电线路上的绝缘子运行过程的巡检采用人工方式，从而使得检测效率低且费时费力的技术问题。

2、为了实现上述目的，本技术实施例提供如下技术方案：

3、一种玻璃绝缘子雷击放电缺陷识别方法，包括以下步骤：

4、构建rcnn检测模型和yolov4检测模型，所述yolov4检测模型是基于自适应特征融合改进yolov4网络构建的；

5、获取输电线路上玻璃绝缘子的巡检图像和巡检航线信息，采用所述yolov4检测模型对所述巡检图像进行检测，得到检测识别结果；

6、若所述检测识别结果为玻璃绝缘子存在雷击闪络缺陷，根据所述巡检航线信息并采用所述rcnn检测模型对所述巡检图像进行检测，得到雷击闪络缺陷的位置和类型。

7、优选地，构建yolov4检测模型包括：

8、获取具有雷击闪络缺陷的第一缺陷图像数据，所述第一缺陷图像数据包括n张第一缺陷图像；

9、将自适应特征融合和yolov4网络的pan结构结合对所述第一缺陷图像数据进行训练处理，得到yolov4检测模型。

10、优选地，将自适应特征融合和yolov4网络的pan结构结合对所述第一缺陷图像数据进行训练处理的内容包括：

11、通过yolov4网络的pan结构对所述第一缺陷图像数据进行处理，得到至少三种不同尺度大小的特征图；

12、采用自适应特征融合对每种所述特征图进行恒等缩放处理，得到相同尺度的特征缩放图，并计算所述特征缩放图对应尺度的权重；

13、采用自适应特征融合对与所有所述特征缩放图对应的权重进行融合计算，得到各尺度特征映射融合的空间权重。

14、优选地，所述yolov4检测模型采用权重计算公式计算所述特征缩放图对应尺度的权重，所述权重计算公式为：

15、

16、

17、

18、式中，α、β、γ分别为权重的数值，l为尺度的大小，i、j分别为特征图的空间位置横纵坐标数值，λ为yolov4网络中卷积核计算控制系数。

19、优选地，所述yolov4检测模型采用融合计算公式对所有所述特征缩放图的权重进行计算，得到各尺度特征映射融合的空间权重；所述融合计算公式为：

20、

21、

22、

23、式中，α、β、γ分别为权重的数值，l为尺度的大小，i、j分别为特征图的空间位置横纵坐标数值，为第a个特征缩放图在空间位置(i，j)处的向量。

24、优选地，将自适应特征融合和yolov4网络的pan结构结合对所述第一缺陷图像数据进行训练处理过程中包括：采用解耦头对yolov4网络卷积层输出的数据进行拼接、重构处理，得到特征图的尺寸。

25、优选地，构建rcnn检测模型包括：

26、获取标记有缺陷类别、位置信息的第二缺陷图像数据，所述第二缺陷图像数据包括n张第二缺陷图像；

27、采用三个级联检测头的rpn网络对所述第二缺陷图像数据进行训练处理，得到能够识别缺陷位置和类别的rcnn检测模型。

28、本技术还提供一种玻璃绝缘子雷击放电缺陷识别装置，包括：模型构建模块、缺陷识别模块和位置类型识别模块；

29、所述模型构建模块，用于构建rcnn检测模型和yolov4检测模型，所述yolov4检测模型是基于自适应特征融合改进yolov4网络构建的；

30、所述缺陷识别模块，用于获取输电线路上玻璃绝缘子的巡检图像和巡检航线信息，采用所述yolov4检测模型对所述巡检图像进行检测，得到检测识别结果；

31、所述位置类型识别模块，用于根据所述检测识别结果为玻璃绝缘子存在雷击闪络缺陷，根据所述巡检航线信息并采用所述rcnn检测模型对所述巡检图像进行检测，得到雷击闪络缺陷的位置和类型。

32、优选地，所述模型构建模块包括第一模型构建模块和第二模型构建模块；

33、所述第一模型构建模块，用于获取具有雷击闪络缺陷的第一缺陷图像数据，将自适应特征融合和yolov4网络的pan结构结合对所述第一缺陷图像数据进行训练处理，得到yolov4检测模型；

34、所述模型构建模块，用于获取标记有缺陷类别、位置信息的第二缺陷图像数据，采用三个级联检测头的rpn网络对所述第二缺陷图像数据进行训练处理，得到能够识别缺陷位置和类别的rcnn检测模型；

35、其中，所述第一模型构建模块还用于通过yolov4网络的pan结构对所述第一缺陷图像数据进行处理，得到至少三种不同尺度的特征图；采用自适应特征融合对每种所述特征图进行恒等缩放处理，得到相同尺度的特征缩放图，并采用权重计算公式计算所述特征缩放图对应尺度的权重；通过自适应特征融合对与所有所述特征缩放图对应的权重采用融合计算公式进行融合计算，得到各尺度特征映射融合的空间权重；

36、所述权重计算公式为：

37、

38、

39、

40、所述融合计算公式为：

41、

42、

43、

44、式中，α、β、γ分别为权重的数值，l为尺度的大小，i、j分别为特征图的空间位置横纵坐标数值，λ为yolov4网络中卷积核计算控制系数，为第a个特征缩放图在空间位置(i，j)处的向量。

45、本技术还提供一种终端设备，包括处理器以及存储器；

46、所述存储器，用于存储程序代码，并将所述程序代码传输给所述处理器；

47、所述处理器，用于根据所述程序代码中的指令执行上述所述的玻璃绝缘子雷击放电缺陷识别方法。

48、从以上技术方案可以看出，本技术实施例具有以下优点：该玻璃绝缘子雷击放电缺陷识别方法、装置及设备，该方法包括构建rcnn检测模型和yolov4检测模型；获取输电线路上玻璃绝缘子的巡检图像和巡检航线信息，采用yolov4检测模型对巡检图像进行检测，得到检测识别结果；若检测识别结果为玻璃绝缘子存在雷击闪络缺陷，根据巡检航线信息并采用rcnn检测模型对巡检图像进行检测，得到雷击闪络缺陷的位置和类型。该玻璃绝缘子雷击放电缺陷识别方法构建的rcnn检测模型和yolov4检测模型相互配合实现对玻璃绝缘子的雷击闪络缺陷识别、缺陷类型的识别以及缺陷位置确定，提高了输电线路玻璃绝缘子雷击放电的缺陷识别效率，降低了工作力度。解决了现有对输电线路上的绝缘子运行过程的巡检采用人工方式，从而使得检测效率低且费时费力的技术问题。