一种模版驱动的输电塔螺栓定位和异常检测方法与流程

本发明属于深度学习中目标检测技术领域，具体是一种模版驱动的输电塔螺栓定位和异常检测方法。

背景技术：

随着电力系统的高速飞跃发展，高电压、大功率的输电线路占比越来越大。输电塔上螺栓作为连接输电线和绝缘子以及固定塔身的重要部件，由于长年暴露在室外，螺栓易出现螺帽缺失、螺栓老化和断裂等缺陷，这种缺陷会对输电线路的安全和稳定造成一定的威胁;

然而，现有的巡检方式巡检效率低，并且在地理环境较为恶劣的地方，存在安全隐患，同时利用无人机和激光扫描仪可以辅助巡检，但是在后期的逐影像或逐激光点云进行检查时，仍存在劳动强度大、成本较高等问题，因此，如何智能化巡检成为目前亟需解决的技术难题。

技术实现要素：

本发明的目的在于克服现有技术的缺陷，提供一种模版驱动的输电塔螺栓定位和异常检测方法。

为实现上述目的，本发明采用了如下技术方案：

一种模版驱动的输电塔螺栓定位和异常检测方法，包括：

数据采集；

训练数据集标注；

maskrcnn网络训练；

螺栓定位和异常检测。

优选的，所述数据采集包括：

确定数据采集地及采集使用的无人机型号；

确定数据采集要求；

模型数据的获取；

采集数据。

优选的，所述训练数据集标注是使用labelme标注工具对训练集中所有影像进行标注，其中所述标注采用描绘轮廓的方式。

优选的，所述maskrcnn网络训练包括：

使用resnet50残差网络和fpn网络对影像进行特征提取，得到特征图featuremaps；

将featuremaps送进rpn网络中生成候选区域，对每个候选框进行回归操作和得到分类的可能性；

将rpn提取的候选框送入roialign，得到规整后的featuremaps；

将经过roialign后的featuremaps送入两个通路，其中一个通路是分类回归，另一个通路是生成mask。

优选的，所述螺栓定位和异常检测是通过交叉熵损失函数作为损失函数，coco的ap作为评价指标，进行60万次迭代的网络训练，得到评价结果。

优选的，所述无人机型号为大疆精灵4pro+御mavicair。

优选的，所述采集要求包括：

天气要求：选择光照不强的时候进行数据采集；

数据格式要求：格式为影像和视频；

数量要求：2000-2500个样本数据。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

本发明提出一种模版驱动的输电塔螺栓定位和异常检测方法，利用无人机对输电塔上关键部位的螺栓进行影像数据采集，采用深度卷积神经网络maskrcnn对标注后的影像进行训练、测试，从而完成螺栓定位和异常检测，实现了输电线路的智能化巡检，提高了工作效率，降低了劳动强度，杜绝了危险隐患。

附图说明

图1是本发明一种模版驱动的输电塔螺栓定位和异常检测方法的流程示意图;

图2是本发明优选实施例提供的一种输电塔螺栓数据集示意图;

图3是本发明优选实施例提供的一种模型数据示意图;

图4是本发明优选实施例提供的一种数据采集规范示意图;

图5是本发明优选实施例提供的一种数据标注示意图;

图6是本发明优选实施例提供的一种螺栓检测结果示意图。

具体实施方式

以下结合附图1-6，进一步说明本发明一种模版驱动的输电塔螺栓定位和异常检测方法的具体实施方式。本发明一种模版驱动的输电塔螺栓定位和异常检测方法不限于以下实施例的描述。

实施例：

本实施例给出一种模版驱动的输电塔螺栓定位和异常检测方法的具体结构，如图1-6所示，包括：

数据采集；

训练数据集标注；

maskrcnn网络训练；

螺栓定位和异常检测。

具体地，数据采集包括：

确定数据采集地及采集使用的无人机型号；

确定数据采集要求；

模型数据的获取；

采集数据。

具体地，训练数据集标注是使用labelme标注工具对训练集中所有影像进行标注，其中所述标注采用描绘轮廓的方式。

具体地，maskrcnn网络训练包括：

使用resnet50残差网络和fpn网络对影像进行特征提取，得到特征图featuremaps；

将featuremaps送进rpn网络中生成候选区域，对每个候选框进行回归操作和得到分类的可能性；

将rpn提取的候选框送入roialign，得到规整后的featuremaps；

将经过roialign后的featuremaps送入两个通路，其中一个通路是分类回归，另一个通路是生成mask。

进一步的，螺栓定位和异常检测是通过交叉熵损失函数作为损失函数，coco的ap作为评价指标，进行60万次迭代的网络训练，得到评价结果。

进一步的，无人机型号为大疆精灵4pro+御mavicair。

进一步的，采集要求包括：

天气要求：选择光照不强的时候进行数据采集；

数据格式要求：格式为影像和视频；

数量要求：2000-2500个样本数据。

工作原理：

如图1-6所示，首先，确定数据采集地位于广州市增城区沙宁路马头山，采集的输电线路为蓄增甲乙线，同时，确定使用的无人机型号为大疆“精灵4pro+御mavicair”（rtk版）；

确定数据采集要求；数据采集时要考虑天气等不确定因素，同时对数据格式和数量也有要求：①天气要求：选择光照不强的时候进行数据采集，因为新塔的颜色为银色，太强的光照会造成反光，影像数据采集；②数据格式要求：格式为影像和视频；③数量要求：对于螺栓影像来说，尽可能多的采集负样本，大概总共2000-2500个样本数据；

模型数据的获取；模型数据的获取确定了数据采集的规范以及质量标准，后续采集过程中按照规范，进行对应位置视角螺栓质量检查，具体实施方法即确定无人机飞行路线以及影像质量要求；

采集数据；采集了11个输电塔上关键部位螺栓的700张影像，由此组成数据集用于maskrcnn的训练和测试。

然后，使用labelme标注工具对训练集中所有影像进行标注，采用描绘轮廓的方式，统计螺栓样本数量为3000个。

再然后，使用resnet50残差网络和fpn网络对影像进行特征提取，得到特征图featuremaps；

将featuremaps送进rpn网络中生成候选区域，对每个候选框进行回归操作和得到分类的可能性；

将rpn提取的候选框送入roialign，得到规整后的featuremaps；

将经过roialign后的featuremaps送入两个通路，一个是分类回归，另一个是生成mask。

最后，进行螺栓定位和异常检测，网络训练共进行60万次迭代，损失函数使用交叉熵损失函数，使用coco的ap作为评价指标。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。