高压电缆附件损伤识别方法、系统、设备及存储介质与流程

1.本发明涉及一种高压电缆附件损伤识别方法、系统、设备及存储介质，属于高压电缆附件无损检测领域。


背景技术：

2.在电力系统中，高压电缆附件是其重要组成部分，由尾管、铜编制带、铜网和电缆铝护套组成。由于长期暴露在复杂环境中，高压电缆附件会出现不同类型、不同情况的损伤，对电力系统造成较大的危害。高压电缆附件被绝缘层包裹，传统检测方式无法检测到内部的损伤，故引入超声导波检测技术对高压电缆附件损伤进行检测。
3.深度学习在超声导波检测中具有巨大的实用价值，能实现更高效、精确的检测，但目前仍有一些问题亟待解决。首先，同类损伤在不同环境下的超声导波信号会有所不同，传统的基于深度学习的方法对该类缺陷的识别率将会降低，可能会造成漏检、误检的情况；此外，高压电缆附件可能会同时存在多种损伤，不同损伤之间可能会相互遮盖部分导波信号，提高了深度学习网络模型对损伤识别的难度。


技术实现要素：

4.有鉴于此，本发明提供了一种高压电缆附件损伤识别方法、系统、计算机设备及存储介质，其通过实验室模拟高压电缆附件损伤样本，获取超声导波信号，并利用该超声导波信号的时频特性，完成对高压电缆附件损伤识别网络模型的训练，进而实现对高压电缆附件损伤的识别，有利于高压电缆附件的精确检测和及时维护。
5.本发明的第一个目的在于提供一种高压电缆附件损伤识别方法。
6.本发明的第二个目的在于提供一种高压电缆附件损伤检测系统。
7.本发明的第三个目的在于提供一种计算机设备。
8.本发明的第四个目的在于提供一种存储介质。
9.本发明的第一个目的可以通过采取如下技术方案达到：
10.一种高压电缆附件损伤识别方法，所述方法包括：
11.获取数据集，其中，所述数据集包括多张多种高压电缆附件损坏样本的第一超声导波信号时频图；
12.构建目标检测网络模型；
13.利用数据集训练目标检测网络模型，得到高压电缆附件损伤识别网络模型；
14.利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别。
15.进一步的，在所述利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别之前，还包括：
16.获取待识别高压电缆附件的第二超声导波信号；
17.对所述第二超声导波信号进行时频特性提取，进而得到所述第二超声导波信号时
频图。
18.进一步的，所述对所述第二超声导波信号进行时频特性提取，具体包括：
19.在固定的窗函数内，根据快速傅里叶变换，得到所述第二超声导波信号的局部信号频率成分；
20.沿时间轴移动所述窗函数，获取所述局部信号频率成分在不同时段的变化。
21.进一步的，所述利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别，具体包括：
22.将所述第二超声导波信号时频图划分为s*s的网格，其中，所述网格包括s*s个网格单元；
23.遍历每一个网格单元，判断待识别高压电缆附件的中心是否在网格单元中，并输出第一判断结果；
24.若第一判断结果为是，则输出多个信息边界框并输出网格单元属于c类的概率，其中，所述c类包括腐蚀类、裂纹类、孔洞类和挤压变形类的其中之一；
25.判断s*s个网格单元是否识别完毕，并输出第二判断结果；
26.若第二判断结果为是，则输出各个网格单元预测结果。
27.进一步的，所述目标检测网络模型包括骨干网络、颈部结构和头部结构；
28.所述骨干网络为cspdarknet53，其中，所述cspdarknet53包括至少一个cbm组件和至少五个csp模块；
29.所述颈部结构包括cbl组件、spp模块和fpn+pan层；
30.所述头部结构包括cbl组件和conv激活函数。
31.进一步的，所述cbm组件包括conv激活函数、bn激活函数和mish激活函数；
32.所述csp模块包括cbm组件和多个残差组件，其中，所述残差组件包括依次连接的1
×
1卷积层、3
×
3卷积层、1
×
1卷积层。
33.进一步的，所述cbl组件包括conv激活函数、bn激活函数和leaky_relu激活函数；
34.所述spp模块采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化的方式。
35.本发明的第二个目的可以通过采取如下技术方案达到：
36.一种高压电缆附件损伤检测系统，所述系统包括：
37.获取单元，用于获取数据集，其中，所述数据集包括多张多种高压电缆附件损坏样本的第一超声导波信号时频图；
38.构建单元，用于构建目标检测网络模型；
39.训练单元，用于利用数据集训练目标检测网络模型，得到高压电缆附件损伤识别网络模型；
40.识别单元，用于利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别。
41.本发明的第三个目的可以通过采取如下技术方案达到：
42.一种计算机设备，包括处理器以及用于存储处理器可执行程序的存储器，所述处理器执行存储器存储的程序时，实现上述高压电缆附件损伤识别方法。
43.本发明的第四个目的可以通过采取如下技术方案达到：
44.一种存储介质，存储有程序，所述程序被处理器执行时，实现上述高压电缆附件损
伤识别方法。
45.本发明相对于现有技术具有如下的有益效果：
46.本发明通过实验室模拟高压电缆附件损伤样本，获取超声导波信号，并利用该超声导波信号的时频特性，完成对高压电缆附件损伤识别网络模型的训练，进而实现对高压电缆附件损伤的识别，有利于高压电缆附件的精确检测和及时维护。
附图说明
47.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，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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的前提下，还可以根据这些附图示出的结构获得其他的附图。
48.图1为本发明实施例1的高压电缆附件损伤识别方法的流程图。
49.图2为本发明实施例1的短时傅里叶变换的流程图。
50.图3为本发明实施例1的高压电缆附件损伤识别网络模型的结构图。
51.图4为本发明实施例1的高压电缆附件损伤识别网络模型的识别流程图。
52.图5为本发明实施例2的高压电缆附件损伤识别系统的结构框图。
53.图6为本发明实施例3的计算机设备的结构框图。
具体实施方式
54.为使本发明实施例的目的、技术方案和优点更加清楚，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、完整的描述，显然，所描述的实施例是本发明的一部分实施例，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。
55.实施例1：
56.如图1所示，本实施例提供了一种高压电缆附件损伤识别方法，该方法包括以下步骤：
57.s101、获取数据集，其中，所述数据集包括多张多种高压电缆附件损坏样本的第一超声导波信号时频图。
58.步骤s101中，高压电缆附件损坏样本包括铜编织带焊接处断裂样本、铝护套均匀腐蚀样本、铝护套点蚀样本、铝护套裂纹样本的其中之一；所述第一超声导波信号通过超声导波检测仪采集而得；所述第一超声导波信号时频图的获取过程，具体为：对所述第一超声导波信号进行时频特性提取，进而得到所述第一超声导波信号时频图。
59.需要说明的是，本实施例在实验室模拟高压电缆附件损伤样本。
60.本实施例中，对所述第一超声导波信号进行时频特性提取，具体包括：
61.在固定的窗函数内，根据快速傅里叶变换，得到所述第一超声导波信号的局部信号频率成分；
62.沿时间轴移动所述窗函数，获取所述局部信号频率成分在不同时段的变化。
63.更具体地，对所述第一超声导波信号进行时频特性提取的主要步骤，如下：
64.s201、根据窗函数(w(u))，截断第一超声导波信号，得到截断信号(xm)。
65.s202、将窗函数与截断信号逐点相乘，得到加窗变换信号(xm′
)。
66.s203、对加窗变换信号进行快速傅里叶变换。
67.s204、沿时间轴移动窗函数，求取不同时段加窗变换信号的快速傅里叶变换。
68.本实施例中，对于给定截断信号，选定窗长k，截断信号的stft变换，如下式：
[0069][0070]
s102、构建目标检测网络模型。
[0071]
步骤s102中，根据目标检测算法，构建目标检测网络模型，其中目标检测网络模型包括骨干网络(backbone)、颈部结构(neck)和头部结构(head)。
[0072]
如图3所示，骨干网络为cspdarknet53，其中cspdarknet53包括一个cbm组件和五个csp模块，第五个csp4模块输出的结果为19*19*1024的特征图，再将所述特征图传入到相应的cbm组件中进行处理；颈部结构包括cbl组件、spp模块和fpn+pan层；头部结构包括cbl组件和conv激活函数。
[0073]
具体地，cbm组件包括conv激活函数、bn激活函数和mish激活函数；csp模块包括cbm组件和x个res unint模块，即残差部件；res unint模块由resnet网络模型中的残差结构变化而来，具体地，该残差部件依次由1
×
1、3
×
3、1
×
1这三个卷积层构成，其中，1
×
1卷积层可以对通道数起到升维的作用或降维的作用，使得3
×
3卷积层能以较低维度的输入进行卷积运行，从而提高计算效率；cbl组件包括conv激活函数、bn激活函数和leaky_relu激活函数；spp模块采用1
×
1，5
×
5，9
×
9，13
×
13的最大池化的方式。
[0074]
需要说明的是，cbm组件为目标检测网络模型中的最小组件；x个res unint模块可以加深目标检测网络模型的搭建；spp模块，用于进行多尺度融合，适用于待检测图像中目标大小差异较大的情况；fpn层自顶向下传达强语义特征，pan层自底向上传达强定位特征；颈部结构为一种特征增强模块，它从不同的主干层对不同的检测层进行参数聚合，加速了不同尺度特征的融合，进一步提高特征提取的能力；头部结构利用获得的特征进行预测，是一个解码过程，它一共提取三个特征层，其中三个特征层分别位于中间层、中下层和底层，分别是19*19*255、38*38*255、76*76*255。
[0075]
s103、利用数据集训练目标检测网络模型，得到高压电缆附件损伤识别网络模型。
[0076]
s104、利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别。
[0077]
步骤s104之前，待识别高压电缆附件的第二超声导波信号时频图可以参考步骤s101进行获取。
[0078]
本实施例中，利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别，包括以下步骤：
[0079]
s1041、将所述第二超声导波信号时频图划分为s*s的网格，其中，所述网格包括s*s个网格单元。
[0080]
s1042、选定网格单元。
[0081]
s1043、判断待识别高压电缆附件的中心是否在被选定的网格单元中，并输出第一判断结果。
[0082]
s1044、若第一判断结果为是，则输出b个信息边界框(bounding box)并输出网格
单元属于c类的概率。
[0083]
具体地，边界信息框框住的是高压电缆附件的损坏部分，该损坏部分包括腐蚀、裂纹、孔洞和挤压变形的其中之一；c类包括腐蚀类、裂纹类、孔洞类和挤压变形类的其中之一。
[0084]
s1045、判断s*s个网格单元是否识别完毕，并输出第二判断结果。
[0085]
s1046、若第二判断结果为是，则输出各个网格单元预测结果。
[0086]
本领域技术人员可以理解，实现上述实施例的方法中的全部或部分步骤可以通过程序来指令相关的硬件来完成，相应的程序可以存储于计算机可读存储介质中。
[0087]
应当注意，尽管在附图中以特定顺序描述了上述实施例的方法操作，但是这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。相反，描绘的步骤可以改变执行顺序。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。
[0088]
实施例2：
[0089]
如图5所示，本实施例提供了一种高压电缆附件损伤识别系统，该系统包括获取单元501、构建单元502、训练单元503和识别单元504，各个单元的具体功能如下：
[0090]
获取单元501，用于获取数据集，其中，所述数据集包括多张多种高压电缆附件损坏样本的第一超声导波信号时频图；
[0091]
构建单元502，用于构建目标检测网络模型；
[0092]
训练单元503，用于利用数据集训练目标检测网络模型，得到高压电缆附件损伤识别网络模型；
[0093]
识别单元504，用于利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别。
[0094]
实施例3：
[0095]
如图6所示，本实施例提供了一种计算机设备，其包括通过系统总线601连接的处理器602、存储器、输入装置603、显示装置604和网络接口605。其中，处理器602用于提供计算和控制能力，存储器包括非易失性存储介质606和内存储器607，该非易失性存储介质606存储有操作系统、计算机程序和数据库，该内存储器607为非易失性存储介质606中的操作系统和计算机程序的运行提供环境，计算机程序被处理器602执行时，实现上述实施例1的高压电缆附件损伤识别方法，如下：
[0096]
获取数据集，其中，所述数据集包括多张多种高压电缆附件损坏样本的第一超声导波信号时频图；
[0097]
构建目标检测网络模型；
[0098]
利用数据集训练目标检测网络模型，得到高压电缆附件损伤识别网络模型；
[0099]
利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别。
[0100]
实施例4：
[0101]
本实施例提供一种存储介质，该存储介质为计算机可读存储介质，其存储有计算机程序，所述计算机程序被处理器执行时，实现上述实施例1的高压电缆附件损伤识别方法，如下：
[0102]
获取数据集，其中，所述数据集包括多张多种高压电缆附件损坏样本的第一超声导波信号时频图；
[0103]
构建目标检测网络模型；
[0104]
利用数据集训练目标检测网络模型，得到高压电缆附件损伤识别网络模型；
[0105]
利用高压电缆附件损伤识别网络模型对待识别高压电缆附件的第二超声导波信号时频图进行识别。
[0106]
需要说明的是，本实施例的计算机可读存储介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0107]
在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读存储介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读存储介质上包含的计算机程序可以用任何适当的介质传输，包括但不限于：电线、光缆、rf(射频)等等，或者上述的任意合适的组合。
[0108]
上述计算机可读存储介质可以以一种或多种程序设计语言或其组合来编写用于执行本实施例的计算机程序，上述程序设计语言包括面向对象的程序设计语言—诸如java、python、c++，还包括常规的过程式程序设计语言—诸如c语言或类似的程序设计语言。程序可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络，包括局域网(lan)或广域网(wan)连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0109]
综上所述，本发明通过实验室模拟高压电缆附件损伤样本，获取超声导波信号，并利用该超声导波信号的时频特性，完成对高压电缆附件损伤识别网络模型的训练，进而实现对高压电缆附件损伤的识别，有利于高压电缆附件的精确检测和及时维护。
[0110]
以上所述，仅为本发明专利较佳的实施例，但本发明专利的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明专利所公开的范围内，根据本发明专利的技术方案及其发明构思加以等同替换或改变，都属于本发明专利的保护范围。