故障检测方法、装置、系统及存储介质与流程

本技术涉及供电，尤其涉及一种故障检测方法、装置、系统及存储介质。

背景技术：

1、由于输电线路和输电塔长期暴露在自然环境中，线路老化、部件腐蚀和部件安装不规范等问题会是有发生。当前为了减少上述故障的影响，主要依赖巡检人员人工确定故障的方式进行输电巡检，以排查故障。上述故障确定方式，需要大量人力资源的支持，人力成本高且故障排查效率低，从而导致输电效率低，影响用户的正常用电。

技术实现思路

1、本发明提供一种故障检测方法、装置、系统及存储介质，以至少解决相关技术中主要依赖巡检人员人工确定故障的方式而导致人力成本高、故障排查效率低和输电效率低的技术问题。本发明的技术方案如下：

2、根据本发明实施例的第一方面，提供了一种故障检测方法，应用于输电智能巡检系统；系统包括输电线路、输电塔和用于连接固定输电线路与输电塔的金具部件，该方法包括：利用第一缺陷检测模型，提取待检测图像中存在的第一缺陷特征，得到第一特征图像；第一缺陷特征表征输电线路和输电塔上的故障特征；以及，利用金具检测模型，对待检测图像中所包括的金具图像中金具部件存在缺陷的区域位置进行检测，得到待检测图像中金具部件存在缺陷的目标区域；利用第二缺陷检测模型，提取待检测图像中目标区域存在的第二缺陷特征，得到第二特征图像；第二缺陷特征表征金具部件上的缺陷；根据第一特征图像和第二特征图像，确定存在故障的目标金具部件。

3、在一种可能的实现方式中，第一特征图像和第二特征图像中各个像素点与在待检测图像中的区域位置按照预设序列关联；根据第一特征图像和第二特征图像，确定存在故障的目标金具部件；包括：分别对第一特征图像和第二特征图像中表征同一区域位置特征的特征像素点进行提取，分别得到表征同一区域位置的第一像素点集合图和第二像素点集合图；其中，第一像素点集合图的分辨率小于第二像素点集合图的分辨率；采用上采样方式，将第一像素点集合图和第二像素点集合图中特征进行融合，得到第一融合特征图；以及，采用下采样方式，将第一像素点集合图和第二像素点集合图中特征进行融合，得到第二融合特征图；在第一融合特征图和第二融合特征图中指示的缺陷特征属于同一金具部件时，将同一金具部件确定为目标金具部件。

4、在另一种可能的实现方式中，利用第一缺陷检测模型，提取待检测图像中存在的第一缺陷特征，得到第一特征图像，包括：将待检测图像调整为多个第一预设尺寸的第一图像；对多个第一图像中包括第一缺陷特征的图像进行提取，得到第一特征图像。

5、在另一种可能的实现方式中，利用第二缺陷检测模型，提取待检测图像中目标区域存在的第二缺陷特征，得到第二特征图像，包括：按照多个不同目标区域在待检测图像上的尺寸范围，对待检测图像中目标区域进行标记；将区域标记后的待检测图像调整为多个第二预设尺寸的第二图像；对多个第二图像的标记区域中包括第二缺陷特征的图像进行提取，得到第二特征图像；第一预设尺寸大于第二预设尺寸；第一特征图像大于第二特征图像。

6、在另一种可能的实现方式中，该系统还包括具有拍摄功能的无人驾驶飞行器；该方法还包括：获取输电线路和输电塔上多个位置区域关联的多个现场画面图像；多个现场画面图像是按照预设周期从无人驾驶飞行器中获取的；将多个现场画面图像中作筛重处理；筛重处理具体包括：确定多个现场画面图像中图像相似度大于相似度阈值的至少一个现场画面图像，以及，将至少一个现场画面图像中，相似度最大的现场画面图像保留并将至少一个现场画面图像中，相似度最大的现场画面图像以外的现场画面图像删除；将筛重处理后的多个现场画面图像确定为待检测图像。

7、在另一种可能的实现方式中，根据第一特征图像和第二特征图像，确定存在故障的目标金具部件，包括：将第一特征图像和第二特征图像输入至预设筛选模型，得到存在故障的目标金具部件；预设筛选模型用于分别对第一特征图像和第二特征图像中包括非缺陷特征的图像和包括缺陷特征的图像进行分类，以及将第一特征图像和第二特征图像中非缺陷特征的图像剔除以及将缺陷特征的图像保留，并将第一特征图像和第二特征图像中分别保留的缺陷特征的图像指示的同一金具部件，确定为目标金具部件；其中，预设筛选模型是以包括非缺陷特征的历史图像为正样本和以包括缺陷特征的历史图像为负样本训练得到的。

8、在另一种可能的实现方式中，金具部件包括螺母、螺栓、螺柱、螺钉、垫圈、销钉、螺旋弹簧和螺纹套；第一缺陷检测模型是基于存在输电线路与输电塔上多种缺陷类别的多组第一样本图像训练得到的神经网络模型和第二缺陷检测模型是基于存在多种金具部件缺陷类别的多组第二样本图像训练得到的神经网络模型。

9、根据本发明实施例的第二方面，提供了一种故障检测装置，应用于输电智能巡检系统；该系统包括输电线路、输电塔和用于连接固定输电线路与输电塔的金具部件，该装置包括：第一特征提取单元，被配置为利用第一缺陷检测模型，提取待检测图像中存在的第一缺陷特征，得到第一特征图像；第一缺陷特征表征输电线路与输电塔上的故障特征；以及，利用金具检测模型，对待检测图像中所包括的金具图像中金具部件存在缺陷的区域位置进行检测，得到待检测图像中金具部件存在缺陷的目标区域；第二特征提取单元，被配置为利用第二缺陷检测模型，提取待检测图像中目标区域存在的第二缺陷特征，得到第二特征图像；第二缺陷特征表征金具部件上的缺陷；故障判定单元，被配置为根据第一特征图像和第二特征图像，确定存在故障的目标金具部件。

10、在一种可能的实现方式中，第一特征图像和第二特征图像中各个像素点与在待检测图像中的区域位置按照预设序列关联；故障判定单元被具体配置为：分别对第一特征图像和第二特征图像中表征同一区域位置特征的特征像素点进行提取，分别得到表征同一区域位置的第一像素点集合图和第二像素点集合图；其中，第一像素点集合图的分辨率小于第二像素点集合图的分辨率；采用上采样方式，将第一像素点集合图和第二像素点集合图中特征进行融合，得到第一融合特征图；以及，采用下采样方式，将第一像素点集合图和第二像素点集合图中特征进行融合，得到第二融合特征图；在第一融合特征图和第二融合特征图中指示的缺陷特征属于同一金具部件时，将同一金具部件确定为目标金具部件。

11、在另一种可能的实现方式中，第一特征提取单元被具体配置为：将待检测图像调整为多个第一预设尺寸的第一图像；对多个第一图像中包括第一缺陷特征的图像进行提取，得到第一特征图像。

12、在另一种可能的实现方式中，第二特征提取单元被具体配置为：按照多个不同目标区域在待检测图像上的尺寸范围，对待检测图像中目标区域进行标记；将区域标记后的待检测图像调整为多个第二预设尺寸的第二图像；对多个第二图像的标记区域中包括第二缺陷特征的图像进行提取，得到第二特征图像；第一预设尺寸大于第二预设尺寸；第一特征图像大于第二特征图像。

13、在另一种可能的实现方式中，该系统还包括具有拍摄功能的无人驾驶飞行器；该装置还包括：获取单元，被配置为获取输电线路和输电塔上多个位置区域关联的多个现场画面图像；多个现场画面图像是按照预设周期从无人驾驶飞行器中获取的；将多个现场画面图像中作筛重处理；筛重处理具体包括：确定多个现场画面图像中图像相似度大于相似度阈值的至少一个现场画面图像，以及，将至少一个现场画面图像中，相似度最大的现场画面图像保留并将至少一个现场画面图像中，相似度最大的现场画面图像以外的现场画面图像删除；将筛重处理后的多个现场画面图像确定为待检测图像。

14、在另一种可能的实现方式中，故障判定单元被具体配置为：将第一特征图像和第二特征图像输入至预设筛选模型，得到存在故障的目标金具部件；预设筛选模型用于分别对第一特征图像和第二特征图像中包括非缺陷特征的图像和包括缺陷特征的图像进行分类，以及将第一特征图像和第二特征图像中非缺陷特征的图像剔除以及将缺陷特征的图像保留，并将第一特征图像和第二特征图像中分别保留的缺陷特征的图像指示的同一金具部件，确定为目标金具部件；其中，预设筛选模型是以包括非缺陷特征的历史图像为正样本和以包括缺陷特征的历史图像为负样本训练得到的。

15、在另一种可能的实现方式中，金具部件包括螺母、螺栓、螺柱、螺钉、垫圈、销钉、螺旋弹簧和螺纹套；第一缺陷检测模型是基于存在输电线路与输电塔上多种缺陷类别的多组第一样本图像训练得到的神经网络模型和第二缺陷检测模型是基于存在多种金具部件缺陷类别的多组第二样本图像训练得到的神经网络模型。

16、根据本发明实施例的第三方面，提供了一种故障检测设备，该故障检测设备被配置为执行如第一方面及其任一种可能的实现方式的故障检测方法。

17、根据本发明实施例的第四方面，提供了一种计算机设备，包括：处理器和用于存储处理器可执行指令的存储器；其中，处理器被配置为执行可执行指令，以实现如第一方面及其任一种可能的实现方式的故障检测方法。

18、根据本发明实施例的第五方面，提供了一种输电智能巡检系统；该系统包括输电线路、输电塔和用于连接固定输电线路与输电塔的金具部件，以实现如第一方面及其任一种可能的实现方式的故障检测方法。

19、根据本发明实施例的第六方面，提供了一种计算机可读存储介质，计算机可读存储介质上存储有指令，当计算机可读存储介质中的指令由计算机设备的处理器执行时，使得计算机设备能够执行如第一方面及其任一种可能的实现方式的故障检测方法。

20、根据本技术实施例的第七方面，提供一种计算机程序产品，计算机程序产品包括计算机指令，当计算机指令在计算机设备上运行时，使得计算机设备执行上述第一方面及其任一种可能的实现方式的故障检测方法。

21、本发明的实施例提供的技术方案至少带来以下有益效果：利用第一缺陷检测模型对待检测图像中输电线路和输电塔上的所有故障特征进行检测和提取，以从待检测图像中初步确定出整体故障特征。同时，基于金具检测模型，对待检测图像中金具部件存在缺陷的目标区域进行确定，从而利用第二缺陷检测模型对待检测图像中各个目标区域的金具部件缺陷进行检测和提取，以实现对对局部区域的特定缺陷特征的专项识别、检测和提取。因此，结合上述两种不同缺陷类型的两种缺陷特征图像所包括的通用缺陷特征和特定的部件缺陷特征，对所有金具部件中存在的缺陷进行更加精准地识别，以更加精准地检测出存在故障的目标金具部件。并且，上述不同类型模型能智能地批量处理大量的待检测图像，提高了对故障金具部件的检测效率，减少了人力成本高、提高了故障排查效率和输电效率。

22、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本技术。