一種耐張線夾的缺陷檢測方法、裝置、設備及存儲介質制造方法及圖紙

本發明專利技術實施例公開了一種耐張線夾的缺陷檢測方法、裝置、設備及存儲介質，該缺陷檢測方法包括：獲取多張輸電線路中耐張線夾的圖片作為訓練圖片；使用多張訓練圖片，根據Faster RCNN算法建立耐張線夾的檢測模型，并根據卷積神經網絡建立基于卷積神經網絡的分類器模型；基于Faster RCNN算法和耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到目標特征區域的坐標信息并裁剪出目標特征區域；將裁剪出的目標特征區域輸入分類器模型，并基于分類器模型檢測目標特征區域是否存在缺陷。本發明專利技術實施例提供的耐張線夾的缺陷檢測方法、裝置、設備及存儲介質，能夠實現耐張線夾缺陷檢測的便捷性并提高缺陷檢測效率。

【技術實現步驟摘要】
一種耐張線夾的缺陷檢測方法、裝置、設備及存儲介質
本專利技術實施例涉及缺陷檢測技術，尤其涉及一種耐張線夾的缺陷檢測方法、裝置、設備及存儲介質。
技術介紹
在電力系統領域，輸電線路中的耐張線夾用于將導線或者避雷線固定在非直線桿塔的耐張絕緣子串上，起到錨固及導電的作用，隨著電網的快速發展，電網電壓等級越來越高，輸電線路越來越密集，耐張線夾的性能缺陷也成為影響電網安全穩定運行的重要因素。因此，為了電網的安全運行，減少經濟損失，需及時檢測耐張線夾是否存在缺陷。目前，現有的耐張線夾的缺陷檢測方法，在對輸電線路中的耐張線夾進行檢測時大多是采用人工檢測的方式檢測耐張線夾是否存在缺陷，檢測速度較慢，耗費大量的人力，會帶來工作量較大且工作效率較低的問題。
技術實現思路
本專利技術實施例提供一種耐張線夾的缺陷檢測方法、裝置、設備及存儲介質，以實現耐張線夾缺陷檢測的便捷性并提高缺陷檢測效率。第一方面，本專利技術實施例提供了一種耐張線夾的缺陷檢測方法，該缺陷檢測方法包括：獲取多張輸電線路中耐張線夾的圖片作為訓練圖片；使用多張訓練圖片，根據FasterRCNN算法建立耐張線夾的檢測模型，并根據卷積神經網絡建立基于卷積神經網絡的分類器模型；基于FasterRCNN算法和耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到目標特征區域的坐標信息并裁剪出目標特征區域；將裁剪出的目標特征區域輸入分類器模型，并基于分類器模型檢測目標特征區域是否存在缺陷。可選的，基于FasterRCNN算法和耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到目標特征區域的坐標信息并裁剪出目標特征區域，包括：耐張線夾的檢測模型通過FasterRCNN算法中的卷積層，提取待檢測圖片的卷積特征；將卷積特征輸入FasterRCNN算法中的區域建議網絡，得到多個目標候選區域；將多個目標候選區域輸入FasterRCNN算法中的區域池化層，得到目標特征區域和目標特征區域的坐標信息，并裁剪出目標特征區域?？蛇x的，將裁剪出的目標特征區域輸入分類器模型，并基于分類器模型檢測目標特征區域是否存在缺陷，包括：將裁剪出的目標特征區域進行預設尺寸的縮放并輸入至分類器模型；分類器模型對目標特征區域進行多層卷積層、重疊池化層和局部響應歸一化層的特征提取操作，提取目標特征區域的目標特征；將目標特征經過全連接層進行全連接后，通過ReLU層和Dropout層的優化處理得到優化后的目標特征；對優化后的目標特征進行再次全連接并檢測目標特征是否存在缺陷。可選的，卷積神經網絡為AlexNet網絡結構的卷積神經網絡?？蛇x的，獲取多張輸電線路中耐張線夾的圖片作為訓練圖片之后，包括：對訓練圖片中對應的耐張線夾進行標注?？蛇x的，待檢測圖片和訓練圖片均是通過無人機拍攝的輸電線路中耐張線夾的圖片?？蛇x的，訓練圖片為包括輸電線路中耐張線夾存在缺陷以及無缺陷的圖片。第二方面，本專利技術實施例還提供了一種耐張線夾的缺陷檢測裝置，包括：圖片獲取模塊，用于獲取多張輸電線路中耐張線夾的圖片作為訓練圖片；模型建立模塊，用于使用多張訓練圖片，根據FasterRCNN算法建立耐張線夾的檢測模型，并根據卷積神經網絡建立基于卷積神經網絡的分類器模型；區域確定模塊，用于基于FasterRCNN算法和耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到目標特征區域的坐標信息并裁剪出目標特征區域；缺陷檢測模塊，用于將裁剪出的目標特征區域輸入分類器模型，并基于分類器模型檢測目標特征區域是否存在缺陷。第三方面，本專利技術實施例還提供了一種電子設備，包括：存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，處理器執行計算機程序時實現如第一方面所述的缺陷檢測方法。第四方面，本專利技術實施例還提供了一種包含計算機可執行指令的存儲介質，計算機可執行指令在由計算機處理器執行時實現如第一方面所述的缺陷檢測方法。本專利技術實施例提供了一種耐張線夾的缺陷檢測方法、裝置、設備及存儲介質，獲取多張輸電線路中耐張線夾的圖片作為訓練圖片，使用多張訓練圖片根據FasterRCNN算法建立耐張線夾的檢測模型，并根據卷積神經網絡建立基于卷積神經網絡的分類器模型，基于FasterRCNN算法和耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到目標特征區域的坐標信息并裁剪出目標特征區域，并將裁剪出的目標特征區域輸入分類器模型，從而基于分類器模型檢測目標特征區域是否存在缺陷，即可基于分類器模型實現對輸電線路中耐張線夾的缺陷檢測的目的，相比人工檢測方式，實現了耐張線夾缺陷檢測的便捷性并提高了缺陷檢測效率。附圖說明圖1是本專利技術實施例一提供的一種耐張線夾的缺陷檢測方法的流程圖；圖2是本專利技術實施例二提供的一種耐張線夾的缺陷檢測方法的流程圖；圖3是本專利技術實施例二提供的一種基于FasterRCNN算法對待檢測圖片進行特征提取的示意圖；圖4是本專利技術實施例二提供的一種FasterRCNN算法中的區域建議網絡確定多個目標候選區域的示意圖；圖5是本專利技術實施例二提供的一種基于分類器模型對目標特征區域進行檢測的示意圖；圖6是本專利技術實施例二提供的另一種耐張線夾的缺陷檢測方法的流程圖；圖7是本專利技術實施例三提供的一種耐張線夾的缺陷檢測裝置的結構框圖；圖8是本專利技術實施例四提供的一種電子設備的結構示意圖。具體實施方式下面結合附圖和實施例對本專利技術作進一步的詳細說明。可以理解的是，此處所描述的具體實施例僅僅用于解釋本專利技術，而非對本專利技術的限定。另外還需要說明的是，為了便于描述，附圖中僅示出了與本專利技術相關的部分而非全部結構。實施例一圖1是本專利技術實施例一提供的一種耐張線夾的缺陷檢測方法的流程圖，本實施例可適用于輸電線路中耐張線夾的缺陷檢測等情況，該方法可以由耐張線夾的缺陷檢測裝置來執行，該裝置可以由軟件和/或硬件的方式實現，該裝置可以集成在具有耐張線夾的缺陷檢測功能的電子設備如計算機中，該方法具體包括如下步驟：步驟110、獲取多張輸電線路中耐張線夾的圖片作為訓練圖片。其中，多張輸電線路中耐張線夾的圖片可以是輸電線路中包括耐張線夾存在缺陷如彎曲變形和有裂紋等缺陷的圖片以及耐張線夾無缺陷的圖片，例如獲取的多張輸電線路中耐張線夾的圖片可以是5000張110kV電壓等級的輸電線路中耐張線夾的圖片和5000張220kV電壓等級的輸電線路中耐張線夾的圖片，將這10000張圖片作為訓練圖片。獲取的多張輸電線路中耐張線夾的圖片可以是通過無人機拍攝的輸電線路中耐張線夾的圖片，如耐張線夾的缺陷檢測裝置在獲取多張輸電線路中耐張線夾的圖片時，可通過自身設置的輸入端口獲取無人機拍攝的多張輸電線路中耐張線夾的圖片，將獲取的多張輸電線路中耐張線夾的圖片作為訓練圖片，以通過訓練圖片建立耐張線夾的檢測模型。本文檔來自技高網...

【技術保護點】
1.一種耐張線夾的缺陷檢測方法，其特征在于，所述缺陷檢測方法包括：/n獲取多張輸電線路中耐張線夾的圖片作為訓練圖片；/n使用多張所述訓練圖片，根據Faster RCNN算法建立耐張線夾的檢測模型，并根據卷積神經網絡建立基于所述卷積神經網絡的分類器模型；/n基于所述Faster RCNN算法和所述耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到所述目標特征區域的坐標信息并裁剪出所述目標特征區域；/n將裁剪出的所述目標特征區域輸入所述分類器模型，并基于所述分類器模型檢測所述目標特征區域是否存在缺陷。/n

【技術特征摘要】
1.一種耐張線夾的缺陷檢測方法，其特征在于，所述缺陷檢測方法包括：
獲取多張輸電線路中耐張線夾的圖片作為訓練圖片；
使用多張所述訓練圖片，根據FasterRCNN算法建立耐張線夾的檢測模型，并根據卷積神經網絡建立基于所述卷積神經網絡的分類器模型；
基于所述FasterRCNN算法和所述耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到所述目標特征區域的坐標信息并裁剪出所述目標特征區域；
將裁剪出的所述目標特征區域輸入所述分類器模型，并基于所述分類器模型檢測所述目標特征區域是否存在缺陷。


2.根據權利要求1所述的缺陷檢測方法，其特征在于，所述基于所述FasterRCNN算法和所述耐張線夾的檢測模型確定待檢測圖片中的目標特征區域，得到所述目標特征區域的坐標信息并裁剪出所述目標特征區域，包括：
所述耐張線夾的檢測模型通過所述FasterRCNN算法中的卷積層，提取待檢測圖片的卷積特征；
將所述卷積特征輸入所述FasterRCNN算法中的區域建議網絡，得到多個目標候選區域；
將多個所述目標候選區域輸入所述FasterRCNN算法中的區域池化層，得到目標特征區域和所述目標特征區域的坐標信息，并裁剪出所述目標特征區域。


3.根據權利要求1所述的缺陷檢測方法，其特征在于，所述將裁剪出的所述目標特征區域輸入所述分類器模型，并基于所述分類器模型檢測所述目標特征區域是否存在缺陷，包括：
將裁剪出的所述目標特征區域進行預設尺寸的縮放并輸入至所述分類器模型；
所述分類器模型對所述目標特征區域進行多層卷積層、重疊池化層和局部響應歸一化層的特征提取操作，提取所述目標特征區域的目標特征；
將所述目標特征經過全連接層進行全連接后，通過ReLU層和Dropout層的優化處理得到優化后的目標特征；
對優化后的所述...

【專利技術屬性】
技術研發人員：范晟，馬宇，方志丹，王爍，陳光文，郭濟端，黃小奇，
申請(專利權)人：廣東電網有限責任公司，廣東電網有限責任公司汕頭供電局，
類型：發明
國別省市：廣東;44