【技術實現步驟摘要】
本專利技術涉及絕緣子狀態識別，并且更具體地，涉及一種復合絕緣子紅外圖像芯棒中軸線智能定位方法及系統。
技術介紹
1、在電力系統中，復合絕緣子扮演著至關重要的角色，它們支撐并隔離高壓電力線路，保障電力傳輸的安全性和可靠性，隨著電網規模的擴大和輸電容量的增加，復合絕緣子的穩定性直接影響到電力系統的運行效率和安全。復合絕緣子芯棒中軸線上的溫度曲線是電力巡檢中需要關注的重點位置，其異常發熱是導致電力系統故障的重要因素之一，這種發熱現象可能由材料老化、機械應力、環境腐蝕或電氣負荷過高等因素引起，因此，及時準確地監測和診斷復合絕緣子芯棒中軸線的熱狀態對于預防電力事故和提高電網可靠性具有重要意義。
2、近年來，無人機搭載紅外熱像儀進行的空中巡檢已經成為一種有效的技術手段，它能夠迅速地對大面積內的復合絕緣子拍攝紅外圖像從而進行絕緣子芯棒中軸線上的熱態監測，以識別出潛在的過熱問題。然而，這種方法面臨依然存在一些問題，無人機巡檢雖然可以在短時間內收集大量的紅外圖像數據，但這些數據的處理和分析非常復雜和耗時。同時現有的檢測方法很大程度上依賴于專業人員對紅外圖像的視覺分析和解釋，這種依賴使得過程耗時且易受個人經驗和判斷標準的影響，可能導致分析結果與實際情況不符。
3、綜上所述，當前的監測方法缺乏高度自動化和智能化處理能力，難以有效處理和分析海量數據，實現故障的早期預警和精準定位。因此，有必要進行復合絕緣子的紅外圖像中軸線智能定位的相關研究。
技術實現思路
1、本專利技術提出一種復合
2、為了解決上述問題，根據本專利技術的一個方面，提供了一種復合絕緣子紅外圖像芯棒中軸線智能定位方法，所述方法包括：
3、獲取復合絕緣子紅外圖像數據集，并進行復合絕緣子的錨框和芯棒中軸線上的關鍵點的標注，以獲取標注數據；
4、建立yolo深度學習模型，結合關鍵點檢測技術進行紅外圖像中芯棒位置的關鍵點的標記，以獲取初始檢測模型；
5、基于所述標注數據對所述初始檢測模型進行訓練，以獲取優化檢測模型；
6、基于所述優化檢測模型對待測復合絕緣子紅外圖像進行芯棒中軸線關鍵點的定位。
7、優選地，其中所述方法還包括：
8、對復合絕緣子紅外圖像進行去噪處理和數據增強處理；其中，所述數據增強處理，包括：隨機翻轉和旋轉、裁剪、縮放、添加噪聲、模糊和銳化。
9、優選地，其中模型的骨干提取網絡使用cspdarknet，模型的特征融合網絡使用pan-fpn，模型的檢測頭使用decoupled-head，使用hrnet模型進行關鍵點檢測；模型訓練時使用的優化器選擇adam算法；其中，在cspdarknet的輸出特征圖上構建pan-fpn網絡，將來自不同層級的高維度和低維度特征進行融合；在pan-fpn網絡的輸出上設置decoupled-head，以分別用于處理目標檢測中的分類和回歸任務。
10、優選地，其中模型改進非對稱的加權操作，使用vfl?loss，運算公式為：
11、
12、使用dfl對損失進行調整,包括：
13、dfl(si，si+1)＝-((yi+1-y)log(si)+(y-yi)log(si+1))，
14、其中，q是樣本；p為預測值；α和γ為允許調整的超參數；y、yi和yi+1是相鄰的樣本標簽，其中yi≤y≤yi+1，同時其含義是以交叉熵的形式去優化與標簽最接近的一左一右兩個位置的概率。
15、優選地，其中所述方法還包括：
16、獲取測試集，并基于所述測試集對所述優化檢測模型進行檢測性能的評估。
17、根據本專利技術的另一個方面，提供了一種復合絕緣子紅外圖像芯棒中軸線智能定位系統，所述系統包括：
18、數據獲取單元，用于獲取復合絕緣子紅外圖像數據集，并進行復合絕緣子的錨框和芯棒中軸線上的關鍵點的標注，以獲取標注數據；
19、模型建立單元，用于建立yolo深度學習模型，結合關鍵點檢測技術進行紅外圖像中芯棒位置的關鍵點的標記，以獲取初始檢測模型；
20、訓練單元，用于基于所述標注數據對所述初始檢測模型進行訓練，以獲取優化檢測模型；
21、定位單元，用于基于所述優化檢測模型對待測復合絕緣子紅外圖像進行芯棒中軸線關鍵點的定位。
22、優選地，其中所述系統還包括：
23、數據處理單元，用于對復合絕緣子紅外圖像進行去噪處理和數據增強處理；其中，所述數據增強處理，包括：隨機翻轉和旋轉、裁剪、縮放、添加噪聲、模糊和銳化。
24、優選地，其中模型的骨干提取網絡使用cspdarknet，模型的特征融合網絡使用pan-fpn，模型的檢測頭使用decoupled-head，使用hrnet模型進行關鍵點檢測；模型訓練時使用的優化器選擇adam算法；其中，在cspdarknet的輸出特征圖上構建pan-fpn網絡，將來自不同層級的高維度和低維度特征進行融合；在pan-fpn網絡的輸出上設置decoupled-head，以分別用于處理目標檢測中的分類和回歸任務。
25、優選地，其中模型改進非對稱的加權操作，使用vfl?loss，運算公式為：
26、
27、使用dfl對損失進行調整,包括：
28、dfl(si，si+1)＝-((yi+1-y)log(si)+(y-yi)log(si+1))，
29、其中，q是樣本；p為預測值；α和γ為允許調整的超參數；y、yi和yi+1是相鄰的樣本標簽，其中yi≤y≤yi+1，同時其含義是以交叉熵的形式去優化與標簽最接近的一左一右兩個位置的概率。
30、優選地，其中所述系統還包括：
31、測試單元，用于獲取測試集，并基于所述測試集對所述優化檢測模型進行檢測性能的評估。
32、本專利技術提供了一種復合絕緣子紅外圖像芯棒中軸線智能定位方法及系統，包括：獲取復合絕緣子紅外圖像數據集，并進行復合絕緣子的錨框和芯棒中軸線上的關鍵點的標注，以獲取標注數據；建立yolo深度學習模型，結合關鍵點檢測技術進行紅外圖像中芯棒位置的關鍵點的標記，以獲取初始檢測模型；基于所述標注數據對所述初始檢測模型進行訓練，以獲取優化檢測模型；基于所述優化檢測模型對待測復合絕緣子紅外圖像進行芯棒中軸線關鍵點的定位。本專利技術結合了深度學習和關鍵點檢測技術，能夠智能地識別復合絕緣子紅外圖像中的芯棒中軸線，避免了傳統方法中對復雜規則的依賴，同時可以快速地對新的復合絕緣子紅外圖像進行處理和識別，實現實時監測和分析，可以大量減少人工干預并提高檢測效率，以便及時采取維護或修復措施，適合工業化推廣。
本文檔來自技高網...【技術保護點】
1.一種復合絕緣子紅外圖像芯棒中軸線智能定位方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，模型的骨干提取網絡使用CSPDarknet，模型的特征融合網絡使用PAN-FPN，模型的檢測頭使用Decoupled-Head，使用HRNet模型進行關鍵點檢測；模型訓練時使用的優化器選擇Adam算法；其中，在CSPDarknet的輸出特征圖上構建PAN-FPN網絡，將來自不同層級的高維度和低維度特征進行融合；在PAN-FPN網絡的輸出上設置Decoupled-Head，以分別用于處理目標檢測中的分類和回歸任務。
4.根據權利要求1所述的方法，其特征在于，模型改進非對稱的加權操作，使用VFLLoss，運算公式為：
5.根據權利要求1所述的方法，其特征在于，所述方法還包括：
6.一種復合絕緣子紅外圖像芯棒中軸線智能定位系統，其特征在于，所述系統包括：
7.根據權利要求6所述的系統，其特征在于，所述系統還包括：
8.根據權利
9.根據權利要求6所述的系統，其特征在于，模型改進非對稱的加權操作，使用VFLLoss，運算公式為：
10.根據權利要求6所述的系統，其特征在于，所述系統還包括：
...【技術特征摘要】
1.一種復合絕緣子紅外圖像芯棒中軸線智能定位方法，其特征在于，所述方法包括：
2.根據權利要求1所述的方法，其特征在于，所述方法還包括：
3.根據權利要求1所述的方法，其特征在于，模型的骨干提取網絡使用cspdarknet，模型的特征融合網絡使用pan-fpn，模型的檢測頭使用decoupled-head，使用hrnet模型進行關鍵點檢測；模型訓練時使用的優化器選擇adam算法；其中，在cspdarknet的輸出特征圖上構建pan-fpn網絡，將來自不同層級的高維度和低維度特征進行融合；在pan-fpn網絡的輸出上設置decoupled-head，以分別用于處理目標檢測中的分類和回歸任務。
4.根據權利要求1所述的方法，其特征在于，模型改進非對稱的加權操作，使用vflloss，運算公式為：
5.根據權利要求1所述的方法，其特征在于，所述方法還包括：
...【專利技術屬性】
技術研發人員：于昕哲，周振安，鄧禹，谷琛，周松松，劉哲淵，
申請(專利權)人：中國電力科學研究院有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。