【技術實現步驟摘要】
本專利技術涉及電力設備巡檢的，尤其涉及一種基于課程學習策略的電力架空導線檢測方法。
技術介紹
1、架空導線作為國家電網中電力傳輸的重要載體，其安全穩定運行是能源安全的保障，對架空導線按期巡查維護是保證電網正常運行的主要手段。電力線的檢測運維方法主要包含人工巡檢和機器巡檢兩種方式。傳統的人工巡檢方式耗時耗力，且工作環境差、危險系數高；而以無人機為代表的機器巡檢方式在保證巡檢可靠性和安全性的同時，還具有成本低、效率高、不受地理環境影響等優勢。在該領域中，基于無人機拍攝的圖片或視頻，準確檢測架空導線是實現自動化高精度無人機巡檢的關鍵和前提。
2、目前，電力架空導線檢測方法主要分為傳統方法和深度學習方法兩類。其中，基于邊緣檢測算子和直線檢測算法的傳統方法，已無法應對大電網時代下巨大的電力系統安全運維需求。而深度學習方法近年來被廣泛的應用于電力行業，其中常用的深度目標檢測算法包括單階段和雙階段兩種。雙階段檢測算法是基于候選區域的，包括檢測與識別兩個階段，代表算法有r-cnn、fast?r-cnn和faster?r-cnn等，這類算法檢測精度較高，但檢測速度較低。單階段檢測算法直接預測目標的類別和位置，檢測速度快，能達到實時的要求，yolo算法是其中的佼佼者。以yolov5為代表的目標檢測網絡速度快，便于邊緣端部署，相比傳統圖像處理方法，復雜度低，不需要對目標特征預先進行定義，可自適應調整參數。
3、現有技術方案的不足之處在于：
4、(1)檢測精度低、環境適應能力弱。輸電線路環境復雜，具有多種復雜巡檢場景
5、(2)特征學習難。以yolov5為代表的目標檢測網絡雖速度快、易部署，但網絡本身無法自主區分無人機巡檢環境下的簡單背景和復雜背景，容易出現架空導線特征學習不充足、不準確現象，導致檢測導線不具有完整性，影響后期無人機對架空導線的定位。
技術實現思路
1、本專利技術提供了一種基于課程學習策略的電力架空導線檢測方法。借鑒于人類學習課程時從易到難的思維方式，將小波變換與信息熵創新性融合，利用小波-熵算法將數據集劃分為簡單與復雜兩種數據，使yolov5網絡先學習簡單數據，再學習復雜數據，提高網絡對架空導線特征的學習與理解，最后結合去除錯誤檢測框的后處理模塊，在不擴大網絡規模的情況下，實現了架空導線的高精度檢測，為無人機架空導線自動巡檢提供了新思路，推進了該領域的技術發展。
2、一種基于課程學習策略的電力架空導線檢測方法，包括如下步驟：
3、首先，對于數據集進行單樣本多目標框標注，對架空導線進行分段標注分段檢測，標記架空導線走向；
4、然后，對數據集圖片進行基于小波-熵的圖像復雜度計算，將數據集劃分為簡單和復雜兩種數據集，并先后將兩種數據集送入yolov5網絡進行訓練、學習，使網絡先學習簡單數據集，再學習復雜數據集，進一步提高架空導線檢測精度；
5、最后，針對yolov5網絡檢測后仍存在錯誤檢測的架空導線圖片，利用方向梯度統計進行目標框處理，去除錯誤檢測框，保留完整且準確的架空導線目標檢測框，保留完整且準確的架空導線。
6、本專利技術的檢測方法應用于無人機巡檢中復雜背景下的電力架空導線目標檢測，在不擴大網絡規模的情況下實現架空導線的高精度檢測，為無人機自動準確檢測電力架空導線提供技術支持。
7、架空導線檢測是電力巡檢中的重要內容。但在巡檢圖片中，自然景觀(森林、草地、天空)圖片目標背景簡單，網絡可以更容易的學習到架空導線的形狀特征。人為景觀(道路、建筑)圖片目標背景與架空導線的顏色、形狀往往相近，網絡難以學習到架空導線的特征。yolov5網絡無法自主區分自然景觀與人為景觀，容易出現架空導線特征學習不充足、不準確現象，導致網絡精度較低。針對以上問題，為提高對架空導線這類細長物理結構目標的檢測準確率，專利技術一種基于課程學習策略的電力架空導線檢測方法。借鑒于人類學習課程時從易到難的思維方式，將小波變換與信息熵創新性融合，利用小波-熵算法將數據集劃分為簡單與復雜兩種數據，使yolov5網絡先學習簡單數據，再學習復雜數據，提高網絡對架空導線特征的學習與理解，最后結合去除錯誤檢測框的后處理模塊，在不擴大網絡規模的情況下，實現了架空導線的高精度檢測，為無人機架空導線自動巡檢提供了新思路，推進了該領域的技術發展。
本文檔來自技高網...【技術保護點】
1.一種基于課程學習策略的電力架空導線檢測方法，其特征在于包括如下步驟：
2.根據權利要求1所述的基于課程學習策略的電力架空導線檢測方法，其特征在于：
【技術特征摘要】
1.一種基于課程學習策略的電力架空導線檢測方法，其特征在于包括如下步驟：
<...【專利技術屬性】
技術研發人員：楊凡，馬浩，張格非，楊青偉，唐一銘，陳全，劉秉亨，童瑩，何睿清，
申請(專利權)人：南京工程學院，
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。