本發(fā)明屬于電氣自動化領(lǐng)域，具體涉及一種基于熱成像的輸電線路金具損傷檢測方法及系統(tǒng)。

背景技術(shù)：

1、隨著經(jīng)濟技術(shù)的發(fā)展和人們生活水平的提高，電能已經(jīng)成為了人們生產(chǎn)和生活中必不可少的二次能源，給人們的生產(chǎn)和生活帶來了無盡的便利。因此，保障電能的穩(wěn)定可靠供應，就成為了電力系統(tǒng)最重要的任務之一。

2、輸電線路作為電力系統(tǒng)電能輸送的核心組件，其穩(wěn)定性對于電力系統(tǒng)而言，意義重大。輸電線路金具是輸電線路的核心部件，具有了固定、防護、接續(xù)以及維持整個線路穩(wěn)定運行的作用。然而，輸電線路金具的工作環(huán)境通常極為惡劣，因此極易出現(xiàn)銹蝕、變形、破損等各類問題。因此，對于輸電線路金具的損傷檢測，就顯得意義重大。

3、當前，輸電線路金具的損傷檢測，主要分為人工檢測方案和無人機檢測方案。人工檢測方案，需要電力系統(tǒng)檢修人員攀爬輸電線路鐵塔，人為對輸電線路金具進行檢測。但是，這類人工檢測的方案，不僅安全性和可靠性較差，而且檢測效率較低。無人機檢測方案，一般都是通過無人機搭載的攝像頭對輸電線路金具進行拍照，然后再通過特征描述算法或機器學習算法進行金具損傷的檢測。但是，這類無人機檢測的方案，同樣受制于拍攝圖像的質(zhì)量，其可靠性和精確性依舊較差。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的之一在于提供一種可靠性高、精確性好且效率較高的基于熱成像的輸電線路金具損傷檢測方法。

2、本發(fā)明的目的之二在于提供一種實現(xiàn)所述基于熱成像的輸電線路金具損傷檢測方法的系統(tǒng)。

3、本發(fā)明提供的這種基于熱成像的輸電線路金具損傷檢測方法，包括如下步驟：

4、s1.搭建輸電線路金具的無人機熱成像檢測系統(tǒng)；

5、s2.采用步驟s1搭建的檢測系統(tǒng)，對輸電線路金具進行熱成像，以獲取原始數(shù)據(jù)集；

6、s3.對步驟s2獲取的原始數(shù)據(jù)集進行數(shù)據(jù)處理，以構(gòu)建訓練數(shù)據(jù)集；

7、s4.基于yolov8網(wǎng)絡和可變性卷積網(wǎng)絡，構(gòu)建基于熱成像的輸電線路金具損傷檢測初始模型；

8、s5.采用步驟s3得到的訓練數(shù)據(jù)集，對步驟s4構(gòu)建的模型進行訓練，得到輸電線路金具損傷檢測模型；

9、s6.采用步驟s5得到的輸電線路金具損傷檢測模型，進行實際的輸電線路金具的損傷檢測，完成基于熱成像的損傷檢測。

10、步驟s1所述的搭建輸電線路金具的無人機熱成像檢測系統(tǒng)，具體包括如下步驟：

11、在無人機上搭載紅外熱像儀和激光加熱器；其中，激光加熱器用于對輸電線路金具進行加熱操作，紅外熱像儀用于獲取輸電線路金具的紅外熱成像數(shù)據(jù)。

12、步驟s2所述的采用步驟s1搭建的檢測系統(tǒng)，對輸電線路金具進行熱成像，以獲取原始數(shù)據(jù)集，具體包括如下步驟：

13、控制無人機飛行至輸電線路金具附近的設(shè)定范圍內(nèi)；

14、首先，設(shè)定激光加熱器的輸出功率為設(shè)定的小功率值，控制激光加熱器對焦到輸電線路金具的表面；然后，設(shè)定激光加熱器的輸出功率為設(shè)定的大功率值，控制無人機按照設(shè)定的線路和速度，圍繞輸電線路金具飛行，并采用激光加熱器對輸電線路金具表面進行加熱；

15、當輸電線路金具的表面溫度達到設(shè)定的要求后，關(guān)閉激光加熱器；采用紅外熱像儀，從設(shè)定的角度、設(shè)定的方向，獲取輸電線路金具的圖像數(shù)據(jù)，以得到原始數(shù)據(jù)集；所述的圖像數(shù)據(jù)包括紅外圖像數(shù)據(jù)和可見光圖像數(shù)據(jù)。

16、步驟s3所述的對步驟s2獲取的原始數(shù)據(jù)集進行數(shù)據(jù)處理，以構(gòu)建訓練數(shù)據(jù)集，具體包括如下步驟：

17、對步驟s2獲取的原始數(shù)據(jù)集進行數(shù)據(jù)處理；

18、所述的數(shù)據(jù)處理包括：圖像刪除、圖像標注、圖像增強；

19、圖像刪除：刪除冗余的圖片，以及無法標注的圖片；

20、圖像標注：對分割后圖像進行缺陷判定，并對判定的缺陷采用標注工具進行標注；

21、圖像增強：對標注后的圖像，采用數(shù)據(jù)增強方案進行數(shù)據(jù)增強；所述的數(shù)據(jù)增強方案包括旋轉(zhuǎn)、翻轉(zhuǎn)和對比度增強。

22、步驟s4所述的基于yolov8網(wǎng)絡和可變性卷積網(wǎng)絡，構(gòu)建基于熱成像的輸電線路金具損傷檢測初始模型，具體包括如下步驟：

23、構(gòu)建的基于熱成像的輸電線路金具損傷檢測初始模型，包括缺陷檢測模塊、缺陷分割模塊和面積計算模塊；

24、缺陷檢測模塊、缺陷分割模塊和面積計算模塊依次串接；

25、基于yolov8網(wǎng)絡和可變性卷積網(wǎng)絡，構(gòu)建缺陷檢測模塊；缺陷檢測模塊用于對輸入的輸電線路金具的圖像進行判定，以得到輸電線路金具的缺陷判定結(jié)果；

26、基于閾值法構(gòu)建缺陷分割模塊；缺陷分割模塊用于基于缺陷檢測模塊輸出的判定結(jié)果，對輸電線路金具圖像中的金具缺陷部分進行圖像分割和像素統(tǒng)計；

27、基于攝像頭的參數(shù)和圖像與實際世界的幾何關(guān)系，構(gòu)建面積計算模塊；面積計算模塊根據(jù)缺陷分割模塊統(tǒng)計的金具缺陷部分的像素，計算輸電線路金具的實際缺陷面積，完成基于熱成像的輸電線路金具的損傷檢測。

28、所述的基于yolov8網(wǎng)絡和可變性卷積網(wǎng)絡，構(gòu)建缺陷檢測模塊，具體包括如下步驟：

29、基于yolov8網(wǎng)絡，構(gòu)建缺陷檢測模塊；

30、構(gòu)建的缺陷檢測模塊包括backbone層、neck層和head層；

31、neck層和head層的結(jié)構(gòu)和作用，與yolov8網(wǎng)絡相同；

32、所述的backbone層，包括依次串接的第一卷積層、第二卷積層、第一c2f層、第三卷積層、第一dcn-c2f層、第四卷積層、第二dcn-c2f層、第五卷積層、第二一c2f層和sppf層；其中，第一卷積層、第二卷積層、第一c2f層、第三卷積層、第四卷積層、第五卷積層、第二一c2f層和sppf層的結(jié)構(gòu)和作用，均與yolov8網(wǎng)絡相同；第一dcn-c2f層的輸出、第二dcn-c2f層的輸出和sppf層的輸出，作為backbone層的輸出；

33、第一dcn-c2f層和第二dcn-c2f層的結(jié)構(gòu)相同，且均用于擴大特征圖的感受野，調(diào)整預測框的回歸參數(shù)，提高模型對于特征的表征能力；

34、dcn-c2f層包括第一子卷積層、第一子split層、第一子dcn層～第n子dcn層、第一子連接層和第二子卷積層；

35、第一子卷積層的輸出分為兩路，一路直接輸出到第一子split層，另一路輸出到第一子連接層；第一子split層用于將輸入的特征分為兩路，一路輸出到第一子連接層，另一路輸出到第一子dcn層；在第一子dcn層～第n子dcn層中，第i子dcn層的輸出作為第i+1子dcn層的輸入，同時第i子dcn層的輸出還直接連接第一子連接層；第一子連接層將所有輸出的特征進行連接，并輸出到第二子卷積層；第二子卷積層的輸出作為對應的dcn-c2f層的輸出；

36、第一子卷積層用于對輸入的特征進行卷積處理，以捕捉輸入圖像中的初步特征信息；第一子split層用于對輸入的特征進行分割，從而將數(shù)據(jù)流分配到不同的變形卷積層中；第一子dcn層～第n子dcn層用于調(diào)整卷積核位置，以便對齊和捕捉輸入特征中的特征信息；第一子連接層用于對輸入的特征進行連接；第二子卷積層通過對連接后的特征進行進一步的卷積處理，以增強不同特征之間的關(guān)聯(lián)并優(yōu)化最終輸出；

37、第一子dcn層～第n子dcn層的結(jié)構(gòu)相同；第i子dcn層包括第一dcn層、第二dcn層和求和層；輸入的特征依次通過第一dcn層和第二dcn層處理后，輸出到求和層，求和層將第二dcn層的輸出和輸入的特征進行求和后，作為第i子dcn層的輸出；第一dcn層用于對特征進行空間變形處理，通過學習輸入特征的局部變化，調(diào)整卷積核的形狀和位置，以便捕捉輸入圖像的幾何特征；第二dcn層用于進一步增強模型對輸入圖像的適應性，提供更加精確的特征調(diào)整；

38、第一dcn層和第二dcn層結(jié)構(gòu)相同，卷積核為3×3，擴張率為1；

39、針對卷積核為3×3，擴張率為1的dcn層，存在

40、r＝(-1,1),(-1,0),(-1,-1),(0,1),(0,0),(0,-1),(1,1),(1,0),(1,-1)

41、式中r為卷積核的規(guī)則網(wǎng)絡，表示卷積核相對于中心點的偏移量；

42、卷積核為3×3，擴張率為1的dcn層，輸出的特征矩陣表示為

43、

44、式中y(p0)為p0位置處的dcn層卷積輸出結(jié)果；p0為特征圖中的像素位置；w(pn)為pn位置的權(quán)值；x(p0+pn+δpn)表示輸入特征圖在p0+pn+δpn位置的像素值；

45、卷積核為3×3，擴張率為1的dcn層，采用雙線性插值算法來實現(xiàn)偏移。

46、所述的基于閾值法構(gòu)建缺陷分割模塊，具體包括如下步驟：

47、采用基于高斯濾波的大津閾值法，將對輸電線路金具圖像中的金具缺陷部分進行圖像分割；

48、根據(jù)得到的圖像分割結(jié)果，計算得到金具缺陷部分所包含的像素數(shù)目。

49、所述的基于攝像頭的參數(shù)和圖像與實際世界的幾何關(guān)系，構(gòu)建面積計算模塊，具體包括如下步驟：

50、獲取紅外熱像儀的對角線視場角α、紅外熱像儀與線路金具的距離d、紅外熱像儀的分辨率m×n；

51、根據(jù)紅外熱像儀的分辨率m×n，計算得到圖像對角線的像素個數(shù)為

52、

53、設(shè)定對角線在距離d下的實際長度l為則像素格與實際長度的對應關(guān)系表示為式中δ為1個像素的實際長度，p為距離d下圖像對角線包含的像素數(shù)目；

54、根據(jù)δ和金具缺陷部分所包含的像素數(shù)目，計算得到輸電線路金具的實際缺陷面積。

55、步驟s6所述的采用步驟s5得到的輸電線路金具損傷檢測模型，進行實際的輸電線路金具的損傷檢測，完成基于熱成像的損傷檢測，具體包括如下步驟：

56、在實際進行檢測時，首先采用步驟s1搭建的輸電線路金具的無人機熱成像檢測系統(tǒng)，獲取目標輸電線路金具的紅外熱成像數(shù)據(jù)；

57、將獲取的目標輸電線路金具的紅外熱成像數(shù)據(jù)，輸入到步驟s5得到的輸電線路金具損傷檢測模型中，得到目標輸電線路金具的實際缺陷面積，完成目標輸電線路金具的基于熱成像的損傷檢測。

58、本發(fā)明還提供了一種實現(xiàn)所述基于熱成像的輸電線路金具損傷檢測方法的系統(tǒng)，包括系統(tǒng)搭建模塊、數(shù)據(jù)獲取模塊、數(shù)據(jù)處理模塊、模型構(gòu)建模塊、模型訓練模塊和損傷檢測模塊；系統(tǒng)搭建模塊、數(shù)據(jù)獲取模塊、數(shù)據(jù)處理模塊、模型構(gòu)建模塊、模型訓練模塊和損傷檢測模塊依次串聯(lián)；系統(tǒng)搭建模塊用于搭建輸電線路金具的無人機熱成像檢測系統(tǒng)，并將數(shù)據(jù)信息上傳數(shù)據(jù)獲取模塊；數(shù)據(jù)獲取模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用搭建的檢測系統(tǒng)，對輸電線路金具進行熱成像，以獲取原始數(shù)據(jù)集，并將數(shù)據(jù)信息上傳數(shù)據(jù)處理模塊；數(shù)據(jù)處理模塊用于根據(jù)接收到的數(shù)據(jù)信息，對獲取的原始數(shù)據(jù)集進行數(shù)據(jù)處理，以構(gòu)建訓練數(shù)據(jù)集，并將數(shù)據(jù)信息上傳模型構(gòu)建模塊；模型構(gòu)建模塊用于根據(jù)接收到的數(shù)據(jù)信息，基于yolov8網(wǎng)絡和可變性卷積網(wǎng)絡，構(gòu)建基于熱成像的輸電線路金具損傷檢測初始模型，并將數(shù)據(jù)信息上傳模型訓練模塊；模型訓練模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用得到的訓練數(shù)據(jù)集，對步驟s4構(gòu)建的模型進行訓練，得到輸電線路金具損傷檢測模型，并將數(shù)據(jù)信息上傳損傷檢測模塊；損傷檢測模塊用于根據(jù)接收到的數(shù)據(jù)信息，采用得到的輸電線路金具損傷檢測模型，進行實際的輸電線路金具的損傷檢測，完成基于熱成像的損傷檢測。

59、本發(fā)明提供的這種基于熱成像的輸電線路金具損傷檢測方法及系統(tǒng)，通過無人機對目標輸電線路金具進行加熱以獲取熱成像數(shù)據(jù)，并基于yolov8網(wǎng)絡和可變性卷積網(wǎng)絡構(gòu)建損傷檢測模型并進行損傷檢測；因此本發(fā)明不僅能夠?qū)崿F(xiàn)基于熱成像的輸電線路金具損傷檢測，而且可靠性更高，精確性更好，效率也更高。