一种绝缘子识别方法及系统与流程

1.本发明涉及一种绝缘子识别方法及系统，属于电力设备检测领域。


背景技术：

2.绝缘子是安装在不同电位的导体或导体与接地构件之间的能够耐受电压和机械应力作用的器件。输电线路中绝缘子长期暴露在各种天气条件下，长时间会受到持续的电气闪络、材料老化、机械张力，导致绝缘子本身产生磨损、腐蚀等损伤，对以上所产生的严重后果若不及时修复与检查会导致严重事故，造成地区性的停电和巨大的经济损失。在绝缘子故障检测前，应准确分割提取出绝缘子，才能为后续绝缘子故障状态识别定位等提供有利的基础条件。
3.现有技术中通过无人机进行巡检获取线路图片，利用神经网络对线路图片进行绝缘子提取。但由于绝缘子易受复杂背景、光照、拍摄角度、地面地貌等影响，会产生色差、变形以及部分遮挡的情况，故基于图像分割方法效果有限。
4.如专利cn114241196a《一种输电线路金具及绝缘子检测方法》通过微调yolov4模型并且嵌入cbam模块，在空间和通道两个层面增强目标特征信息，从而实现了对输电线路金具及绝缘子的有效检测，cbam模块的嵌入帮助模型在提取目标特征时提取到的特征信息更丰富，达到提升最终输出结果准确率的目的。


技术实现要素：

5.为了克服现有技术中存在的问题，本发明设计了一种绝缘子识别方法及系统，从原始点云数据中提取绝缘子相关的待识别点云数据，构建识别模型对点云数据进行绝缘子识别，不受绝缘子所处空间环境、拍摄角度等因素影响，识别结果精度高。同时本发明在提取点云数据特征前利用注意力模块处理点云数据，能保留点云数据中更多的小目标细节信息，进一步提高绝缘子的识别精度。
6.为了实现上述目的，本发明采用如下技术方案：
7.一种绝缘子识别方法，包括以下步骤：
8.获取待识别点云数据；
9.构建并训练绝缘子识别模型，所述绝缘子识别模型包括顺次连接的预处理模块、注意力模块、特征提取模块、特征融合模块和预测模块；
10.将待识别点云数据输入至绝缘子识别模型，预处理模块对待识别点云数据进行归一化操作并将操作结果输出至注意力模块；注意力模块提取操作结果的通道特征和空间特征并融合所述通道特征、空间特征和操作结果，将融合结果输出至特征提取模块；特征提取模块提取融合结果的特征并在特征融合模块进行特征融合，预测模块根据特征融合结果输出预测结果，预测结果为待识别点云数据中是否包含绝缘子以及绝缘子位置。
11.进一步地，所述获取待识别点云数据，具体包括以下步骤：
12.扫描电力线路，得到原始点云数据；
13.滤除原始点云数据中的地面点和非电力线杆塔点，得到待识别点云数据。
14.进一步地，利用渐进加密三角网滤波算法滤除原始点云数据中的地面点，具体包括：
15.对原始点云数据划分网格，取每个网格的最低点进行光栅化；利用形态学开操作选取潜在地面种子点，利用平移平面拟合法滤除潜在地面种子点中的非地面点，得到地面种子点；根据地面种子点建立不规则三角网模型，进行迭代加密直至没有新的地面点；删除地面点，得到滤除结果。
16.进一步地，利用kd树半径搜索法滤除原始点云数据中的非电力线杆塔点，具体包括：
17.建立kd树，以原始点云数据为搜索区间，设定阈值半径为搜索半径，原始点云数据中最高点作为初始搜索点，标记初始搜索点外的所有点云；
18.从初始搜索点开始在搜索半径内搜索点云数据，将本次搜索中得到的未标记点云数据作为待搜索点并进行标记；依次从各待搜索点出发搜寻点云数据，直至不能搜寻到未标记点云数据；
19.提取带标记的点云数据为滤除结果。
20.进一步地，在将待识别点云数据输入至绝缘子识别模型前，利用pointcnn算法处理所述待识别点云数据。
21.进一步地，预处理模块包括依次连接的卷积层和最大池化层。
22.进一步地，所述特征提取模块采用resnet50网络。
23.进一步地，所述特征融合模块采用双向fpn网络。
24.技术方案二：
25.一种绝缘子识别系统，包括：
26.获取模块，用于获取待识别点云数据并输出待识别点云数据至绝缘子识别模型；
27.绝缘子识别模型，所述绝缘子识别模型包括顺次连接的预处理模块、注意力模块、特征提取模块、特征融合模块和预测模块；
28.其中，预处理模块用于对待识别点云数据进行归一化操作并将操作结果输出至注意力模块；注意力模块用于提取操作结果的通道特征和空间特征并融合所述通道特征、空间特征和操作结果，将融合结果输出至特征提取模块；特征提取模块用于提取融合结果的特征并在特征融合模块进行特征融合，预测模块用于根据特征融合结果输出预测结果，预测结果为待识别点云数据中是否包含绝缘子以及绝缘子位置。
29.与现有技术相比本发明有以下特点和有益效果：
30.1、本发明通过扫描电力线路得到原始点云数据，并从原始点云数据中提取绝缘子相关的待识别点云数据，构建识别模型对点云数据进行绝缘子识别，不受绝缘子所处空间环境、拍摄角度等因素影响，识别结果精度高。
31.2、点云分布不均且分布方式为非结构化，特征点较少，所含信息不完整。故本发明利用pointcnn处理点云数据，以减少待识别点云数据中的点云数量同时加深各点云的特征通道从而加深绝缘子特征，便于识别。
32.3、本发明在进行特征提取阶段前利用注意力模块处理待识别点云数据，能保留点云数据中更多的小目标细节信息，进一步提高绝缘子的识别精度。
33.4、本发明采用双向fpn操作，增强多层级特征融合，不仅可以自上而下逐层融合，而且可以自下而上进行逐层融合，提升绝缘子识别模型提取特征的丰富性。
附图说明
34.图1是本发明所述绝缘子识别模型示意图；
35.图2是本发明所述注意力模块示意图；
36.图3是本发明所述预测模块示意图。
具体实施方式
37.下面结合实施例对本发明进行更详细的描述。
38.实施例一
39.如图1所示，一种绝缘子识别方法，包括以下步骤：
40.s1、构建如图1所示的绝缘子识别模型，所述绝缘子识别模型包括顺次连接的预处理模块、注意力模块、特征提取模块、特征融合模块和预测模块。
41.预处理模块包括依次连接的卷积层和最大池化层，用于对输入数据进行归一化操作，满足后续模块的输入要求。注意力模块如图2所示，包括通道注意力子网络、空间注意力子网络。特征提取模块采用resnet50网络，包括5个依次连接的残差块。特征融合模块采用双向fpn网络，与特征提取网络侧向连接，包括前向分支和反向分支。预测模块如图3所示，包括类别预测子网络和位置预测子网络。
42.s2、获取训练数据集，训练数据集包括若干个标注绝缘子位置的点云数据。
43.对训练数据集进行线性插值，如(xi,yi)和(xj,yj)是训练数据集中的两个数据，则生成新的训练数据如下式所示：
44.(xn,yn)＝λ(xi,yi) (1-λ)xj,yj)
45.式中，λ为随机值，λ《1。
46.构建损失函数：
47.fl(p
t
)＝-α
t
(1-p
t
)
γ
log(p
t
)
[0048][0049]
其中，y∈{
±
1}表示训练数据的标签值；p∈[0,1]表示训练数据的预测值y＝1的概率；γ表示聚焦参数且γ≥0；α
t
表示平衡因子，用来平衡正负样本本身的比例不均。
[0050]
利用训练数据集和损失函数迭代训练绝缘子识别模型直至识别精度达到预设值。
[0051]
s3、获取待识别的点云数据；
[0052]
s4、利用pointcnn算法处理待识别的点云数据，以减少待识别的点云数据中的特征点同时加深其特征通道，得到点云数据m0；
[0053]
s5、将点云数据m0输入至绝缘子识别模型；
[0054]
预处理模块对点云数据m0进行归一化操作，输出点云数据m1至注意力模块；
[0055]
注意力模块中的通道注意力子网络提取点云数据m1的通道特征mc，融合点云数据m1与通道特征mc得到点云数据m1’；空间注意力子网络提取点云数据m1’的空间特征ms，融合点云数据m1’与空间特征ms得到点云数据m2；输出点云数据m2至特征提取模块。
[0056]
特征提取模块中的第一残差块提取点云数据m2的特征并输出至下一残差块和特征融合模块，第i残差块(1《i《5)提取上一残差块输出数据的特征并输出至下一残差块和特征融合模块，最终第五残差块输出特征图至特征融合模块。
[0057]
第五残差块输出的特征图先经过前向分支再经过反向分支，前向分支对特征图进行四次下采样，得到四个不同尺度的特征图；相应地，反向分支对尺度最小的特征图进行四次上采样并与前向分支中尺度相同的特征图以通道连接的方式相融合，最终得到五个不同尺度的融合特征并输出至预测模块。
[0058]
预测模块如图3所示，图中w、h分别表示输入数据的宽、高，ka表示通道数，ka＝类别数*先验框数量，本实施例中类别数＝2。预测模块融合所述五个不同尺度的融合特征并分别输入至类别预测子网络(class subnet)和位置预测子网络(box subnet)，class subnet对输入数据进行多次256通道的卷积和1次ka通道的卷积；box subnet采用多次256通道的卷积和1次ka通道的卷积；最终得到识别目标为绝缘子的置信度以及识别目标位置。
[0059]
现有技术(如专利cn114241196a《一种输电线路金具及绝缘子检测方法》)在特征提取阶段或特征融合阶段利用注意力模块改变特征的聚焦位置，产生更具分辨性的特征表示。本发明技术人员考虑到在特征提取阶段和特征融合阶段会进行下采样或卷积操作，输入数据中的细节信息会被弱化，注意力机制的增强效果有限。例如输入数据为16个点云数据进行下采样或卷积操作后，变为8个点云数据，这时使用注意力机制提升目标的特征表达有限。故本实施例在进行特征提取之前利用注意力模块处理点云数据，能保留点云数据中更多的小目标细节信息，从而提高绝缘子的识别精度。
[0060]
此外，点云分布不均且分布方式为非结构化，所含信息不完整。故本实施例利用pointcnn处理点云数据，以减少绝缘子识别模型输入数据的点云数并加深各点云数据的特征通道。
[0061]
实施例二
[0062]
进一步的，所述点云数据的获取方法如下：
[0063]
a1、获取原始点云数据：利用机载激光雷达扫描电力线路，得到原始点云数据；
[0064]
a2、利用渐进加密三角网滤波算法滤除原始点云数据中的地面点：
[0065]
首先对原始点云数据以1m的尺寸划分网格，取每个网格的最低点进行光栅化；然后利用形态学开操作选取潜在地面种子点g
p
，利用平移平面拟合法滤除g
p
中的非地面点，获得准确的地面种子点gs；根据地面种子点建立不规则三角网模型(tin模型)，执行先向下再向上的迭代加密直至没有新的地面点；删除地面点，完成滤波。
[0066]
a3、利用kd树半径搜索法进行滤除原始点云数据中的非电力线杆塔点：
[0067]
a31、建立kd树，以过滤后的原始点云数据为搜索区间，设定阈值半径为搜索半径，过滤后原始点云数据中最高点作为初始搜索点，并将初始搜索点外的所有点云标记为false；
[0068]
a32、kd树半径搜索电力线点云
[0069]
从初始搜索点开始在搜索半径内搜索点云数据，将本次搜索中标记为flase的点云数据作为待搜索点并标记为true。依次从各待搜索点出发搜寻点云数据，直至不能搜寻到标记为false的点云数据。
[0070]
a33、提取标记为true的点云数据为滤除结果。
[0071]
显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。