本發明公開一種集電線路桿塔小金具缺失或安裝錯誤的識別方法及裝置。該方法通過獲取集電線路桿塔的視頻數據，對視頻數據進行切片處理，得到集電線路桿塔的圖像，根據預置的機器學習模型，對圖像中的畫面進行部件判別，將圖像切割為不同種類的特征，識別切割后得到的特征中的小金具，根據預置的機器學習模型，判斷小金具的數量和安裝部位是否存在小金具對應的缺陷，如果小金具的數量和安裝部位存在小金具對應的缺陷，輸出集電線路桿塔存在小金具缺失或安裝錯誤的提示信息。本發明在對小金具進行目標識別檢測中，加入分析手段，按照電力行業的規章制度與安裝守則對小金具的數量、安裝方式進行分析，從而解決深度學習不能解決的問題。

技術領域

本發明涉及電力系統缺陷檢測技術領域，尤其涉及一種集電線路桿塔小金具缺失或安裝錯誤的識別方法及裝置。

背景技術

以前架空輸電線路巡檢的主要方式為人工沿線路步行或借助交通工具，使用望遠鏡和紅外熱像儀等對線路設備和通道環境進行近距巡視和檢測。隨著線路里程不斷增加，人均運維長度逐年增加，現有巡檢方式效率低，特別是在高山、沼澤等復雜地形以及雨雪冰凍和地震等災害條件下人員難以到達，難以發現桿塔上部設備缺陷等缺點顯得更為突出。近年來隨著無人機技術與機器人技術的發展，利用無人機與高空爬線機器人進行巡檢的手段越來越普及。

隨之而來的問題是，隨著巡檢效率的增長，線路圖片的采集越來越多，依賴人員進行判斷已經成為制約線路巡檢的瓶頸，新能源場站一般都建在氣候條件不好的地點，多風、高溫等物候特點造成集電線路的金具易發生破裂，損毀等故障。利用視頻識別手段進行集電線路的故障判別已經迫在眉睫。大量公司與科研單位對此進行了研究。一般的技術路線都是利用故障圖片進行機器訓練來進行故障判斷。

機器學習進行故障判斷可以解決集電線路故障的大部分問題，但是對于小金具的缺失與安裝錯誤目前技術解決不了。其一是這種故障非常少，靠收集故障圖片來進行機器訓練基本不可能。機器學習需要的數據量少則幾百、多則上萬。而故障圖片在一條線路也未必發生，所以收集不了那么多的數據集，造成對這種故障判斷率的下降。但是這種缺陷又可以引發較大的故障。目前多靠人工復檢的手段來進行彌補。因此，有必要提出一種集電線路桿塔小金具缺失或安裝錯誤的識別方法及裝置，以解決上述問題。

發明內容

本發明提供一種集電線路桿塔小金具缺失或安裝錯誤的識別方法及裝置，以解決現有技術對于小金具的缺失與安裝錯誤難以進行故障判斷的問題。

第一方面，本發明提供一種集電線路桿塔小金具缺失或安裝錯誤的識別方法，所述方法包括如下步驟：

獲取集電線路桿塔的視頻數據；

對所述視頻數據進行切片處理，得到集電線路桿塔的圖像；

根據預置的機器學習模型，對所述圖像中的畫面進行部件判別；

根據部件判別的結果，將所述圖像切割為不同種類的特征；

識別切割后得到的特征中的小金具；

根據預置的機器學習模型，判斷所述小金具的數量和安裝部位是否存在所述小金具對應的缺陷；

如果所述小金具的數量和安裝部位存在所述小金具對應的缺陷，輸出所述集電線路桿塔存在小金具缺失或安裝錯誤的提示信息。

結合第一方面，在第一方面的第一種可實現方式中，根據部件判別的結果，將所述圖像切割為不同種類的特征的步驟中，將所述圖像切割為絕緣子及附件、桿塔及附件、導線及附件三類特征。

結合第一方面的第一種可實現方式，在第一方面的第二種可實現方式中，根據部件判別的結果，將所述圖像切割為不同種類的特征的步驟中，采用SSD算法對所述圖像進行特征切割。