具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

请参阅图1，图1为本申请一种输电线路防震锤典型缺陷检测方法的一个实施例的方法流程图，如图1所示，图1中包括：

101、采集待检测防震锤的深度图像；

需要说明的是，本申请可以采集待检测防震锤的深度图像，用于获取待检测防震锤的三维数据。具体的，可以采用四目相机采集的待检测防震锤图像，确定待检测防震锤的应用场景；根据待检测防震锤的应用场景，确定选用四目相机的相机对数据；根据所选用的四目相机的相机对数据，确定待检测防震锤的深度数据。

102、由深度图像建立待测防震锤的三维模型；

需要说明的是，本申请可以由深度图像建立待测防震锤的三维模型，从而获取待检测防震锤的三维数据，获取的三维数据可以包括防震锤的锤头相对线夹的距离以及线夹两端的绞丝的相对位置。

103、将待测防震锤的三维模型输入至训练好的防震锤深度神经网络缺陷检测模型，识别待测防震锤的缺陷，缺陷包括锤头位移缺陷和绞丝形变缺陷。

需要说明的是，本申请可以采用预先训练好的防震锤深度神经网络缺陷检测模型对待检测的防震锤的三维模型进行缺陷检测，可以将待检测防震锤的三维模型作为测试集；将测试集的输入训练好的深度神经网络进行预测，得到待检测防震锤对应的锤头位移数据和绞丝形变数据，从而识别待检测防震锤是否出现锤头位移缺陷和绞丝形变缺陷。

本申请通过根据防震锤深度神经网络缺陷检测模型，对待检测防震锤进行缺陷检测，确定缺陷类型；同时其防震锤深度神经网络缺陷检测模型根据多个防震锤图像样本以及关键参数预先训练生成；其中，关键参数包括：两个锤头相对线夹距离之差和绞丝直线度。本申请提供的防震锤典型缺陷检测方法，不用考虑任何防震锤型号特征特点，而是根据多个防震锤图像样本以及关键参数预先训练生成；然后在后续检测时，将测试集的输入训练好的深度神经网络进行预测，得到待检测防震锤对应的标准关键参数偏离度；这样就可以得到不同待检测防震锤对应的不同的标准关键参数偏离度，使得每个待检测防震锤都会存在一个检测标准，以判断它是否存在缺陷。

本申请还提供了了一种输电线路防震锤典型缺陷检测方法的另一个实施例的方法流程图，如图2所示，图2中包括：

201、采用四目深度相机采集待测防震锤的深度图像。

202、由深度图像建立待测防震锤的三维模型；

需要说明的是，本申请可以采集待检测防震锤的深度图像，用于获取待检测防震锤的三维数据。具体的，可以采用四目相机采集的待检测防震锤图像，确定待检测防震锤的应用场景；根据待检测防震锤的应用场景，确定选用四目相机的相机对数据；根据所选用的四目相机的相机对数据，确定待检测防震锤的深度数据。由深度图像建立待测防震锤的三维模型，从而获取待检测防震锤的三维数据，获取的三维数据可以包括防震锤的锤头相对线夹的距离以及线夹两端的绞丝的相对位置。

203、以待检测防震锤的三维模型作为测试集；

204、采用获取的多个防震锤深度图像样本建立防震锤深度神经网络缺陷检测模型所需的样本库；

205、以多个防震锤图像图像样本作为训练集，以防震锤图像样本对应的锤头相对线夹距离以及绞丝直线度作为输入向量；将关键参数对应的锤头相对线夹距离之差以及绞丝直线度与预置的绞丝直线度之差作为输出向量，结合输入向量和输出向量生成特征向量；

206、对特征向量进行预处理；设置深度神经网络的基本参数，并用训练集的特征向量训练防震锤深度神经网络缺陷检测模型，得到训练好的防震锤深度神经网络缺陷检测模型；

需要说明的是，本申请可以获取待检测防震锤的三维数据，包括两个锤头2相对线夹3的距离之差和线夹3两端绞丝1的相对位置的直线度(防震锤结构如图4所示)。本申请在对待检测防震锤进行是被之间，首先需要对防震锤深度神经网络缺陷检测模型进行训练，训练过程包括：

首先可以获取多个防震锤图像样本；可以根据多个防震锤图像样本建立防震锤深度神经网络缺陷检测模型所需的样本库；在模型建设时，以多个防震锤图像样本作为训练集数据源，以多个防震锤图像样本对应的三维数据作为输入向量；将两个锤头相对线夹的距离和线夹两端绞丝的相对位置的直线度对应的锤头相对线夹距离之差以及绞丝直线度与预置的绞丝直线度之差作为输出向量，结合输入向量和输出向量生成特征向量。再对对特征向量进行预处理；设置深度神经网络的基本参数，并用训练集的特征向量训练深度神经网络，得到训练好的防震锤深度神经网络缺陷检测模型。

其中，关于防震锤深度神经网络缺陷检测模型，基于防震锤建立典型数据库，建立健康与缺陷防震锤的机器学习模型(防震锤深度神经网络缺陷检测模型)，从而实现基于三维模型数据进行机器学习自动缺陷识别防震锤缺陷的方法，从而提高了防震锤缺陷检测的效率和准确度；当然利用上述同时防震锤深度神经网络缺陷检测模型也提高了防震锤缺陷检测的安全性，降低了防震锤缺陷检测的成本，可广泛地应用在电力系统中。提高了输电线路巡检的工作效率，保障了电网运行的安全性。同时其可以针对不同待检测防震锤的三维模型实施不同的缺陷判断标准。

207、将测试集的输入训练好的防震锤深度神经网络缺陷检测模型，得到待检测防震锤的锤头相对线夹距离之差以及绞丝直线度；

208、将锤头相对线夹距离之差以及绞丝直线度与防震锤的预置标准值进行比对，判断当前待检测防震锤的锤头是否发生了移位或者绞丝是否发生了变形。

需要说明的是，本申请中可以将锤头相对线夹距离之差以及绞丝直线度与防震锤的预置标准值进行比对，判断当前待检测防震锤的锤头是否发生了移位或者绞丝是否发生了变形，其判断方法包括：

对于锤头位移缺陷的检测方法为，获取待检测防震锤的锤头相对线夹距离之差，将锤头相对线夹距离之差与防震锤的预置标准值进行比对，判断当前待检测防震锤的锤头是否发生了移位，具体为：

将待检测防震锤的锤头相对线夹距离之差与预置的锤头相对线夹距离之差最大值进行比较；若待检测防震锤的锤头相对线夹距离之差大于预置的锤头相对线夹距离之差最大值，则判定待检测防震锤的锤头存在移位缺陷。

绞丝形变缺陷的检测方法为，获取待检测防震锤的锤头两端绞丝的相对直线位置，将绞丝相对直线位置(绞丝直线度)与防震锤的预置标准值进行比对，判断当前待检测防震锤的绞丝是否发生了变形，具体为：

将待检测防震锤的绞丝直线度与预置的绞丝直线度最大值进行比较；若待检测防震锤的绞丝直线度大于预置的绞丝直线度最大值，则判定待检测防震锤的绞丝存在变形缺陷。

在一种具体的实施方式中，本申请还包括：

获取待检测防震锤的实际型号，同时获取同类型号的多个待检测防震锤；

获取多个待检测防震锤中的出现故障的比例；

若出现故障的比例大于预置缺陷比例，则判断同类型号的防震锤的质量较差。

需要说明的是，本申请可以获取当前待检测防震锤的实际型号，同时获取同厂家出厂的与当前待检测防震锤的实际型号的多个待检测防震锤；汇总收集同厂家出厂的与当前待检测防震锤的实际型号一样型号的所有已经检测完成的防震锤，汇总其对应的所有的出现缺陷的防震锤数据以及对应的故障比例；如果厂家出厂且实际型号一样型号的所有已经检测完成的防震锤的故障比例相差较大，且超过故障比例的出现缺陷的防震锤数据超过厂家出厂标注的出现缺陷的防震锤数据误差，则判定厂家出厂该实际型号的防震锤质量较差，使得可以为后续防震锤的采购提供数据支持。

本申请还提供了一种输电线路防震锤典型缺陷检测装置的一个实施例，如图3所示，图3中包括：

301、采集单元，用于采集待检测防震锤的深度图像；

302、模型建立单元，用于由深度图像建立待测防震锤的三维模型；

303、识别单元，用于将待测防震锤的三维模型输入至训练好的防震锤深度神经网络缺陷检测模型，识别待测防震锤的缺陷，缺陷包括锤头位移缺陷和绞丝形变缺陷。

在一种具体的实施方式中，采集单元具体用于采用四目深度相机采集待测防震锤的深度图像。

在一种具体的实施方式中，识别单元还包括：

参数求取单元，用于以待检测防震锤的三维模型作为测试集；将测试集的输入训练好的防震锤深度神经网络缺陷检测模型，得到待检测防震锤的锤头相对线夹距离之差以及绞丝直线度；

判断单元，用于将锤头相对线夹距离之差以及绞丝直线度与防震锤的预置标准值进行比对，判断当前待检测防震锤的锤头是否发生了移位或者绞丝是否发生了变形。

本申请实施例提供防震锤典型缺陷检测方法，采集待检测防震锤图像；根据待检测防震锤图像，确定待检测防震锤的三维模型；将待检测防震锤的三维模型输入预先训练生成的防震锤深度神经网络缺陷检测模型，准备实施缺陷检测处理；根据防震锤深度神经网络缺陷检测模型，对待检测防震锤进行缺陷检测，确定缺陷类型；同时其防震锤深度神经网络缺陷检测模型根据多个防震锤图像样本以及关键参数预先训练生成；其中，关键参数包括：两个锤头相对线夹的距离之差和绞丝直线度。本申请实施例提供的防震锤典型缺陷检测方法，不会考虑任何防震锤型号特征特点，而是根据多个防震锤图像样本以及关键参数预先训练生成；然后在后续检测时，将测试集的输入训练好的深度神经网络进行预测，得到待检测防震锤对应的标准关键参数偏离度；这样就可以得到不同待检测防震锤对应的不同的标准关键参数偏离度，这样每个待检测防震锤都会存在一个检测标准，以判断它是否存在缺陷；因此，应用输电线路防震锤典型缺陷检测方法，可以进一步有针对性且全面检索一些待检测防震锤所具有的典型缺陷，随后完整且精准识别典型缺陷。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。