基于深度学习的改进型YOLOv4输电线路鸟巢检测与识别

针对输电线路无人机巡视图像经典鸟巢检测算法权重参数范围大、识别效率低、识别精度低的缺点,提出了一种改进型YOLOv4输电线路鸟巢检测与识别方法。首先,选取Mosaic图像增强技术对图片集进行多种变换,变相增加图片集中的小目标数量。其次,在骨干特征提取网络中,通过引入深度可分离卷积来提高检测网络的速度;在YOLO头中,基于K-means++算法改进锚框的大小和比例,基于最小凸集建立回归损失函数。最后,在PANet和YOLO头之间增加2个SPP模块,进一步增强特征融合能力,提高小目标检测能力。利用某供电局无人机巡检图像制作数据集,将提出的算法与其他目标检测算法进行对比实验研究。实验结果表明,改进后的算法有更高的鸟巢检测准确度和更低的运算开销。     

基于改进YOLOv4及SR-GAN的绝缘子缺陷辨识研究

为了精准地识别无人机巡检图形中的小目标绝缘子及缺陷,本文提出了一种基于改进的深度学习目标检测网络(YOLOv4)的输电线路绝缘子缺陷检测方法.首先,通过无人机航拍及数据增强获得足够的绝缘子图像,构造绝缘子数据集.其次,利用绝缘子图像数据集训练YOLOv4网络,在训练过程中采用多阶段迁移学习策略和余弦退火学习率衰减法提高网络的训练速度和整体性能.最后,在测试过程中,对存在小目标的图像采用超分辨率生成网络,生成高质量的图像后再进行测试,以提高识别小目标的能力.实验结果表明,与Faster R-CNN和YOLOv3相比,所提算法在平均分类精度和每帧检测速率方面均有较大提升,性能表现优异.     

基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法

随着输电线路无人机巡检工作的常态化,暴露出故障图像检测实时性、模糊目标检测精准性难以满足实际工作需求的问题。文章提出一种基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法。以YOLOv5s为基础检测模型,基于Ghost轻量化模块重构模型获取数据特征的卷积操作过程,提高了模型的检测速度;采用基于KL散度分布的损失函数作为目标框定位损失函数,提升了模型对模糊图像检测的精度。将改进的YOLOv5s算法部署于华为Atlas 200 DK边缘模块中,对绝缘子自爆、防震锤脱落、鸟巢3类故障进行检测,其平均精度均值可达84.75%,检测速度为34 frame/s。结果表明,改进的算法在保证检测实时性的同时,能够提升对模糊故障目标图像的检测精度,满足无人机搭载边缘设备的输电线路巡检需求。     

基于改进YOLOv5的输电线路鸟巢检测方法研究

输电线路上的鸟巢会对电力设备的安全运行构成威胁,甚至影响整个电力系统的稳定性。针对复杂场景下输电线路鸟巢检测方法适用性较差的问题,提出一种基于改进YOLOv5的输电线路鸟巢检测方法。该方法结合通道注意机制和空间注意机制设计特征平衡网络,以通道权值和空间权值作为引导,实现检测网络不同层次特征之间语义信息和空间信息的平衡。同时,为了避免因网络层数增加导致特征信息不断被弱化的问题,设计特征增强模块以捕获与鸟巢相关的通道关系和位置信息。最后,利用输电线路无人机巡检图像建立鸟巢数据集进行训练和测试。实验结果表明,所提出的输电线路鸟巢检测方法具有较强的泛化能力和适用性,同时也为电力图像缺陷检测提供技术参考。     

基于改进YOLOv7的输电线路绝缘子设备及其缺陷检测算法

针对输电线路无人机巡检中绝缘子设备及缺陷图像检测过程中存在的绝缘子目标尺寸变化大、缺陷目标尺寸小、背景复杂干扰多和难易样本不平衡等问题,提出一种基于改进YOLOv7的绝缘子设备及缺陷检测算法：1）针对绝缘子缺陷目标尺寸小问题,在YOLOv7特征提取网络浅层引入卷积注意力机制,聚焦缺陷;2）针对绝缘子目标尺度变化大问题,在YOLOv7特征提取网络底部引入感受野增强模块,提取不同尺度目标特征;3）针对背景干扰问题,改进YOLOv7特征融合网络,在顶部引入显示视觉中心模块,同时关注全局信息与局部信息;4）针对难易样本不平衡问题,使用Focal-EIoU损失替换YOLOv7坐标回归损失。在合并的绝缘子及其缺陷无人机图像公开数据集上,该算法的多类目标检测精度均值达到了97.36%。     

基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测EI北大核心CSCD

利用无人机对高压输电线路巡检,并基于计算机视觉技术对巡检数据中的故障目标进行自动、准确检测是输电线路巡检领域中的重要研究方向,同时也是一个极具挑战性的课题。针对复杂巡检环境中待检测目标存在多尺度特性以及部分遮挡造成传统算法难以准确检测问题,提出一种基于注意力机制与跨尺度特征融合的YOLOv5输电线路故障检测算法。首先,搭建YOLOv5检测网络,为了抑制复杂背景干扰,在其基础上引入空间与通道卷积注意力模型,以增强待检测故障目标的显著度;然后,将原始YOLOv5检测框架Neck中的FPN+PAN结构改为BiFPN结构,从而使目标多尺度特征能够有效融合;其次,为了解决待检测目标特征表达能力不足造成漏检和误检的问题,设计多尺度与同尺度特征的自适应加权融合模块,以增强检测网络对遮挡情况下故障目标的检测能力。最后,为了验证提出算法的有效性,利用某巡检部门近4年无人机巡检数据对算法进行验证。结果表明,提出的算法能够对复杂环境中输电线路上的多尺度故障目标实现精确检测,其平均检测精度可达96.8%。     

基于Cascade R-CNN算法的输电线路小目标缺陷检测方法

输电线路无人机航拍图像缺陷识别是维护线路安全运行的重要巡检手段,但目前的识别算法对于销钉、螺母等小目标缺陷存在识别精确度低、易漏判等问题。将Cascade R-CNN算法应用于输电线路缺陷检测中,利用ResNet101网络进行特性提取,增强的网络的特征提取能力,并利用多层级联检测器对输电线路小目标进行判别和分类。基于无人机航拍图像数据集进行实验,实验结果表明,相比于Yolov3检测器和Lighthead R-CNN检测器,Cascade R-CNN算法提高了小目标缺陷检测中的召回率和精确度。     

基于改进YOLOv3的输电线路部件实时检测

针对基于深度学习的目标检测技术应用于工业领域无法在移动端嵌入式设备上实现高效且准确的检测这一问题,提出一种基于YOLOv3改进的输电线路部件实时检测算法轻量级特征融合检测模型LFF-DM(Lightweight Feature Fusion Detection Model)。一方面通过改进式的k-means算法得到聚类结果;另一方面结合深度可分离卷积和倒残差块设计出轻量化的网络结构。通过在自建的包含绝缘子、悬垂线夹、防震锤、鸟巢与导地线的专业巡检数据集上进行实验,结果表明在NVIDIA Jetson AGX Xavier设备上可以实现25FPS的检测速度及90.48%mAP的检测精度,适用于输电线路移动端实时精确巡检。     

基于YOLOv2网络的绝缘子自动识别与缺陷诊断模型

针对无人机或机器人获取的输电线路绝缘子图像,提出了一种基于深度学习图像识别框架（YOLOv2）网络的输电线路绝缘子在线识别与缺陷诊断模型,训练YOLOv2网络学习复杂背景下各种绝缘子的特征并准确识别,结合边缘检测、直线检测、图像旋转和垂直投影方法,对识别出各种状态的绝缘子进行缺陷诊断。输电线路巡检图像的仿真结果表明,所提出的绝缘子自动识别与缺陷诊断方法能迅速准确地从输电线路巡检图像中识别出绝缘子,并诊断出绝缘子是否破损以及缺陷位置,有利于提升输电线路智能巡检水平。     

基于改进YOLOv3的输电线路缺陷识别方法

为解决在无人机巡检输电线路现场中出现的图像识别算法对硬件要求高、计算耗时长,训练集图片较少且复杂多变等问题,提出了一种基于改进YOLOv3算法的输电线路缺陷检测方法。提出了在YOLOv3原基本框架下加入空间金字塔池化(spatial pyramid pooling,SPP)模块的方法,使得该算法能在同一层内提取多尺度深度特征,以适应巡检现场输入尺寸不同、复杂多变的图片检测;提出了对添加了SPP模块的YOLOv3进行通道减少、框架瘦身的剪枝处理方法,以优化YOLOv3的轻量化性能,降低对巡检时车载服务器的硬件要求、减少计算时长。使用数量较少的输电线路缺陷图像数据集对该改进算法进行验证。测试结果表明,改进的模型对硬件依赖性较小,检测精度几乎不变,平均每步迭代时间减少了0.81 s,整体性能提升25%。     

基于深度学习的输电线路螺栓检测技术

输电线路螺栓缺陷检测对电力系统安全可靠运行具有重要意义,但螺栓在巡检图像中具有特征不明显、尺寸小的特点,这给螺栓检测研究带来了一定挑战。随着直升机、无人机巡检技术和边缘计算的发展,传统巡检图像处理方法已满足不了实时检测的需求。针对上述问题,提出一种基于深度学习的输电线路螺栓检测系统。采用分级检测原则,首先利用SSD(single shot mutibox detector)算法定位存在缺陷螺栓的连接部位并切割出连接部位,增大螺栓在巡检图像中的占比,其次利用数据增强扩充数据集,最后利用YOLOv3算法检测缺陷螺栓。最终将边缘计算装置搭载在直升机、无人机上,实现输电线路螺栓缺陷实时检测。为验证该系统的鲁棒性,对不同光照强度下的巡检图像进行仿真。实验结果表明,该方法能够有效、精确地实现巡检图像中螺栓缺陷的实时检测。     

基于深度学习的输电线路视觉检测方法研究进展

输电线路巡检是电网持续稳定供电的保障,其目的是对电力线、绝缘子、电力杆塔、防振锤等线路设备进行状态检测和故障诊断,同时观测电力线周围潜在隐患。深度学习的发展为输电线路巡检提供了有效手段,与传统目标检测方法相比,深度学习方法能更有效地实现航拍图像中电力设备的识别及缺陷检测。该文综述近十年来基于深度学习的输电线路视觉检测方法的研究进展。首先,概述适用于输电线路巡检的深度卷积神经网络,包括分类网络、检测网络、语义分割网络,考虑到开发的深度学习网络模型便于在移动设备上应用,另外阐述轻量化网络;然后,重点阐述基于深度卷积神经网络的输电线路巡检图像数据目标检测;随后介绍7个电力设备数据集以及性能评价指标;最后,指出基于深度学习的输电线路巡检图像数据视觉检测方法目前存在的问题,并对进一步的工作进行展望。     

基于改进YOLOv3的电力设备红外诊断方法

针对电力设备异常发热故障诊断过程中识别目标设备单一、红外数据集样本数目庞大、平均识别准确率较低和识别速率较低的问题,提出一种基于深度卷积神经网络的改进YOLOv3目标检测方法,识别和定位绝缘子、隔离开关触头、套管、线夹4类电力设备及其异常发热区域。在改进YOLOv3算法的训练过程中,网络将数据集图片裁剪为416×416像素大小,使用Yolomark工具对图像进行标注,得到的标签和样本集一起送入深度学习卷积神经网络进行训练,经历多轮迭代后得到最终模型,最后采用运检部门用红外热像仪现场采集的电气设备红外图谱数据进行效果测试。实验结果表明,训练得到的改进YOLOv3模型相比于YOLOv3和快速区域卷积神经网络(faster region convolution neural network,Faster R-CNN)算法,识别定位的准确率较高,检测速度更快,可基本实现实时检测,可有效应用于变电站电力设备的红外巡检工作。     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式，绝缘子缺陷的检测是无人机巡检中的重要环节。因此，提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先，使用轻量型的Ghost卷积代替普通卷积；然后，使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络，提高网络对不同尺度的特征提取能力；最后，引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明，绝缘子检测的平均精度值提升了1.7个百分点，模型大小减少了13.1%，改进后的算法模型在提升检测精度的同时更加轻量化，可实现绝缘子缺陷的快速检测。     

一种改进型YOLOv4输电线路防外破检测方法

输电线路场景图像易受野外多种环境干扰,当前主流的深度学习网络模型难于满足输电线路防外破检测模型的边缘部署实时性和精度要求。该文提出了一种融合残差学习的YOLOv4输电线路防外破检测方法。首先采用数据增强技术对所采集的输电线路图像数据集增强,建立了输电线路防外力破坏的图像数据集。其次,考虑到输电线路网络模型便于实际边缘部署配置的需要,对YOLOv4网络结构进行了改进,基于ResNet50构建特征提取主干网络。最后引入标签平滑技术对YOLOv4的分类损失函数进行了优化以减缓过拟合问题,提高了网络模型的检测精度。用实际采集的输电线路图像构成的数据集进行了测试,实验结果表明该文所提出的方法在运算速度和检测准确度上均优于其他方法。     

基于深度学习和无人机图像的架空线路缺陷巡检综述

架空输电线路巡检是电网运维工作的一项重要内容,运维人员利用无人机进行线路巡视检测已成为电力巡检工作中的重要手段。本研究首先概述了无人机巡检任务中人机协同作业系统以及无人机智能自主作业系统的架构;其次,分析了当前架空输电线路缺陷巡检领域数据集状况以及数据扩增技术;然后,综述了基于深度学习的无人机图像缺陷检测典型方法以及评价指标,并对比总结了各种方法的优缺点;随后,讨论了无人机图像视觉检测方法中图像采集规范、数据集形式、缺陷检测算法专业化应用等对架空线路缺陷检测效果,指出了图像检测指标和类别定义在电力巡检专业化领域中的不足;最后,探讨了基于深度学习的无人机图像缺陷巡检任务的未来发展方向。     

基于改进YOLOv4模型的输电线路杆塔图像缺陷检测方法研究

针对现有输电线路无人机巡检图像缺陷检测方法存在的精度低、耗时长等问题,为了实现输电线路杆塔鸟巢的快速和准确识别,基于无人机巡检图像采集与处理系统,提出了一种改进的YOLO4模型用于输电线路杆塔图像的鸟巢检测。采用轻型MobileNetV2网络替换CSPDarkNet53网络,提高特征提取速度,在SPP模块中采用平均池化替换最大池化,提高算法对小目标的检测精度,引入注意力机制CBAM增强特征表达。通过试验验证了所提方法的可行性和优越性。结果表明,所提方法与常规检测方法相比,在输电线路杆塔图像缺陷检测中具有更优的检测精度和速度,检测精度达到94.40%,检测速度为60 FPS。所提研究为输电线杆塔缺陷检测方法的发展提供了一定的参考。     

基于改进YOLOv4算法的高压塔鸟巢检测

针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。     

一种轻量化YOLOv4输电线路防外力隐患检测方法*

输电线路多地处野外偏远，易受各种外力隐患破坏而出现安全故障。针对基于深度学习的输电线路外力隐患检测模型不能满足边缘部署的实时性需求的问题，提出一种轻量化YOLOv4的输电线路防外力隐患检测方法。首先引入深度可分离卷积，采用MobileNetv3作为YOLOv4模型的主干网络用以提取输电线路图像的多尺度特征。然后用建立的输电线路图像数据集对改进的轻量化模型进行训练、验证和测试。实验结果表明，提出的方法在输电线路外力隐患检测中准确率可达到87.73%，运算速度可达到32.49，与同类方法相比综合性能较优。